【ScienceAI Weekly】Der Neue KI-Chip Von IBM Verbessert Die Effizienz Um Das 25-fache; Die Tsinghua-Universität Veröffentlicht Ein KI-gestütztes Framework; Das Neue Tool Von DeepMind Sagt 2,2 Millionen Neue Kristalle Voraus
„ScienceAI Weekly“ ist eine neu erstellte zweimonatliche Kolumne von HyperAI. Es sammelt und präsentiert hauptsächlich die neuesten Entwicklungen im Bereich ScienceAI, die in naher Zukunft aus vier Dimensionen heraus Beachtung verdienen: wissenschaftliche Forschungsergebnisse, Unternehmensdynamik, Tool-Ressourcen und aktuelle Aktivitäten. Es hofft, Praktikern und Enthusiasten, die sich schon lange mit diesem Bereich beschäftigen, weitere wertvolle Insiderinformationen und Inspirationen aus der Branche zu bieten.
Werfen wir einen Blick auf die Fortschritte von ScienceAI, die in dieser Ausgabe erwähnenswert sind!
Forschungsergebnisse
GaUDI: ein gesteuertes Diffusionsmodell für inverses molekulares Design
* Titel:Geführte Diffusion für inverses Moleküldesign
* Quelle:Natur Computerwissenschaften
* Feld：Molekulardesign, Materialchemie
* Autor:Das Technion-Israel Institute of Technology und die Ca' Foscari Universität von Venedig
* Originaltext:
https://www.nature.com/articles/s43588-023-00532-0
Methodenbeschreibung:
GaUDI ist ein geführtes Diffusionsmodell für inverses Moleküldesign. Es kombiniert ein äquivariantes Graph-Neuralnetzwerk zur Eigenschaftsvorhersage mit einem generativen Diffusionsmodell. Durch die Verwendung der Einzelziel- und Mehrziel-Aufgabenerkennung auf einem Datensatz von 475.000 polyzyklischen aromatischen Systemen fanden Forscher heraus, dass GaUDI beim Moleküldesign für Anwendungen in der organischen Elektronik äußerst effektiv ist.
GaUDI verbessert das bedingte Design, um Moleküle mit optimalen Eigenschaften zu erzeugen, sogar über die ursprüngliche Verteilung hinaus, und kann Moleküle identifizieren, die denen im Datensatz überlegen sind. Zusätzlich zu punktweisen Zielen kann GaUDI auch für offene Ziele (wie Minimum oder Maximum) verwendet werden, und in allen Fällen haben die generierten Moleküle eine Gültigkeit nahe 100%.
SurfGen: Ein neues Modell für die computergestützte Arzneimittelforschung
* Titel:Lernen über topologische Oberflächen und geometrische Strukturen zur 3D-Molekülerzeugung
* Quelle:Natur Computerwissenschaften
* Feld:Molekulares Design, Arzneimittelforschung
* Autor:Zhejiang-Universität und Carbon Silicon Intelligence Research Team
* Originaltext:
https://www.nature.com/articles/s43588-023-00530-2
Methodenbeschreibung:
Das SurfGen-Modell entwirft Moleküle ähnlich dem „Schlüssel-Schloss“-Prinzip. Es enthält zwei äquivariante neuronale Netzwerke – Geodesic-GNN und Geoatom-GNN, die die topologischen Wechselwirkungen auf der Taschenoberfläche bzw. die räumlichen Wechselwirkungen zwischen Ligandenatomen und Oberflächenknoten erfassen.
SurfGen übertrifft andere Methoden bei vielen Benchmarks und weist eine hohe Empfindlichkeit gegenüber der Taschenstruktur auf, was generative modellbasierte Ansätze zur Lösung des heiklen Problems der durch Mutationen verursachten Arzneimittelresistenz ermöglicht.
Forschungsteam der Tsinghua-Universität veröffentlicht KI-gestütztes Framework – DeepSEED
* Titel:
Deep Flanking Sequence Engineering für effizientes Promotordesign mit DeepSEED
* Quelle:Naturkommunikation
* Feld:Synthetische Biologie
* Autor:Forschungsteam der Tsinghua-Universität
* Originaltext:
https://www.nature.com/articles/s41467-023-41899-y
Methodenbeschreibung:
DeepSEED besteht aus zwei Deep-Learning-Modulen: einem bedingten generativen kontradiktorischen Netzwerk (cGAN) zum Erfassen der Abhängigkeiten zwischen expliziten und impliziten Mustern und einem auf DenseNet-LSTM basierenden Vorhersagemodell zum Bewerten der Promotorleistung. Die beiden Modelle werden mithilfe eines genetischen Algorithmus gekoppelt, um durch Modelliteration das optimale Design funktionaler Promotoren zu erreichen.
FIREANN: Ein allgemeines maschinelles Lernmodell für die Reaktion atomarer Systeme auf externe Felder
* Titel:
Universelles maschinelles Lernen für die Reaktion atomarer Systeme auf externe Felder
* Quelle:Naturkommunikation
* Feld:Atomare Systeme, maschinelles Lernen
* Autor:Team der University of Science and Technology of China und der Anhui University of Science and Technology
* Originaltext:
https://www.nature.com/articles/s41467-023-42148-y
Methodenbeschreibung:
Das Forschungsteam schlug ein allgemeines feldinduziertes rekursives Einbettungsatom-Neuralnetzwerkmodell (FIREANN) vor, das pseudofeldvektorabhängige Merkmale in atomare Deskriptoren integrieren kann, um System-Feld-Interaktionen mit strikter Rotationsäquivarianz darzustellen.
Dieser „All-in-One“-Ansatz verknüpft verschiedene Reaktionseigenschaften wie Dipolmoment und Polarisierbarkeit mit dem feldabhängigen Potenzial in einem einzigen Modell und eignet sich gut für spektroskopische und dynamische Simulationen von Molekülen und periodischen Systemen in Gegenwart elektrischer Felder. Bei periodischen Systemen kann FIREANN das intrinsische mehrwertige Problem der Polarisation überwinden, indem nur atomare Kräfte trainiert werden.
Unternehmens-News
DeepMind veröffentlicht GNoME und nutzt Deep Learning, um 2,2 Millionen neue Kristalle vorherzusagen
GNoME-Prozessdiagramm
Google DeepMind Eine kürzlich in Nature veröffentlichte Abhandlung zeigt, dass Forscher mithilfe des Deep-Learning-Tools GNoME innerhalb kurzer Zeit 2,2 Millionen neue Kristalle entdeckt haben (das entspricht dem von Wissenschaftlern in fast 800 Jahren angesammelten Wissen). 380.000 dieser neuen Kristalle weisen eine stabile Struktur auf und sind daher die wahrscheinlichsten potenziellen neuen Materialien, die durch Experimente synthetisiert und eingesetzt werden können.
GNoME, dessen vollständiger Name „Graph Networks for Materials Exploration“ lautet, ist ein SOTA-GNN-Modell für die Forschung und Entwicklung neuer Materialien. Es nutzt Deep Learning, um die Stabilität neuer Materialien in sehr kurzer Zeit vorherzusagen, wodurch die Geschwindigkeit und Effizienz der Materialforschung und -entwicklung erheblich verbessert wird und das Potenzial der Verwendung von KI zur Entwicklung neuer Materialien im großen Maßstab demonstriert wird.
DeepMind veröffentlicht GraphCast, ein KI-Modell zur Wettervorhersage
GraphCast kann das Wetter für die nächsten 6 Stunden basierend auf den aktuellen und vorherigen Wetterbedingungen vorhersagen.
Kürzlich kündigte Google DeepMind in seinem offiziellen Blog die Einführung eines auf maschinellem Lernen basierenden Wettervorhersagemodells namens GraphCast an, das innerhalb einer Minute Hunderte von Wettervariablen für die nächsten 10 Tage mit einer globalen Auflösung von 0,25° vorhersagen kann und damit herkömmliche Wettervorhersagemethoden deutlich übertrifft.
Darüber hinaus ist das Modell auch bei der Vorhersage extremer Ereignisse gut geeignet. Im Vergleich zum Wettersimulationssystem High Resolution Forecasting (HRES), dem Goldstandard der Branche, hat GraphCast mehr als 901 TP3T von 1.380 getesteten Variablen genau vorhergesagt.
Biopharma und Sanofi vereinbaren umfassende strategische Kooperation
BioMap gab eine strategische Partnerschaft mit Sanofi bekannt, einem der zehn größten multinationalen Pharmaunternehmen der Welt. Gemäß der Vereinbarung werden die beiden Parteien gemeinsam hochmoderne Modelle für die Entdeckung biotherapeutischer Arzneimittel entwickeln, die auf dem Life Science AI Foundation Model von Baidu Bio basieren. Bei dieser Kooperation handelt es sich um die erste kommerzielle Kooperation nach großen Vorbildern im Bereich der Biowissenschaften. Darüber hinaus wird die parallele Entwicklung der beiden Geschäftsmodelle „Modellentwicklung“ und „Entwicklung einer KI-Medikamentenpipeline“ weiter vorangetrieben.
IBM bringt den neuen KI-Chip NorthPole auf den Markt, der 25-mal energieeffizienter ist
Vor einiger Zeit brachte IBM in den USA mit NorthPole einen gehirnähnlichen KI-Chip auf den Markt, der die Energie-, Raum- und Zeiteffizienz erheblich verbessern kann. Das entsprechende Paper wurde im internationalen Top-Journal Nature veröffentlicht. Es wird berichtet, dass NorthPole auf der Grundlage der 12-nm-Knotenverarbeitungstechnologie gebaut wird. Nimmt man das ResNet-50-Modell als Maßstab, ist die Effizienz von NorthPole deutlich höher als die der üblichen 12-nm-GPU und 14-nm-CPU und seine Energieeffizienz ist um das 25-fache verbessert.
Papieradresse:
https://www.nature.com/articles/d41586-023-03267-0
Xuanyan Biotech schließt Angel-Finanzierungsrunde in zweistelliger Millionenhöhe ab
Shanghai Xuanyan Biotechnology Co., Ltd. gab zuvor den Abschluss einer Angel-Finanzierungsrunde in Höhe von mehreren zehn Millionen Yuan bekannt, die ausschließlich von der Hainan Qianganghui Investment Partnership geleitet wurde. Die gesammelten Mittel werden für die präklinische Forschung zu INTX-001, einem weltweit neuen Antikörpermedikament gegen Krebs, für die Entwicklung nachgelagerter IVD-Pipelines und für die KI-basierte Vorhersage von IVD-Produkten und Software im Zusammenhang mit dem Fortschreiten schwerer Krankheiten (Früherkennung, Metastasierung usw.) verwendet.
Tools und Ressourcen
KIoder Wissenschaft Das Hauptteam des neuen Open-Source-Projekts Polymathic AI wird enthüllt
Das Ziel des Polymathic AI-Programms besteht darin, die Entwicklung vielseitiger grundlegender Modelle zu beschleunigen, die auf numerische Datensätze und wissenschaftliche Aufgaben des maschinellen Lernens zugeschnitten sind.
Zu diesem Zweck hat Polymathic AI ein Team aus reinen Forschern im Bereich des maschinellen Lernens und Fachwissenschaftlern zusammengestellt. Diese werden von einer wissenschaftlichen Beratergruppe aus weltweit führenden Experten geleitet, die vom Turing-Award-Gewinner und Meta-Chefwissenschaftler Yann LeCun beraten und von einer Reihe akademischer Schwergewichte unterstützt werden, darunter Miles Cranmer, Assistenzprofessor für KI+Astronomie/Physik an der Universität Cambridge. Ziel ist es, sich auf die Entwicklung grundlegender Modelle für wissenschaftliche Daten zu konzentrieren und fachübergreifende gemeinsame Konzepte zu verwenden, um industrielle Herausforderungen im Bereich KI für die Wissenschaft zu lösen.
Adresse der Open Source-Projekte:
https://github.com/PolymathicAI/
Alibaba Damo Academy veröffentlicht großes KI-Modell zur Fernerkundung
Vor nicht allzu langer Zeit veröffentlichte die Alibaba Damo Academy das branchenweit erste KI-Großmodell für Fernerkundung (AIE-SEG), mit dem erstmals eine Vereinheitlichung der Bildsegmentierungsaufgaben im Bereich der Fernerkundung erreicht wurde. Es ermöglicht die schnelle Extraktion von „Nullproben aller Art“, identifiziert nahezu 100 Typen von Fernerkundungs-Landobjektklassifizierungen wie Ackerland, Wasser und Gebäude und passt die Erkennungsergebnisse automatisch basierend auf dem interaktiven Feedback des Benutzers an, wodurch die Analyseeffizienz von Fernerkundungsanwendungen wie Katastrophenvorbeugung und -kontrolle, Verwaltung natürlicher Ressourcen und Schätzung der landwirtschaftlichen Produktion erheblich verbessert wird.
Das Modell wurde auf der Geowissenschafts-Cloud-Plattform AI Earth verfügbar gemacht. In einigen speziellen Szenarien kann die Genauigkeit der Instanzextraktion im Vergleich zu herkömmlichen Fernerkundungsmodellen um 25% und die Genauigkeit der Änderungserkennung um 30% verbessert werden.
Modelladresse:
https://engine-aiearth.aliyun.com/#/app/aie-seg
Shanghai AI Lab öffnet Quelle des ersten realen 3D-NeRF-Modells auf Stadtebene
Derzeit hat das Shanghai AI Laboratory das weltweit erste reale 3D-Großmodell „Shusheng·Skyline“ (LandMark) auf Stadtebene mit NeRF offiziell als Open Source freigegeben, das den Einsatz in verschiedenen Anwendungsszenarien unterstützt und eine kostenlose kommerzielle Nutzung ermöglicht. Dies ist auch das erste Mal, dass das Shanghai AI Laboratory den Kernalgorithmus des mehrzweigigen GridNeRF-Modells und die entsprechende Trainingsstrategie öffentlich veröffentlicht hat.
Scholar · Offizielle Sky-Website:
https://landmark.intern-ai.org.cn
Open-Source-Adresse:
https://github.com/InternLandMark/LandMark
Papieradresse:
https://city-super.github.io/gridnerf
Das AI Research Institute veröffentlicht Uni3D, ein universelles 3D-Vision-Modell mit einer Milliarde Parametern
Vor Kurzem veröffentlichte die Academy of Artificial Intelligence das Open-Source-Universalmodell Uni3D mit einer Milliarde Parametern für 3D-Vision. Es hat bei Klassifizierungsaufgaben, die für die Messung allgemeiner Sehfähigkeiten entscheidend sind, sowie bei Zero-Sample-Erkennungs-, Verständnis- und Segmentierungsaufgaben alle Erwartungen übertroffen. Es wird berichtet, dass das Zhiyuan Vision-Team, das Uni3D produziert hat, zuvor das 1-Milliarden-Universal-Visual-Model EVA veröffentlicht hatte. Der Schlüssel zu diesem Durchbruch im 3D-Vision-Modell ist die Verwendung der ViT-Technologie, um die grundlegende 2D-Erfahrung vor dem Training auf 3D zu erweitern.
Link zum Artikel:
https://arxiv.org/abs/2310.06773
Code-/Modell-Links:
https://github.com/baaivision/Uni3D
https://huggingface.co/BAAI/Uni3D/tree/main/modelzoo
Jüngste Ereignisse
Konferenz der China Pharmaceutical University zur biomedizinischen Datenwissenschaftsbranche und beruflichen Weiterentwicklung
Vom 8. bis 9. Dezember 2023 findet in Nanjing die Konferenz BDSC (The Biomedical Data Science Convention For Industry & Discipline Development) der China Pharmaceutical University statt.
Unter dem Motto „Mit Daten und intelligenter Medizin der Wahrheit auf der Spur“ konzentrierte sich die Konferenz auf die interdisziplinäre, übergreifende Entwicklung von Biomedizin und Datenwissenschaft, analysierte eingehend Branchenentwicklungstrends und erkundete die neuesten Dynamiken, wissenschaftlichen Errungenschaften und Anwendungspraktiken der durch künstliche Intelligenz repräsentierten Datenwissenschaft in vielen für die Branche wichtigen Bereichen, wie etwa Arzneimittelforschung, Arzneimittelproduktion, Qualität und Sicherheit, politische Überwachung sowie digitale Transformation und Modernisierung von Biomedizinunternehmen.
Meldeadresse:
https://www.huodongxing.com/event/2729440479800
„Nach der Zukunft“ – Zweites internationales AI4S-Gipfelforum
Am 14. Dezember 2023 wird das von der Peking University Shenzhen Graduate School initiierte zweite internationale AI4S-Gipfelforum „After the Future“ offiziell im Konferenzzentrum der Peking University Shenzhen Graduate School eröffnet.
Zu der Veranstaltung waren Professor David Baker, Mitglied der National Academy of Sciences der USA, Dr. Liu Tieyan, angesehener Chefwissenschaftler von Microsoft, Luo Yi, angesehener Lehrstuhlprofessor der University of Science and Technology of China, You Fengqi, ordentlicher Lehrstuhlprofessor der Abteilung für Chemieingenieurwesen und Biomolekulartechnik der Cornell University, und Cheng Jun, Professor der Fakultät für Chemieingenieurwesen und Chemieingenieurwesen der Universität Xiamen, eingeladen, ausführliche Reden über die Entwicklung von KI für die Wissenschaft zu halten.
Meldeadresse: