KI für die Wissenschaft Erhalten Sie einen kleinen Vorgeschmack auf neue Erfolge, neue Entwicklungen und neue Perspektiven——

* DeepMinds neueste Forschung FunSearch in Nature veröffentlicht

* Google führt MedLM ein, ein Branchenmodell für das Gesundheitswesen

* Jingtai Technology sprintet zur Hongkonger Börse, KI + Roboter ermöglichen KI für die Wissenschaft

* GHDDI kooperiert mit dem Microsoft Research Center for Scientific Intelligence

* KI-Tools für seismologische Verarbeitung und Analyse Open Source

* Das erste unabhängig entwickelte Erdsystemmodell meines Landes wurde als Open Source angekündigt

* Das Baidu PaddlePaddle-Team entwickelt HelixDock, ein Modell zur Vorhersage der Docking-Konformation von Proteinen und kleinen Molekülen

* Inländisches Forschungsteam veröffentlicht Methode und System zur Vorhersage von Kohlenstoffemissionen basierend auf hybridem maschinellem Lernen

* Apple-Chip „exklusive angepasste Version“ Machine-Learning-Framework Open Source

Weitere Details unten ~

Unternehmens-News

DeepMind  Neueste Forschungsergebnisse von FunSearch in Nature veröffentlicht

Die neueste Forschung von Google DeepMind, FunSearch, ist eine Methode zur Suche nach neuen Lösungen in Mathematik und Informatik. FunSearch funktioniert durch die Kombination eines vortrainierten großen Modells (LLM) mit einem automatischen „Evaluator“, der für die Vermeidung von Halluzinationen und falschen Vorstellungen verantwortlich ist. Durch das Hin- und Her-Iterieren zwischen diesen beiden Komponenten „entwickelt“ sich die anfängliche Lösung zu neuem Wissen. FunSearch hat neue Lösungen für das Capped Set Problem entdeckt, ein seit langem ungelöstes Problem in der Mathematik, das die erste Entdeckung anspruchsvoller ungelöster Probleme in den Naturwissenschaften oder der Mathematik unter Verwendung großer Modelle darstellt.Papieradresse:nature.com/articles/s41586-023-06924-6

Google führt MedLM ein, ein Branchenmodell für das Gesundheitswesen

Google hat kürzlich die Einführung einer neuen Reihe gesundheitsspezifischer künstlicher Intelligenzmodelle namens MedLM angekündigt. Diese Modelle sollen Klinikern und Forschern dabei helfen, komplexe Forschungsarbeiten durchzuführen, Arzt-Patienten-Interaktionen zusammenzufassen usw. Dieser Schritt stellt Googles jüngsten Versuch dar, mit seinen KI-Tools im Gesundheitswesen Geld zu verdienen, und ist ein wichtiger Meilenstein bei der digitalen Transformation der Gesundheitsbranche. Erstens kann MedLM Klinikern und Forschern dabei helfen, komplexe Forschungsarbeiten und Datenanalysen durchzuführen, um die Genauigkeit und Effizienz medizinischer Diagnosen zu verbessern. Zweitens kann MedLM die Interaktionen zwischen Arzt und Patient zusammenfassen und den Ärzten ein besseres Patientenmanagement und Serviceerlebnis bieten. Darüber hinaus kann MedLM Gesundheitseinrichtungen auch bessere Datenverwaltungs- und Analysetools zur Verfügung stellen, um die Effizienz der Nutzung medizinischer Ressourcen zu verbessern.

Jingtai Technology sprintet in Richtung der Hongkonger Börse, KI+Roboter ermöglichen KI für die Wissenschaft

QuantumPharm Inc. (QuantumPharm) hat seinen Prospekt letzten Monat offiziell bei der Börse von Hongkong eingereicht und beabsichtigt, gemäß Regel 18C an der Hauptbörse notiert zu werden. Die 18C-Regeln richten sich hauptsächlich an spezielle Technologieunternehmen und stellen hohe Anforderungen an die technologischen Merkmale der Branche. Sie decken Branchen wie Informationstechnologie der neuen Generation, fortschrittliche Hard- und Software, fortschrittliche Materialien, neue Energie und Energieeinsparung sowie Umweltschutz, neue Lebensmittel- und Agrartechnologie usw. ab. Jingtai Technology ist eines der wenigen F&E-Unternehmen in den Bereichen Arzneimittel und Materialwissenschaften weltweit, das über First-Principles-Computing auf der Grundlage der Quantenphysik, fortschrittliche künstliche Intelligenztechnologie und automatisierte Nasslaborkapazitäten verfügt. Es handelt sich außerdem um eine der wenigen F&E-Plattformen für Arzneimittel- und Materialwissenschaften weltweit, die auf Quantenphysik, KI und Automatisierung basiert.

GHDDI und Microsoft Research Center for Scientific Intelligence arbeiten zusammen

Kürzlich gaben das Global Health Drug Discovery Institute (GHDDI) und Microsoft Research AI4Science eine Zusammenarbeit bekannt, um gemeinsam generative künstliche Intelligenz und grundlegende Modelltechnologien im großen Maßstab im Bereich der globalen Gesundheit bei Infektionskrankheiten zu entwickeln, wobei der Schwerpunkt auf der Transformation vor Ort und der Beschleunigung der Entwicklung innovativer Medikamente liegen soll. Zuvor hatten die beiden Parteien bereits erfolgreich eine Reihe kleiner Molekülinhibitoren mit neuen Strukturen für die Erforschung von Mycobacterium tuberculosis und wichtigen Zielproteinen des Coronavirus entwickelt.

BioGeometry und Zhipu AI entwickeln gemeinsam eine natürliche Sprache – eine LebensspracheMultimodales Großmodell

Beijing Biogeometry Biotechnology Co., Ltd. und Beijing Zhipu Huazhang Technology Co., Ltd. haben vor Kurzem eine strategische Partnerschaft bekannt gegeben und engagieren sich gemeinsam für den Aufbau eines großen multimodalen Modells der natürlichen Sprache und der Lebenssprache. Dieses Modell soll den Nutzen generativer KI-Plattformen in den Biowissenschaften und der medizinischen Forschung steigern.

Tools und Ressourcen

KI-Tool zur seismologischen Verarbeitung und Analyse ist Open Source

Open-Source-Tools für die seismologische Verarbeitung und Analyse, derzeit einschließlich: Phasenauswahl, Polarisation und Dispersionsextraktion. Das Tool hat das 100-Hz-Modell für China als Open Source bereitgestellt. Einige Modelle werden auf Grundlage des CSNCD-Datensatzes trainiert. Die Picking-Modelle der vier seismischen Phasen PgSgPnSn weisen die höchste Genauigkeit auf.ZugangAdresse:https://gitee.com/cangyeone/seismological-ai-tools

Das erste unabhängig entwickelte Erdsystemmodell meines Landes wird als Open Source angekündigt

Vor kurzem hat das Institut für Atmosphärenphysik der Chinesischen Akademie der Wissenschaften das erste „vollständige“ numerische Erdsystemmodell meines Landes mit unabhängigen geistigen Eigentumsrechten veröffentlicht und die Veröffentlichung seines Quellcodes angekündigt. Dieses Modell umfasst ein vollständiges Klimasystem und ökologisches Umweltsystem und integriert acht Subsystemmodelle wie die Luftzirkulation und die Ozeanzirkulation. Es handelt sich außerdem um eine wichtige nationale wissenschaftliche und technologische Infrastruktur.Einrichtung für numerische Simulation des Erdsystems„Die Kernsoftware des Programms, die insgesamt etwa 2,7 Millionen Zeilen Programmcode umfasst, heißt „Earth Laboratory“.

Das Baidu Propeller Team entwickelt HelixDock, ein Modell zur Vorhersage der Docking-Konformation von Proteinen und kleinen Molekülen  

Das Baidu PaddlePaddle-Team hat das Konformationsvorhersagemodell HelixDock für die Docking-Konformation von Proteinen und kleinen Molekülen erstellt, indem es einen groß angelegten Simulationsdatensatz erstellt und geometriebasierte neuronale Netzwerke aktualisiert hat, wodurch die Genauigkeit der Konformationsvorhersage erheblich verbessert wurde.Weitere Ergebnisse finden Sie im HelixDock-Artikel:https://arxiv.org/abs/2310.13913
Propeller-Zugangsadresse:https://paddlehelix.baidu.com/

Inländisches Forschungsteam veröffentlicht Methode und System zur Vorhersage von Kohlenstoffemissionen basierend auf hybridem maschinellem Lernen

Ein inländisches Forschungsteam hat eine Methode und ein System zur Vorhersage von Kohlendioxidemissionen vorgestellt, die auf hybridem maschinellem Lernen basieren. Die Methode verarbeitet den Datensatz durch ein Zielkombinationsmodell, um die Ergebnisse der Kohlenstoffemissionsvorhersage zu erhalten. Darunter realisiert das Zielkombinationsmodell die optimale gewichtete Kombination der univariaten Zeitreihenvorhersage und des multivariaten Antriebsfaktormodells durch Zielberechnungsgewichte, wobei die Vorteile jedes Modells berücksichtigt werden und die Genauigkeit der Kohlenstoffemissionsvorhersage verbessert wird.Besuchen Sie die URL:https://cprs.patentstar.com.cn/Search/Detail?ANE=9HFF9IBA9GDC5BCA8GBA9FHE9AHA8BCA9DFB9CFF9GFF7BDA

Apples maßgeschneidertes Framework für maschinelles Lernen ist jetzt Open Source

MLX ist ein Chip, der speziell für Apple entwickelt wurdeMachine Learning Framework (Klicken Sie hier für eine ausführliche Erklärung), zielt darauf ab, effizientes Training und Bereitstellen von Modellen auf Apple-Chips zu unterstützen und gleichzeitig Benutzerfreundlichkeit zu gewährleisten. Das Designkonzept ist einfach und bezieht sich auf Frameworks wie NumPy, PyTorch, Jax und ArrayFire, einschließlich Schlüsselfunktionen wie Lazy Computation und dynamischer Graphenkonstruktion.Besuchen Sie die URL:https://github.com/ml-explore/mlx/tree/main/examples

ForschungsergebnisseDANTE: Auf dem Weg zu optoelektronischer intelligenter Datenverarbeitung im großen Maßstab 

Training großer optoelektronischer neuronaler Netzwerke mit optisch-künstlichem Lernen mit zwei Neuronen

*  Quelle：Nature Communications

*  Feld：Neuronales Netzwerk, optoelektronische Intelligenz

*  Autor：Fang Lus Forschungsgruppe, Abteilung für Elektrotechnik, Tsinghua-Universität

Das Forschungsteam schlug eine optisch-künstliche Dual-Neuron-Lernarchitektur (DuAl-Neuron opTical-artificial lEarning, DANTE) für optoelektronisches intelligentes Computing im großen Maßstab vor. Optische Neuronen modellieren den Lichtfeldberechnungsprozess genau, künstliche Neuronen verwenden leichtgewichtige Mapping-Funktionen, um Sprungverbindungen herzustellen und so die Gradientenausbreitung zu erleichtern, und globale künstliche Neuronen und lokale optische Neuronen werden mithilfe eines alternierenden Lernmechanismus iterativ optimiert. Während die Effektivität des Lernens sichergestellt wird, wird die räumlich-zeitliche Komplexität des Trainings erheblich reduziert, wodurch das Training größerer und tieferer optoelektronischer neuronaler Netzwerke möglich wird.

Lesen Sie den Originalartikel:https://www.nature.com/articles/s41467-023-42984-y

Convolutional Neural Network Framework PtyNet: Synchrotronstrahlung – Massive Datenverarbeitung

Eine effiziente Ptychographie-Rekonstruktionsstrategie durch Feinabstimmung eines großen vortrainierten Deep-Learning-Modells

*  Quelle:iScience

*  Feld: Data Mining, Faltungsneuronale Netze

*  Autor：Team der Chinesischen Akademie der Wissenschaften

Das Forschungsteam entwickelte ein Convolutional-Neural-Network-Framework namens PtyNet, um die genaue Projektion von Objekten aus experimentellen Daten der Röntgen-Ptychographie wiederherzustellen. Mit der Unterstützung eines leistungsstarken Computerclusters kann PtyNet schnell Daten von Synchrotronstrahlungsquellen für das Training erfassen und Bilder der experimentellen Daten der Benutzer schnell rekonstruieren.

Lesen Sie den Originalartikel:https://doi.org/10.1016/j.isci.2023.108420

Vorhersage mehrerer Konformationen durch Sequenzclustering und AlphaFold2

Vorhersage mehrerer Konformationen durch Sequenzclustering und AlphaFold2

*  Quelle:Natur

*  Feld：Bioinformatik

*  Autor: Forschungsteam der Brandeis University und des Howard Hughes Medical Institute, der Harvard University und der Cambridge University

Das ForschungsteamSequenzähnlichkeitDurch die Clusterung multipler Sequenzalignments (MSAs) kann AF2 alternative Zustände bekannter metamorpher Proteine mit hoher Zuverlässigkeit untersuchen. Gleichzeitig untersuchten die Forscher mit der AF-Cluster-Methode die evolutionäre Verteilung der vorhergesagten Struktur des deformierten Proteins KaiB5 und stellten fest, dass die Vorhersagen beider Konformationen in den Clustern der KaiB-Familie verteilt waren.

Lesen Sie den Originalartikel:

https://www.nature.com/articles/s41586-023-06832-9

ProRefiner: ein Designmodell für die umgekehrte Proteinfaltung

ProRefiner: eine entropiebasierte Verfeinerungsstrategie für die inverse Proteinfaltung mit globaler Graphenaufmerksamkeit

*  Quelle：Nature Communications

*  Feld：Biologische Gene, Deep Learning

*  Autor：Forschungsteams der Chinesischen Universität Hongkong, des Zhijiang-Labors, des Huawei Noah's Ark-Labors und der Nanjing Medical University

Das Forschungsteam stellte ProRefiner vor, ein speichereffizientes globales Graph-Aufmerksamkeitsmodell, das den Rauschunterdrückungskontext voll ausnutzen kann, und demonstrierte die Anwendbarkeit von ProRefiner bei der Neugestaltung der Transposon-assoziierten Transposase B (TnpB), wobei 6 der 20 vorgeschlagenen Varianten eine verbesserte Genbearbeitungsaktivität zeigten.

Lesen Sie den Originalartikel:https://www.nature.com/articles/s41467-023-43166-6

KPGT: Ein Framework für selbstüberwachtes Lernen

Ein wissensbasiertes Vortrainingsframework zur Verbesserung des Lernens molekularer Repräsentationen

*  Quelle：Nature Communications

*  Feld: Biomoleküle, Arzneimittelforschung

*  Autor：Forschungsteam der Tsinghua-Universität, der Westlake-Universität und des Zhijiang-Labors

Das Forschungsteam schlug das wissensbasierte Vortraining des Graph Transformer (KPGT) vor, ein selbstüberwachtes Lernframework, das durch deutlich verbessertes Lernen molekularer Darstellungen verbesserte, verallgemeinerbare und robuste Vorhersagen molekularer Eigenschaften liefert. Das KPGT-Framework integriert einen für Molekülgraphen entwickelten Graph-Transformator und eine wissensbasierte Vortrainingsstrategie, um das strukturelle und semantische Wissen von Molekülen vollständig zu erfassen.Lesen Sie den Originalartikel:https://www.nature.com/articles/s41467-023-43214-1

Veranstaltungsrückblick

CoRL-Konferenz zu Ende, Bekanntgabe des besten Beitrags und des besten Systembeitrags

Die 2023 Conference on Robot Learning (CoRL) fand letzten Monat in Atlanta, USA, statt. Offiziellen Angaben zufolge wurden dieses Jahr 199 Beiträge aus 25 Ländern für CoRL ausgewählt, wobei beliebte Themen wie Manipulation, bestärkendes Lernen usw. zu den beliebtesten zählen.

Der Preis für das beste Paper ging an „Distilled Feature Fields Enable Few-Shot Language-Guided Manipulation“.

*  Autor：William Shen, Ge Yang, Alan Yu, Jensen Wong, Leslie Pack Kaelbling, Phillip Isola

* Mechanismus: MIT CSAIL, IAIFI

Lesen Sie den Originalartikel:https://openreview.net/forum?id=Rb0nGIt_kh5
Weitere Auszeichnungen finden Sie auf der offiziellen Website:https://www.corl2023.org/awards

Themen des NASSMA 2022 AI4Science-Workshops

Das Seminar wurde gemeinsam von NASSMA, der Mohammed VI Polytechnic University und Google Deepmind organisiert. Derzeit sind die PPT der Seminarpräsentation und die Wiederholung der Live-Übertragung online.

Dies sind alle Inhalte, die in dieser Ausgabe von „Science AI Weekly“ geteilt werden.

Wenn Sie über die neuesten Forschungsergebnisse, Informationen aus erster Hand über Unternehmen usw. zum Thema KI für die Wissenschaft verfügen, hinterlassen Sie bitte eine Nachricht, um die Informationen „offenzulegen“.