干货汇总!2023 年 AI for Science 最值得关注的科研成果梳理

特色图像

岁序更替,华章日新。在刚刚过去的 2023 年中,AI for Science  带来了太多惊喜,也埋下了更具想象空间的种子。

从 2020 年开始,以 AlphaFold  为代表的科研项目将 AI for Science 推向了 AI 应用的主舞台。两年来,从生物医药到天文气象、再到材料化学等基础学科,都成为了 AI 的新战场。在这个过程中,AI 的能力也具象化为一柄利刃,甚至可以劈开困扰人们半个世纪的桎梏,大大加速了科研进程。

珠玉在前,进入 2023 年后,AI 在科研领域的征程也更加顺畅,越来越多的研究团队开始寻求 AI 的帮助,从而催生了更多的高价值成果。

作为最早一批关注到 AI for Science 的社区,「HyperAI 超神经」通过解读前沿论文的方式持续记录其最新进展,一方面是将最新的成果、研究方法进行普适化分享,另一方面也是希望能够令更多团队看到 AI 对于科研的帮助,为 AI for Science 在国内的发展贡献力量。

岁末年初,正是观往知来的好时节,我们将「HyperAI 超神经」在 2023 年解读的前沿论文进行了分类汇总,方便不同科研领域的读者检索。

关注微信公众号,在后台回复 「2023 ScienceAI」即可打包下载全部论文。另外,部分论文中所使用的数据集可以在「HyperAI 超神经」官网下载获取。

下载地址:

https://hyper.ai/datasets

AI+ 生物医药

机器学习模型准确预测长效注射剂药物释放速率,加速长效注射剂研发

Machine learning models to accelerate the design of polymeric long-acting injectables

*来源:Nature Communications

*作者:多伦多大学研究人员

*解读横向对比 11 种算法,多伦多大学推出机器学习模型,加速长效注射剂新药研发(点击阅读原文)

*论文

https://www.nature.com/articles/s41467-022-35343-w

机器学习算法有效预测植物抗疟性,准确率为 0.67

Machine learning enhances prediction of plants as potential sources of antimalarials

*来源:Frontiers in Plant Science

*作者:英国皇家植物园及圣安德鲁斯大学的研究人员

*解读英国皇家植物园采用机器学习预测植物抗疟性,将准确率从 0.46 提升至 0.67(点击阅读原文)

*论文

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10248027

基于活细胞明场动态图像和机器学习的分化系统,实时调节和优化多能干细胞分化过程

A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems

*来源:Cell Discovery

*作者:北京大学赵扬课题组、张钰课题组联合北京交通大学刘一研课题组

*解读北京大学研发基于机器学习的多能干细胞分化系统,高效、稳定制备功能性细胞(点击阅读原文)

*论文

https://www.nature.com/articles/s41421-023-00543-1

将机器学习模型应用于预测生物墨水可打印性,提高预测率

Predicting pharmaceutical inkjet printing outcomes using machine learning

*来源:International Journal of Pharmaceutics: X

*作者:圣地亚哥德孔波斯特拉大学、伦敦大学学院的研究人员

*解读药物 3D 打印新突破:圣地亚哥大学用机器学习筛选喷墨打印生物墨水,准确率高达 97.22%(点击阅读原文)

*论文

https://www.sciencedirect.com/science/article/pii/S2590156723000257

利用深度学习筛选约 7,500 个分子,找出了抑制鲍曼不动杆菌的新型抗生素

Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii

*来源:Nature Chemical Biology

*作者:麦克马斯特大学、麻省理工学院的研究人员

*解读AI 对抗超级细菌:麦克马斯特大学利用深度学习发现新型抗生素 abaucin(点击阅读原文)

*论文

https://www.nature.com/articles/s41589-023-01349-8#access-options

利用机器学习发现三种 Senolytics,并验证其在人类细胞系中的抗衰作用

Discovery of Senolytics using machine learning

*来源:Nature Communications

*作者:梅奥诊所的 James L. Kirkland 博士等人

*解读拒绝细胞衰老、远离老年疾病,爱丁堡大学给细胞开出 3 张「AI 抗衰处方」(点击阅读原文)

*论文

https://www.nature.com/articles/s41467-023-39120-1

借助机器学习,对多巴胺的释放量和释放位置进行量化分析

Identifying Neural Signatures of Dopamine Signaling with Machine Learning

*来源:ACS Chemical Neuroscience

*作者:美国加利福尼亚大学伯克利分校的研究团队

*解读「量化」快乐:UC Berkeley 利用 AI 追踪多巴胺释放量及释放脑区(点击阅读原文)

*论文

https://pubs.acs.org/doi/full/10.1021/acschemneuro.3c00001

利用图神经网络,从数十万种化合物中筛选出了安全高效的抗衰老成分

Discovering small-molecule senolytics with deep neural networks

*来源:Nature Aging

*作者:麻省理工学院的研究人员

*解读拨慢人体衰老时钟,MIT 利用 Chemprop 模型发现兼具药效与安全性的细胞抗衰化合物(点击阅读原文)

*论文

https://www.nature.com/articles/s43587-023-00415-z

DeepMind  利用无监督学习开发 AlphaMissense,预测 7100 万种基因突变

Accurate proteome-wide missense variant effect prediction with AlphaMissense

*来源:Science

*作者:DeepMind

*解读DeepMind 利用无监督学习开发 AlphaMissense,预测 7100 万种基因突变(点击阅读原文)

*论文

https://www.science.org/doi/10.1126/science.adg7492

基于 Transformer 的回归网络,结合 CGMD,对百亿种多肽的自组装特性进行了预测

Deep Learning Empowers the Discovery of Self-Assembling Peptides with Over 10 Trillion Sequences

*来源:Advanced Science

*作者:西湖大学的李文彬课题组

*解读西湖大学利用 Transformer 分析百亿多肽的自组装特性,破解自组装法则(点击阅读原文)

*论文

https://onlinelibrary.wiley.com/doi/full/10.1002/advs.202301544

基于 Transformer 开发 Macformer,成功将无环药物菲卓替尼大环化,为药物开发提供了新方法。

Macrocyclization of linear molecules by deep learning to facilitate macrocyclic drug candidates discovery

*来源:Nature Communication

*作者:华东理工大学的李洪林课题组

*解读华东理工李洪林课题组开发 Macformer,加速大环类药物发现(点击阅读原文)

*论文

https://www.nature.com/articles/s41467-023-40219-8

基于图神经网络 (GNN) 开发气味分析 AI

A principal odor map unifies diverse tasks in olfactory perception

*来源:Science

*作者:Google Research 的分支 Osmo 公司

*解读Google 基于 GNN 开发气味识别 AI,工作量相当于人类评价员连续工作 70 年(点击阅读原文)

*论文

https://www.science.org/doi/full/10.1126/science.ade4401

开发 GPCRs-G 蛋白选择性的算法,研究选择性的结构基础

Rules and mechanisms governing G protein coupling selectivity of GPCRs

*来源:Cell Reports

*作者:佛罗里达大学的研究人员

*解读佛罗里达大学利用神经网络,解密 GPCR-G 蛋白偶联选择性(点击阅读原文)

*论文

https://doi.org/10.1016/j.celrep.2023.113173

快速自动扫描套件 FAST 允许 AI 自动识别扫描位置,高效精准的获取样本信息

Demonstration of an AI-driven workflow for autonomous high-resolution scanning microscopy

*来源:Nature Communications

*作者:美国阿贡国家实验室的研究人员

*解读美国阿贡国家实验室发布快速自动扫描套件 FAST,助力显微技术「快速阅读」成为可能(点击阅读原文)

*论文

https://www.nature.com/articles/s41467-023-40339-1

AI+ 医疗健康

梯度提升机模型准确预测 BPSD 亚综合征

Machine learning‑based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation

*来源:Scientifc Reports

*作者:韩国延世大学研究团队

*解读有效延缓痴呆症:延世大学发现梯度提升机模型能准确预测 BPSD 亚综合征(点击阅读原文)

*论文

https://www.nature.com/articles/s41598-023-35194-5

基于机器学习,利用特征选择策略,得到了一组乳腺癌特定诊断生物标志物

Robust Feature Selection strategy detects a panel of microRNAs as putative diagnostic biomarkers in Breast Cancer

*来源:CIBB 2023

*作者:意大利那不勒斯费德里科二世大学的研究人员

*解读特征选择策略:为检测乳腺癌生物标志物寻找新出口(点击阅读原文)

*论文

https://www.researchgate.net/publication/372083934

对比逻辑回归模型和 3 种机器学习模型,成功预测中国老年冠心病合并糖尿病或糖耐量受损患者一年内死亡率

Machine learning-based models to predict one-year mortality among Chinese older patients with coronary artery disease combined with impaired glucose tolerance or diabetes mellitus

*来源:Cardiovascular Diabetology

*作者:中国湖北省麻城市人民医院的研究人员

*解读收集 301 医院 451 名老年冠心病患者数据,湖北麻城人民医院推出机器学习模型,准确预测患者一年内死亡率(点击阅读原文)

*论文

https://cardiab.biomedcentral.com/articles/10.1186/s12933-023-01854-z

利用 AI 开发出新脑机技术,让失语 18 年的中风患者重新「开口说话」

A high-performance neuroprosthesis for speech decoding and avatar control

*来源:Nature

*作者:加州大学团队

*解读中风失语 18 年,AI + 脑机接口帮她「意念发声」(点击阅读原文)

*论文

https://www.nature.com/articles/s41586-023-06443-4

商用 AI Lunit 阅读乳腺 X 光片的准确率与医生相当

Performance of a Breast Cancer Detection AI Algorithm Using the Personal Performance in Mammographic Screening Scheme

*来源:Radiology

*作者:英国诺丁汉大学的研究团队

*解读「粉红杀手」通缉令,AI 阅读乳腺 X 光片的能力已与医生相当(点击阅读原文)

*论文

https://pubs.rsna.org/doi/10.1148/radiol.223299

中科院基因组所建立开放生物医学成像档案

Self-supervised learning of hologram reconstruction using physics consistency

*来源:bioRxiv

*作者:中科院基因组所

*解读OBIA:900+ 患者、 193w+ 影像,中科院基因组所发布我国首个生物影像共享数据库(点击阅读原文)

*论文

https://www.nature.com/articles/s42256-023-00704-7

视网膜图像基础模型 RETFound,预测多种系统性疾病

A foundation model for generalizable disease detection from retinal images

*来源:Nature

*作者:伦敦大学学院和 Moorfields 眼科医院的在读博士周玉昆等人

*解读160w+ 未标注图像、 3 个维度全方位评估,周玉坤等人开发 RETFound 模型,用视网膜图像预测多种系统性疾病(点击阅读原文)

*论文

https://www.nature.com/articles/s41586-023-06555-x

基于深度学习的胰腺癌人工智能检测

Large-scale pancreatic cancer detection via non-contrast CT and deep learning

*来源:Nature Medicine

*作者:阿里达摩院联合多家国内外医疗机构

*解读在 2 万病例中识别出 31 例漏诊,阿里达摩院牵头发布「平扫 CT +大模型」筛查胰腺癌(点击阅读原文)

*论文

https://www.nature.com/articles/s41591-023-02640-w

优化摩擦电纳米发电机触觉传感器的设计,进行文字识别和盲文识别

Machine Learning-Enabled Tactile Sensor Design for Dynamic Touch Decoding

*来源:Advanced Science

*作者:浙江大学的杨赓和徐凯臣课题组

*解读浙江大学利用 SVM 优化触觉传感器,盲文识别率达 96.12%(点击阅读原文)

*论文

https://onlinelibrary.wiley.com/doi/10.1002/advs.202303949

AI+ 材料化学

结合多种深度学习架构,通过表面观察确定材料的内部结构

Fill in the Blank: Transferrable Deep Learning Approaches to Recover Missing Physical Field Information

*来源:Advanced Materials

*作者:麻省理工学院的研究人员

*解读材料空间「填空解谜」:MIT 利用深度学习解决无损检测难题(点击阅读原文)

*论文

https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202301449

结合深度神经网络和自然语言处理,开发抗蚀合金

Enhancing corrosion-resistant alloy design through natural language processing and deep learning

*来源:Science Advances

*作者:德国马克思普朗克铁研究所的研究人员

*解读AI「反腐」,德国马普所结合 NLP 和 DNN 开发抗蚀合金(点击阅读原文)

*论文

https://www.science.org/doi/10.1126/sciadv.adg7992

基于机器学习模型,训练 AI 提取多孔材料结构参数以预测水吸附等温线

Machine learning-assisted prediction of water adsorption isotherms and cooling performance

*来源:Journal of Materials Chemistry A

*作者:华中科技大学的李松课题组

*解读华中科技大学李松课题组,利用机器学习预测多孔材料水吸附等温线(点击阅读原文)

*论文

https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA03586G

场诱导递归嵌入原子神经网络 FIREANN,准确描述外场强度和方向变化

Universal machine learning for the response of atomistic systems to external fields

*来源:Nature Communication

*作者:中国科学技术大学的蒋彬课题组

*解读中科大蒋彬课题组开发 FIREANN,分析原子对外界场的响应(点击阅读原文)

*论文

https://www.nature.com/articles/s41467-023-42148-y

DeepMind 发布深度学习工具 GNoME,发现 220 万种新晶体

Scaling deep learning for materials discovery

*来源:DeepMind

*作者:Nature

*解读领先人类 800 年?DeepMind 发布 GNoME,利用深度学习预测 220 万种新晶体(点击阅读原文)

*论文

https://www.nature.com/articles/s41586-023-06735-9

SEN 机器学习模型,实现高精度的材料性能预测

Material symmetry recognition and property prediction accomplished by crystal capsule representation

*来源:Nature Communications

*作者:中山大学李华山、王彪课题组

*解读中山大学李华山、王彪课题组开发 SEN 机器学习模型,高精度预测材料性能(点击阅读原文)

*论文

https://www.nature.com/articles/s41467-023-40756-2

RetroExplainer 算法基于深度学习进行逆合成预测

Retrosynthesis prediction with an interpretable deep-learning framework based on molecular assembly tasks

*来源:Nature Communications

*作者:山东大学、电子科技大学课题组

*解读山东大学开发可解释深度学习算法 RetroExplainer,4 步识别有机物的逆合成路线(点击阅读原文)

*论文:

https://www.nature.com/articles/s41467-023-41698-5

利用机器学习优化  BiVO(4) 光阳极的助催化剂

A comprehensive machine learning strategy for designing high-performance photoanode catalysts

*来源:Journal of Materials Chemistry A

*作者:清华大学朱宏伟课题组

*解读清华大学利用可解释机器学习,优化光阳极催化剂,助力光解水制氢(点击阅读原文)

*论文

https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA04148D

AI+ 动植物科学

基于机器学习的群体遗传方法,揭示葡萄风味的形成机制

Adaptive and maladaptive introgression in grapevine domestication

*来源:Proceedings of the National Academy of Sciences

*作者:中国农业科学院深圳农业基因组的研究人员

*解读葡萄风味有奥秘,农科院用机器学习揭示基因渐渗过程(点击阅读原文)

*论文

https://www.pnas.org/doi/abs/10.1073/pnas.2222041120

利用 Python API 与计算机视觉 API,监测日本的樱花开放情况

The spatiotemporal signature of cherry blossom flowering across Japan revealed via analysis of social network site images

*来源:Flora

*作者:澳大利亚莫纳什大学的研究团队

*解读爬取 2 万多张 Flickr 图片,莫纳什大学复现 10 年间日本樱花开放的时空特征(点击阅读原文)

*论文

https://www.sciencedirect.com/science/article/abs/pii/S0367253023001019

综述:借助 AI 更高效地开启生物信息学研究

除了类似 AlphaFold 这一类广为人知的生物信息学进展外,AI 在同源搜索、多重比对及系统发育构建、基因组序列分析、基因发现等生物学领域中,都有丰富的应用案例。作为一名生物学研究人员,能熟练地将机器学习工具,整合到数据分析中,必将加速科学发现、提升科研效率。

*推荐阅读生物信息学 | 借助 AI 更高效地开启研究(点击阅读原文)

基于孪生网络的深度学习方法,自动捕捉胚胎发育过程

Uncovering developmental time and tempo using deep learning

*来源:Nature Methods

*作者:系统生物学家 Patrick Müller 及康斯坦茨大学研究人员

*解读AI 与胚胎结合?系统生物学家 Patrick Müller 利用孪生网络对斑马鱼胚胎展开研究(点击阅读原文)

*论文

https://www.nature.com/articles/s41592-023-02083-8

利用 5 万多张照片,训练基于人脸识别 ArcFace Classification Head 的多物种图像识别模型

A deep learning approach to photo–identification demonstrates high performance on two dozen cetacean species

*来源:Methods in Ecology and Evolution

*作者:夏威夷大学的研究人员

*解读「鲸脸识别」已上线,夏威夷大学用 5 万张图像训练识别模型,平均精度 0.869(点击阅读原文)

*论文

https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14167

利用 628 只拉布拉多猎犬数据,对比 3 种模型,发现了影响嗅觉检测犬表现的行为特性

Machine learning prediction and classification of behavioral selection in a canine olfactory detection program

*来源:Scientific Reports

*作者:美国全国儿童医院阿比盖尔·韦克斯纳研究所、洛基维斯塔大学的研究人员

*解读狗狗求职记:AI 面试、人类辅助,美研究所利用 628 只拉布拉多数据,提升嗅觉检测犬选拔效率(点击阅读原文)

*论文

https://www.nature.com/articles/s41598-023-39112-7

AI 相机警报系统准确区分老虎和其他物种

Accurate proteome-wide missense variant effect prediction with AlphaMissense

*来源:BioScience

*作者:克莱姆森大学的研究人员

*解读应对人虎共存难题,首个识别和传输老虎照片的 AI 相机来了(点击阅读原文)

*论文

https://www.science.org/doi/10.1126/science.adg7492

BirdFlow 模型利用计算机建模和 eBird 数据集,准确预测候鸟的飞行路径

BirdFlow: Learning seasonal bird movements from eBird data

*来源:Methods in Ecology and Evolution

*作者:马萨诸塞州立大学、康奈尔大学的研究人员

*解读借助计算机建模及 eBird 数据集,马萨诸塞大学成功预测鸟类迁徙(点击阅读原文)

*论文

https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14052

AI+ 农林畜牧业

利用计算机视觉+深度学习开发奶牛跛行检测系统,准确度可达 94%-100%

Deep learning pose estimation for multi-cattle lameness detection

*来源:Nature

*作者:纽卡斯尔大学及费拉科学有限公司的研究人员

*解读借力计算机视觉及深度学习,纽卡斯尔大学开发实时、自动化奶牛跛行检测系统(点击阅读原文)

*论文

https://www.nature.com/articles/s41598-023-31297-1

无人机+ AI 图像分析,检测林业害虫

Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods

*来源:NeoBiota

*作者:里斯本大学研究团队

*解读无人机+ AI 图像分析:里斯本大学高效检测林业害虫(点击阅读原文)

*论文

https://neobiota.pensoft.net/article/95692/

结合实验室观测与机器学习,证明番茄与烟草植物在胁迫环境下发出的超声波能在空气中传播

Sounds emitted by plants under stress are airborne and informative

*来源:Cell

*作者:以色列特拉维夫大学的研究人员

*解读压力之下番茄也会「惊声尖叫」,特拉维夫大学发现植物王国不沉默(点击阅读原文)

*论文

https://doi.org/10.1016/j.cell.2023.03.009

通过 YOLOv5 算法,设计监测母猪姿势与猪仔出生的模型

Sow Farrowing Early Warning and Supervision for Embedded Board Implementations

*来源:Sensors

*作者:南京农业大学研究团队

*解读母猪产仔早知道,这次南农用上了英伟达边缘 AI Jetson(点击阅读原文)

*论文

https://www.mdpi.com/1424-8220/23/2/727

利用卷积神经网络,对水稻产量进行迅速、准确的统计

Deep Learning Enables Instant and Versatile Estimation of Rice Yield Using Ground-Based RGB Images

*来源:Plant Phenomics

*作者:京都大学的研究人员

*解读京都大学利用 CNN 预测粮食产量,丰收不问天,问 AI 就够了(点击阅读原文)

*论文:

https://spj.science.org/doi/10.34133/plantphenomics.0073

利用无人机采集植物表型数据的系统化流程,预测最佳采收日期

Drone-Based Harvest Data Prediction Can Reduce On-Farm Food Loss and Improve Farmer Income

*来源:Plant Phenomics

*作者:东京大学和千叶大学的研究人员

*解读最高可挽回 20% 损失!东京大学利用 AI 及无人机,预测农作物最佳采收日期(点击阅读原文)

*论文

https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4

AI+ 气象研究

基于随机森林的机器学习模型 CSU-MLP,对中期(4-8 天)范围内恶劣天气进行准确预报

A new paradigm for medium-range severe weather forecasts: probabilistic random forest-based predictions

*来源:Weather and Forecasting

*作者:美国科罗拉多州立大学和国家海洋和大气管理局的研究人员

*解读科罗拉多州立大学发布 CSU-MLP 模型,用随机森林算法预测中期恶劣天气(点击阅读原文)

*论文

https://arxiv.org/abs/2208.02383

利用全球风暴解析模拟与机器学习,创建新算法,准确预测极端降水

Implicit learning of convective organization explains precipitation stochasticity

*来源:PNAS

*作者:哥伦比亚大学 LEAP 实验室

*解读准确预测极端降水,哥伦比亚大学推出升级版神经网络 Org-NN(点击阅读原文)

*论文

https://www.pnas.org/doi/10.1073/pnas.2216158120

综述:从雹暴中心收集数据,利用大模型预测极端天气

早在 2021 年,阿里云就透露称,达摩院与国家气象中心联合研发了 AI 算法用于天气预测,并成功预测了多次强对流天气。同年 9 月,Deepmind 在《Nature》上发表文章,利用深度生成模型进行降雨量的实时预报。

2023 年年初,Deepmind 正式推出了 GraphCast,可以在一分钟内对全球未来 10 天的气象,进行分辨率为 0.25° 的预测。 4 月,南京信息工程大学和上海人工智能实验室合作研发了「风乌」气象预测大模型,误差较 GraphCast 进一步降低。

随后,华为推出了「盘古」气象大模型。由于模型中引出了三维神经网络,「盘古」的预测准确率首次超过了目前最准确的 NWP 预测系统。近期,清华大学和复旦大学相继发布了「NowCastNet」和「伏羲」模型。

*推荐阅读雹暴中心收集数据、大模型加持极端天气预测,「追风者也」正在上演(点击阅读原文)

综述:数据驱动的机器学习天气预报模型

数值天气预报是天气预报的主流方法。它通过数值积分,对地球系统的状态进行逐网格的求解,是一个演绎推理的过程。 2022 年以来,天气预报领域的机器学习模型取得了一系列突破,部分成果可以与欧洲中期天气预报中心的高精度预测匹敌。

*推荐阅读机器学习 vs. 数值天气预报,AI 如何改变现有的天气预报模式(点击阅读原文)

AI+ 天文学

利用模拟数据训练计算机视觉算法,对天文图像进行锐化「还原」

Galaxy image deconvolution for weak gravitational lensing with unrolled plug-and-play ADMM

*来源:皇家天文学会月刊

*作者:清华大学及美国西北大学研究团队

*解读00 后清华学霸用 AI 打败大气层「魔法攻击」,还原宇宙真面貌(点击阅读原文)

*论文

https://www.nature.com/articles/s41421-023-00543-1

PRIMO 算法学习黑洞周围的光线传播规律,重建出更清晰的黑洞图像

The Image of the M87 Black Hole Reconstructed with PRIMO

*来源:The Astrophysical Journal Letters

*作者:普林斯顿高等研究院研究团队

*解读利用 PRIMO 重构 M87 黑洞图像,普林斯顿高等研究院成功将「甜甜圈」变身「金戒指」(点击阅读原文)

*论文

https://iopscience.iop.org/article/10.3847/2041-8213/acc32d/pdf

利用无监督机器学习算法 Astronomaly ,找到了之前为人忽视的异常现象

Astronomaly at Scale: Searching for Anomalies Amongst 4 Million Galaxies

*来源:arXiv

*作者:西开普大学的研究者

*解读Astronomaly:利用 CNN 和主动学习识别 400 万张星系图像中的异常(点击阅读原文)

*论文

https://arxiv.org/abs/2309.08660

AI+ 能源环境

采用机器学习发现矿物组合规律,来预测矿物位置

Predicting new mineral occurrences and planetary analog environments via mineral association analysis

*来源:PNAS Nexus

*作者:华盛顿卡内基科学研究所、亚利桑那大学的研究人员

*解读AI 卷到正经「挖矿」业,卡内基科学研究所另辟蹊径,靠关联分析法找到新矿床(点击阅读原文)

*论文

https://academic.oup.com/pnasnexus/article/2/5/pgad110/7163824?login=true

利用物理模型和机器学习模型,预测干旱气候下光伏板表面的污垢和其他物质的累积造成的污染损失

Characterizing soiling losses for photovoltaic systems in dry climates: A case study in Cyprus

*来源:Solar Energy

*作者:塞浦路斯大学的研究人员

*解读光伏圈告别「看天吃饭」,塞浦路斯大学耗时 2 年,发现机器学习预测污染损失未来可期(点击阅读原文)

*论文

https://www.sciencedirect.com/science/article/pii/S0038092X23001883

通过机器学习方法,预测碳捕捉过程中胺类有害气体的排放量

Machine learning for industrial processes: Forecasting amine emissions from a carbon capture plant

*来源:ScienceAdvances

*作者:洛桑联邦理工学院和赫瑞瓦特大学组成的研究小组

*解读90 后学霸博士 8 年进击战:用机器学习为化学研究叠 BUFF(点击阅读原文)

*论文

https://www.science.org/doi/10.1126/sciadv.adc9576

AI+ 自然灾害

可叠加神经网络分析自然灾害中的影响因素

Landslide susceptibility modeling by interpretable neural network

*来源:Communications Earth & Environment

*作者:加利福尼亚大学洛杉矶分校的研究人员

*解读变透明的黑匣子:UCLA 开发可解释神经网络 SNN 预测山体滑坡(点击阅读原文)

*论文

https://www.nature.com/articles/s43247-023-00806-5

利用可解释性 AI ,分析澳大利亚吉普斯兰市的不同地理因素,得到了当地的野火发生概率分布图

Explainable artificial intelligence (XAI) for interpreting the contributing factors feed into the wildfire susceptibility prediction model

*来源:ScienceDirect

*作者:澳大利亚国立大学、悉尼科技大学的研究人员

*解读:夏威夷等全球多地深陷「末日狂烧」,关键时刻 AI 监测能否跑赢野火?(点击阅读原文)

*论文

https://www.sciencedirect.com/science/article/pii/S0048969723016224

其他

AI 在超光学中的正问题及逆问题、基于超表面系统的数据分析

Artificial Intelligence in Meta-optics

*来源:ACS Publications

*作者:香港城市大学的研究人员

*解读AI 加码,超光学进入狂飙时代(点击阅读原文)

*论文

https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012

Ithaca 协助金石学家进行文本修复、时间归因和地域归因的工作

Restoring and attributing ancient texts using deep neural networks

*来源:Nature

*作者:DeepMind 和威尼斯福斯卡里大学的研究人员

*解读:千年密码新解读,DeepMind 开发 Ithaca 破译希腊铭文(点击阅读原文)

*论文

https://www.nature.com/articles/s41586-022-04448-z

30 位学者合力发表 Nature 综述,10 年回顾解构 AI 如何重塑科研范式

来自斯坦福大学计算机科学与基因技术学院的博士后 Hanchen Wang,与佐治亚理工学院计算科学与工程专业的 Tianfan Fu,以及康奈尔大学计算机系的 Yuanqi Du 等 30 人,回顾了过去十年间,基础科研领域中的 AI 角色,并提出了仍然存在的挑战和不足。

*推荐阅读30 位学者合力发表 Nature 综述,10 年回顾解构 AI 如何重塑科研范式(点击阅读原文)

政策:科技部会同自然科学基金委启动「人工智能驱动的科学研究」( AI for Science ) 专项部署工作

3 月 27 日,据新华社报道,为贯彻落实国家《新一代人工智能发展规划》,科技部会同自然科学基金委近期启动「人工智能驱动的科学研究」( AI for Science ) 专项部署工作。

本次,我国布局 AI for Science 前沿科技研发体系,将紧密结合数学、物理、化学、天文等基础学科关键问题,围绕药物研发、基因研究、生物育种、新材料研发等重点领域科研需求展开。对此,中科院自动化研究所所长徐波解释说,新药创制、基因研究、生物育种、新材料研发等领域,是人工智能与科学研究结合需求迫切、进展突出、具有代表性的重要方向。

以上就是「HyperAI 超神经」在 2023 年为大家解读的前沿论文,关注微信公众号,并在后台回复「2023 ScienceAI」即可打包下载全部论文。

2024 年,我们将继续关注 AI for Science 的最新科研成果及相关应用,敬请期待~