Zusammenfassung Nützlicher Informationen! Eine Zusammenfassung Der Bemerkenswertesten Wissenschaftlichen Forschungsleistungen Von AI for Science Im Jahr 2023
Im Laufe der Zeit wird der Ruhm der Zeit erneuert. Im vergangenen Jahr 2023KI für die Wissenschaft Es brachte zu viele Überraschungen mit sich und legte auch den Grundstein für mehr Fantasie.
Ab 2020 AlphaFold Die von vertretenen wissenschaftlichen Forschungsprojekte haben AI for Science in die Hauptphase der KI-Anwendungen gebracht. In den letzten zwei Jahren sind grundlegende Disziplinen von der Biomedizin über die Astronomie und Meteorologie bis hin zur Materialchemie zu neuen Schlachtfeldern der KI geworden. In diesem Prozess wurden die Fähigkeiten der KI auch in Form einer scharfen Klinge materialisiert, die sogar die Fesseln sprengen kann, die die Menschen seit einem halben Jahrhundert plagen, und so den Fortschritt der wissenschaftlichen Forschung erheblich beschleunigen kann.
Dank solcher Erfolgsbeispiele wird die Entwicklung der KI im Bereich der wissenschaftlichen Forschung ab dem Jahr 2023 reibungsloser verlaufen. Immer mehr Forschungsteams greifen auf die Hilfe von KI zurück und erzielen dadurch immer hochwertigere Ergebnisse.
Als eine der ersten Gemeinschaften, die sich mit KI für die Wissenschaft beschäftigte,„HyperAI Super Neural“ zeichnet weiterhin seine neuesten Fortschritte auf, indem es hochmoderne Papiere interpretiertEinerseits zielt es darauf ab, die neuesten Errungenschaften und Forschungsmethoden weltweit zu teilen, und andererseits hofft es, mehr Teams die Möglichkeit zu geben, die Hilfe von KI in der wissenschaftlichen Forschung zu erkennen und zur Entwicklung von KI für die Wissenschaft in China beizutragen.
Das Jahresende und der Beginn des nächsten Jahres sind ein guter Zeitpunkt, um über die Vergangenheit nachzudenken und etwas über die Zukunft zu erfahren.Wir haben die von „HyperAI Super Neural“ im Jahr 2023 interpretierten Spitzenpapiere klassifiziert und zusammengefasst, um Lesern in verschiedenen wissenschaftlichen Forschungsbereichen die Suche zu erleichtern.
Folgen Sie dem öffentlichen WeChat-Konto und antworten Sie im Hintergrund „2023 ScienceAI“Sie können alle Dokumente in einem Paket herunterladen. Darüber hinaus können die in einigen Dokumenten verwendeten Datensätze von der offiziellen Website von „HyperAI Super Neural“ heruntergeladen werden.
Downloadadresse:
KI+ Biomedizin
Ein Modell für maschinelles Lernen sagt die Wirkstofffreisetzungsrate von Injektionen mit Langzeitwirkung präzise voraus und beschleunigt so die Entwicklung von Injektionen mit Langzeitwirkung
Maschinelle Lernmodelle zur Beschleunigung der Entwicklung polymerer Injektionspräparate mit Langzeitwirkung
*Quelle：Nature Communications
*Autor: Forscher der Universität Toronto
*Papier:
https://www.nature.com/articles/s41467-022-35343-w
Ein Algorithmus für maschinelles Lernen sagt die Resistenz von Pflanzen gegen Malaria mit einer Genauigkeit von 0,67 voraus
Maschinelles Lernen verbessert die Vorhersage von Pflanzen als potenzielle Quellen für Malariamittel
*Quelle：Grenzen der Pflanzenwissenschaft
*Autor: Forscher aus Kew Gardens, Kew und der University of St Andrews
*Papier:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10248027
Ein Differenzierungssystem basierend auf dynamischer Hellfeldbildgebung lebender Zellen und maschinellem Lernen zur Regulierung und Optimierung des Differenzierungsprozesses pluripotenter Stammzellen in Echtzeit
Eine auf Live-Cell-Bildern basierende maschinelle Lernstrategie zur Reduzierung der Variabilität in PSC-Differenzierungssystemen
*Quelle：Zellentdeckung
*Autor: Zhao Yangs Gruppe und Zhang Yus Gruppe von der Peking-Universität und Liu Yiyans Gruppe von der Pekinger Jiaotong-Universität
*Papier:
https://www.nature.com/articles/s41421-023-00543-1
Anwendung von Modellen des maschinellen Lernens zur Vorhersage der Druckbarkeit von Biotinte und zur Verbesserung der Vorhersageraten
Vorhersage der Ergebnisse pharmazeutischer Tintenstrahldrucke mithilfe von maschinellem Lernen
*Quelle：International Journal of Pharmaceutics: X
*Autor: Forscher der Universität Santiago de Compostela und des University College London
*Papier:
https://www.sciencedirect.com/science/article/pii/S2590156723000257
Mithilfe von Deep Learning wurde beim Screening von rund 7.500 Molekülen ein neues Antibiotikum identifiziert, das Acinetobacter baumannii hemmt.
Deep Learning-gestützte Entdeckung eines Antibiotikums gegen Acinetobacter baumannii
*Quelle：Natur Chemische Biologie
*Autor：Forscher der McMaster University und des MIT
*Papier:
https://www.nature.com/articles/s41589-023-01349-8#access-options
Mithilfe von maschinellem Lernen haben wir drei Senolytikaund validierte seine Anti-Aging-Wirkung in menschlichen Zelllinien
Entdeckung von Senolytica mittels maschinellem Lernen
*Quelle：Nature Communications
*Autor: Dr. James L. Kirkland, Mayo Clinic, et al.
*Papier:
https://www.nature.com/articles/s41467-023-39120-1
Quantifizierung der Menge und des Ortes der Dopaminfreisetzung mittels maschinellem Lernen
Identifizierung neuronaler Signaturen der Dopaminsignalisierung mit maschinellem Lernen
*Quelle：ACS Chemische Neurowissenschaften
*Autor：Forschungsteam der University of California, Berkeley
*Papier:
https://pubs.acs.org/doi/full/10.1021/acschemneuro.3c00001
Mithilfe von Graph-Neural-Netzwerken wurden sichere und wirksame Anti-Aging-Inhaltsstoffe aus Hunderttausenden von Verbindungen herausgesucht.
Entdeckung niedermolekularer Senolytika mit tiefen neuronalen Netzwerken
*Quelle: Natürliche Alterung
*Autor: Forscher am MIT
*Papier:
https://www.nature.com/articles/s43587-023-00415-z
DeepMind Entwicklung von AlphaMissense mithilfe unüberwachten Lernens zur Vorhersage von 71 Millionen Genmutationen
Präzise proteomweite Vorhersage von Missense-Varianteneffekten mit AlphaMissense
*Quelle:Wissenschaft
*Autor: DeepMind
*Papier:
https://www.science.org/doi/10.1126/science.adg7492
Basierend auf dem Transformer-Regressionsnetzwerk, kombiniert mit CGMD, wurden die Selbstassemblierungseigenschaften von zig Milliarden Peptiden vorhergesagt
Deep Learning ermöglicht die Entdeckung selbstassemblierender Peptide mit über 10 Billionen Sequenzen
*Quelle：Fortgeschrittene Wissenschaft
*Autor: Li Wenbins Forschungsgruppe an der West Lake University
*Papier:
https://onlinelibrary.wiley.com/doi/full/10.1002/advs.202301544
Macformer wurde auf Basis von Transformer entwickelt und das azyklische Medikament Fitratinib wurde erfolgreich makrozyklisiert, was eine neue Methode für die Arzneimittelentwicklung ermöglichte.
Makrozyklisierung linearer Moleküle durch Deep Learning zur Erleichterung der Entdeckung makrozyklischer Arzneimittelkandidaten
*Quelle：Naturkommunikation
*Autor：Li Honglins Forschungsgruppe an der East China University of Science and Technology
*Papier:
https://www.nature.com/articles/s41467-023-40219-8
Entwicklung einer KI zur Geruchsanalyse auf Basis eines Graph Neural Network (GNN)
Eine zentrale Geruchskarte vereint verschiedene Aufgaben der Geruchswahrnehmung
*Quelle:Wissenschaft
*Autor：Osmo, ein Zweig von Google Research
*Papier:
https://www.science.org/doi/full/10.1126/science.ade4401
Entwickeln Sie Algorithmen für die GPCRs-G-Proteinselektivität und untersuchen Sie die strukturellen Grundlagen der Selektivität
Regeln und Mechanismen der G-Protein-Kopplungsselektivität von GPCRs
*Quelle：Zellenberichte
*Autor: Forscher der University of Florida
*Papier:
https://doi.org/10.1016/j.celrep.2023.113173
Mit dem schnellen automatischen Scan-Kit FAST kann KI die Scanposition automatisch identifizieren und Probeninformationen effizient und genau erfassen.
Demonstration eines KI-gesteuerten Workflows für autonome hochauflösende Rastermikroskopie
*Quelle：Nature Communications
*Autor：Forscher vom Argonne National Laboratory
*Papier:
https://www.nature.com/articles/s41467-023-40339-1
KI+ Gesundheitswesen
Gradient-Boosting-Machine-Modell sagt BPSD-Subsyndrome präzise voraus
Maschinell lernende Vorhersagemodelle für das Auftreten von Verhaltens- und psychischen Symptomen bei Demenz: Modellentwicklung und -validierung
*Quelle：Wissenschaftliche Berichte
*Autor：Forschungsteam der Yonsei-Universität, Südkorea
*Papier:
https://www.nature.com/articles/s41598-023-35194-5
Basierend auf maschinellem Lernen wurde mithilfe von Merkmalsauswahlstrategien eine Reihe spezifischer diagnostischer Biomarker für Brustkrebs ermittelt
Eine robuste Feature-Selection-Strategie erkennt eine Reihe von microRNAs als mutmaßliche diagnostische Biomarker bei Brustkrebs
*Quelle:CIBB 2023
*Autor: Forscher an der Universität Neapel Federico II, Italien
*Papier:
https://www.researchgate.net/publication/372083934
Vergleich eines logistischen Regressionsmodells und dreier Modelle des maschinellen Lernens zur erfolgreichen Vorhersage der einjährigen Sterblichkeitsrate älterer chinesischer Patienten mit koronarer Herzkrankheit und Diabetes oder gestörter Glukosetoleranz
Auf maschinellem Lernen basierende Modelle zur Vorhersage der Einjahressterblichkeit bei älteren chinesischen Patienten mit koronarer Herzkrankheit in Kombination mit gestörter Glukosetoleranz oder Diabetes mellitus
*Quelle：Kardiovaskuläre Diabetologie
*Autor: Forscher vom Macheng People's Hospital, Provinz Hubei, China
*Papier:
https://cardiab.biomedcentral.com/articles/10.1186/s12933-023-01854-z
Eine neue, mithilfe künstlicher Intelligenz entwickelte Gehirn-Computer-Technologie ermöglicht einem Schlaganfallpatienten, der 18 Jahre lang an Aphasie litt, wieder zu sprechen
Eine leistungsstarke Neuroprothese zur Sprachdekodierung und Avatar-Steuerung
*Quelle:Natur
*Autor：UC-Team
*Papier:
https://www.nature.com/articles/s41586-023-06443-4
Kommerzielle KI Lunit liest Mammogramme so genau wie Ärzte
Leistung eines KI-Algorithmus zur Brustkrebserkennung unter Verwendung der persönlichen Leistung im Mammographie-Screening-Schema
*Quelle:Radiologie
*Autor：Forschungsteam der Universität Nottingham, Großbritannien
*Papier:
https://pubs.rsna.org/doi/10.1148/radiol.223299
Institut für Genomik der Chinesischen Akademie der Wissenschaften richtet offenes Archiv für biomedizinische Bildgebung ein
Selbstüberwachtes Lernen der Hologrammrekonstruktion unter Verwendung physikalischer Konsistenz
*Quelle:bioRxiv
*Autor：Institut für Genomik, Chinesische Akademie der Wissenschaften
*Papier:
https://www.nature.com/articles/s42256-023-00704-7
Das auf Netzhautbildern basierende Modell RETFound sagt mehrere systemische Erkrankungen voraus
Ein grundlegendes Modell zur generalisierbaren Krankheitserkennung anhand von Netzhautbildern
*Quelle:Natur
*Autor: Yukun Zhou, Doktorand am University College London und Moorfields Eye Hospital, et al.
*Papier:
https://www.nature.com/articles/s41586-023-06555-x
Künstliche Intelligenz zur Erkennung von Bauchspeicheldrüsenkrebs basierend auf Deep Learning
Großflächige Erkennung von Bauchspeicheldrüsenkrebs mittels CT ohne Kontrastmittel und Deep Learning
*Quelle：Naturmedizin
*Autor: Die Alibaba Damo Academy kooperiert mit vielen in- und ausländischen medizinischen Einrichtungen
*Papier:
https://www.nature.com/articles/s41591-023-02640-w
Optimierung des Designs triboelektrischer Nanogenerator-Tastsensoren für die Texterkennung und Braille-Erkennung
Maschinell lernendes taktiles Sensordesign für dynamische Touch-Dekodierung
*Quelle：Fortgeschrittene Wissenschaft
*Autor: Die Forschungsgruppe von Yang Geng und Xu Kaichen an der Zhejiang-Universität
*Papier:
https://onlinelibrary.wiley.com/doi/10.1002/advs.202303949
KI+ Materialchemie
Kombination mehrerer Deep-Learning-Architekturen zur Bestimmung der inneren Struktur von Materialien anhand von Oberflächenbeobachtungen
Lückentext: Übertragbare Deep-Learning-Ansätze zur Wiederherstellung fehlender physikalischer Feldinformationen
*Quelle：Fortschrittliche Materialien
*Autor: Forscher am MIT
*Papier:
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202301449
Kombination tiefer neuronaler Netzwerke und natürlicher Sprachverarbeitung zur Entwicklung korrosionsbeständiger Legierungen
Verbesserung des Designs korrosionsbeständiger Legierungen durch natürliche Sprachverarbeitung und Deep Learning
*Quelle：Wissenschaftliche Fortschritte
*Autor: Forscher am Max-Planck-Institut für Eisenforschung in Deutschland
*Papier:
https://www.science.org/doi/10.1126/sciadv.adg7992
Basierend auf Modellen des maschinellen Lernens wird KI trainiert, um Strukturparameter poröser Materialien zu extrahieren und so Wasseradsorptionsisothermen vorherzusagen.
Maschinelles Lernen unterstützte Vorhersage von Wasseradsorptionsisothermen und Kühlleistung
*Quelle：Journal of Materials Chemistry A
*Autor：Li Songs Forschungsgruppe an der Huazhong University of Science and Technology
*Papier:
https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA03586G
Das feldinduzierte rekursive Einbettungsatom-Neuronale Netzwerk FIREANN beschreibt präzise die Änderungen der externen Feldstärke und -richtung
Universelles maschinelles Lernen für die Reaktion atomarer Systeme auf externe Felder
*Quelle：Naturkommunikation
*Autor：Jiang Bins Forschungsgruppe an der University of Science and Technology of China
*Papier:
https://www.nature.com/articles/s41467-023-42148-y
DeepMind veröffentlicht Deep-Learning-Tool GNoME und entdeckt 2,2 Millionen neue Kristalle
Skalierung von Deep Learning für die Materialforschung
*Quelle: DeepMind
*Autor:Natur
*Papier:
https://www.nature.com/articles/s41586-023-06735-9
SEN-Maschinelles Lernmodell zur hochpräzisen Vorhersage von Materialeigenschaften
Erkennung der Materialsymmetrie und Vorhersage von Eigenschaften durch Kristallkapseldarstellung
*Quelle：Nature Communications
*Autor:Li Huashans und Wang Biaos Forschungsgruppe an der Sun Yat-sen-Universität
*Papier:
https://www.nature.com/articles/s41467-023-40756-2
RetroExplainer-Algorithmus für retrosynthetische Vorhersage basierend auf Deep Learning
Retrosynthesevorhersage mit einem interpretierbaren Deep-Learning-Framework basierend auf molekularen Assemblierungsaufgaben
*Quelle：Nature Communications
*Autor：Shandong-Universität, Forschungsgruppe der Universität für elektronische Wissenschaft und Technologie Chinas
*Papier:
https://www.nature.com/articles/s41467-023-41698-5
Optimierung von Cokatalysatoren für BiVO(4)-Photoanoden mittels maschinellem Lernen
Eine umfassende Strategie des maschinellen Lernens für die Entwicklung leistungsstarker Photoanodenkatalysatoren
*Quelle：Journal of Materials Chemistry A
*Autor：Zhu Hongwei Forschungsgruppe, Tsinghua-Universität
*Papier:
https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA04148D
KI+ Pflanzen- und Tierwissenschaften
Populationsgenetik auf Basis maschinellen Lernens enthüllt den Entstehungsmechanismus des Traubenaromas
Adaptive und maladaptive Introgression bei der Domestizierung von Weinreben
*Quelle:Proceedings der National Academy of Sciences
*Autor：Forscher des Shenzhen Agricultural Genomics Center der Chinesischen Akademie der Agrarwissenschaften
*Papier:
https://www.pnas.org/doi/abs/10.1073/pnas.2222041120
Verwenden der Python-API und der Computer Vision-API zur Überwachung der Kirschblüte in Japan
Die räumlich-zeitliche Signatur der Kirschblüte in ganz Japan wurde durch die Analyse von Bildern sozialer Netzwerke enthüllt
*Quelle:Flora
*Autor：Forschungsteam der Monash University, Australien
*Papier:
https://www.sciencedirect.com/science/article/abs/pii/S0367253023001019
Review: Mit KI effizienter in die Bioinformatik-Forschung starten
Zusätzlich zu bekannten Fortschritten in der Bioinformatik wie AlphaFold gibt es für KI zahlreiche Anwendungsfälle in biologischen Bereichen wie Homologiesuche, multiple Ausrichtung und Phylogenesekonstruktion, Genomsequenzanalyse und Genentdeckung. Wenn Sie als Bioforscher in der Lage sind, Werkzeuge des maschinellen Lernens geschickt in die Datenanalyse zu integrieren, werden Sie wissenschaftliche Entdeckungen mit Sicherheit beschleunigen und die Effizienz der wissenschaftlichen Forschung verbessern.
*Empfohlene Lektüre:Bioinformatik | Effizientere Recherche mit KI (klicken Sie hier, um den Originalartikel zu lesen)
Eine Deep-Learning-Methode basierend auf einem Zwillingsnetzwerk erfasst automatisch den embryonalen Entwicklungsprozess
Aufdeckung von Entwicklungszeit und -tempo mithilfe von Deep Learning
*Quelle：Naturmethoden
*Autor: Systembiologe Patrick Müller und Forscher der Universität Konstanz
*Papier:
https://www.nature.com/articles/s41592-023-02083-8
Mit mehr als 50.000 Fotos haben wir ArcFace trainiert, einen Gesichtserkennungsalgorithmus Klassifizierungskopf-Multispezies-Bilderkennungsmodell
Ein Deep-Learning-Ansatz zur Fotoidentifizierung zeigt hohe Leistung bei zwei Dutzend Walarten
*Quelle：Methoden in Ökologie und Evolution
*Autor: Forscher der Universität von Hawaii
*Papier:
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14167
Anhand der Daten von 628 Labrador Retrievern wurden drei Modelle verglichen, um Verhaltensmerkmale zu identifizieren, die die Leistung von Spürhunden beeinflussen.
Maschinelles Lernen zur Vorhersage und Klassifizierung der Verhaltensauswahl in einem Hunde-Geruchserkennungsprogramm
*Quelle：Wissenschaftliche Berichte
*Autor: Forscher vom Abigail Wexner Research Institute am Nationwide Children's Hospital und der Rocky Vista University
*Papier:
https://www.nature.com/articles/s41598-023-39112-7
KI-Kamera-Warnsystem unterscheidet Tiger präzise von anderen Arten
Präzise proteomweite Vorhersage von Missense-Varianteneffekten mit AlphaMissense
*Quelle：Biowissenschaften
*Autor: Forscher der Clemson University
*Papier:
https://www.science.org/doi/10.1126/science.adg7492
BirdFlow nutzt Computermodelle und eBird-Datensätze, um die Flugrouten von Zugvögeln genau vorherzusagen
BirdFlow: Saisonale Vogelbewegungen anhand von eBird-Daten ermitteln
*Quelle：Methoden in Ökologie und Evolution
*Autor: Forscher der University of Massachusetts und der Cornell University
*Papier:
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14052
KI+ Land-, Forst- und Tierwirtschaft
Entwicklung eines Lahmheitserkennungssystems für Milchkühe mit einer Genauigkeit von 94%-100% mithilfe von Computer Vision und Deep Learning
Deep-Learning-Pose-Schätzung zur Erkennung von Lahmheit bei mehreren Rindern
*Quelle:Natur
*Autor: Forscher der Newcastle University und Fera Scientific Ltd
*Papier:
https://www.nature.com/articles/s41598-023-31297-1
Drohnen- und KI-Bildanalyse zur Erkennung von Waldschädlingen
Test der Früherkennung von Nestern des Kiefernprozessionsspinners Thaumetopoea pityocampa mittels UAV-basierter Methoden
*Quelle: NeoBiota
*Autor：Forschungsteam der Universität Lissabon
*Interpretation:Drohnen- und KI-Bildanalyse: Universität Lissabon erkennt effizient Waldschädlinge (klicken Sie hier, um den Originalartikel zu lesen)
*Papier:
https://neobiota.pensoft.net/article/95692/
Durch die Kombination von Laborbeobachtungen mit maschinellem Lernen zeigen sie, dass sich Ultraschallwellen, die von Tomaten- und Tabakpflanzen unter Stress ausgesendet werden, in der Luft ausbreiten können.
Geräusche von Pflanzen unter Stress werden durch die Luft übertragen und sind informativ
*Quelle:Zelle
*Autor：Forscher der Universität Tel Aviv, Israel
*Papier:
https://doi.org/10.1016/j.cell.2023.03.009
Mithilfe des YOLOv5-Algorithmus wurde ein Modell zur Überwachung der Haltung von Sauen und der Ferkelgeburt entwickelt
Frühwarnung und Überwachung der Sauenabferkelung für Embedded-Board-Implementierungen
*Quelle:Sensoren
*Autor：Forschungsteam der Nanjing Agricultural University
*Interpretation:Sauen wissen, wann sie gebären müssen. Dieses Mal verwendet NNU NVIDIAs Edge-KI Jetson (klicken Sie hier, um den Originalartikel zu lesen).
*Papier:
https://www.mdpi.com/1424-8220/23/2/727
Mit Convolutional Neural Networks Reiserträge schnell und präzise berechnen
Deep Learning ermöglicht sofortige und vielseitige Schätzung des Reisertrags anhand bodengestützter RGB-Bilder
*Quelle：Pflanzenphänomik
*Autor：Forscher der Universität Kyoto
*Papier:
https://spj.science.org/doi/10.34133/plantphenomics.0073
Ein systematischer Prozess zur Erfassung phänotypischer Pflanzendaten mithilfe von Drohnen zur Vorhersage optimaler Erntetermine
Drohnenbasierte Erntedatenvorhersage kann Lebensmittelverluste auf dem Bauernhof reduzieren und das Einkommen der Landwirte verbessern
*Quelle：Pflanzenphänomik
*Autor: Forscher der Universität Tokio und der Universität Chiba
*Papier:
https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4
KI+ Meteorologische Forschung
Das auf Random Forest basierende maschinelle Lernmodell CSU-MLP prognostiziert Unwetter mittelfristig (4–8 Tage) präzise.
Ein neues Paradigma für mittelfristige Unwettervorhersagen: probabilistische, auf Random Forest basierende Vorhersagen
*Quelle：Wetter und Wettervorhersage
*Autor: Forscher der Colorado State University und der National Oceanic and Atmospheric Administration
*Papier:
https://arxiv.org/abs/2208.02383
Mithilfe globaler Sturmanalysesimulationen und maschinellem Lernen wurde ein neuer Algorithmus zur genauen Vorhersage extremer Niederschläge entwickelt.
Implizites Lernen der konvektiven Organisation erklärt die Stochastizität des Niederschlags
*Quelle: PNAS
*Autor：Leap Lab, Columbia University
*Papier:
https://www.pnas.org/doi/10.1073/pnas.2216158120
Überblick: Datenerfassung von Hagel-Epizentren zur Vorhersage extremer Wetterereignisse mithilfe großer Modelle
Bereits 2021 gab Alibaba Cloud bekannt, dass die DAMO Academy und das National Meteorological Center gemeinsam KI-Algorithmen zur Wettervorhersage entwickelt und mehrere schwere konvektive Wetterereignisse erfolgreich vorhergesagt haben. Im September desselben Jahres veröffentlichte Deepmind einen Artikel in Nature, in dem er tiefe generative Modelle zur Erstellung von Niederschlagsvorhersagen in Echtzeit verwendete.
Anfang 2023 hat Deepmind GraphCast offiziell auf den Markt gebracht, das das globale Wetter für die nächsten 10 Tage mit einer Auflösung von 0,25° innerhalb einer Minute vorhersagen kann. Im April entwickelten die Nanjing University of Information Science and Technology und das Shanghai Artificial Intelligence Laboratory gemeinsam das Wettervorhersagemodell „Fengwu“, das den Fehler im Vergleich zu GraphCast weiter reduzierte.
Anschließend brachte Huawei das Wettermodell „Pangu“ auf den Markt. Da das dreidimensionale neuronale Netzwerk in das Modell eingeführt wurde, übertraf die Vorhersagegenauigkeit von Pangu erstmals das genaueste NWP-Vorhersagesystem. Vor kurzem haben die Universitäten Tsinghua und Fudan nacheinander die Modelle „NowCastNet“ und „Fuxi“ veröffentlicht.
Übersicht: Datengesteuerte Wettervorhersagemodelle mit maschinellem Lernen
Die numerische Wettervorhersage ist die gängige Methode der Wettervorhersage. Es löst den Zustand des Erdsystems Gitter für Gitter durch numerische Integration, was ein Prozess deduktiver Argumentation ist. Seit 2022 haben Modelle des maschinellen Lernens im Bereich der Wettervorhersage eine Reihe von Durchbrüchen erzielt, von denen einige mit den hochpräzisen Vorhersagen des Europäischen Zentrums für mittelfristige Wettervorhersage konkurrieren können.
*Empfohlene Lektüre:Maschinelles Lernen vs. numerische Wettervorhersage: Wie KI das bestehende Wettervorhersagemodell verändert (Klicken Sie hier, um den Originalartikel zu lesen)
KI + Astronomie
Verwendung simulierter Daten zum Trainieren von Computer-Vision-Algorithmen zur Schärfung astronomischer Bilder
Dekonvolution von Galaxienbildern für schwache Gravitationslinsen mit entrolltem Plug-and-Play-ADMM
*Quelle: Monatliche Mitteilungen der Royal Astronomical Society
*Autor：Forschungsteam der Tsinghua-Universität und der Northwestern University
*Papier:
https://www.nature.com/articles/s41421-023-00543-1
Der PRIMO-Algorithmus lernt die Gesetze der Lichtausbreitung um ein Schwarzes Loch und rekonstruiert ein klareres Bild des Schwarzen Lochs
Das mit PRIMO rekonstruierte Bild des Schwarzen Lochs M87
*Quelle:Die Briefe des Astrophysical Journal
*Autor：Forschungsteam des Princeton Institute for Advanced Study
*Papier:
https://iopscience.iop.org/article/10.3847/2041-8213/acc32d/pdf
Mithilfe des unüberwachten maschinellen Lernalgorithmus Astronomaly haben wir Anomalien entdeckt, die zuvor übersehen wurden.
Astronomisch im Maßstab: Suche nach Anomalien in 4 Millionen Galaxien
*Quelle: arXiv
*Autor：Forscher der University of the Western Cape
*Papier:
https://arxiv.org/abs/2309.08660
KI+ Energie und Umwelt
Verwenden Sie maschinelles Lernen, um Mineralkombinationsmuster zu erkennen und Mineralstandorte vorherzusagen
Vorhersage neuer Mineralvorkommen und planetarer Analogien durch Mineralassoziationsanalyse
*Quelle:PNAS Nexus
*Autor: Forscher der Carnegie Institution for Science in Washington und der University of Arizona
*Papier:
https://academic.oup.com/pnasnexus/article/2/5/pgad110/7163824?login=true
Verwendung physikalischer und maschineller Lernmodelle zur Vorhersage von Verschmutzungsverlusten durch die Ansammlung von Schmutz und anderen Materialien auf der Oberfläche von Photovoltaikmodulen in trockenen Klimazonen
Charakterisierung von Verschmutzungsverlusten bei Photovoltaikanlagen in trockenen Klimazonen: Eine Fallstudie in Zypern
*Quelle:Sonnenenergie
*Autor: Forscher der Universität Zypern
*Papier:
https://www.sciencedirect.com/science/article/pii/S0038092X23001883
Einsatz von Methoden des maschinellen Lernens zur Vorhersage der Emission schädlicher Amingase im Kohlenstoffabscheidungsprozess
Maschinelles Lernen für industrielle Prozesse: Prognose von Amin-Emissionen aus einer Kohlenstoffabscheidungsanlage
*Quelle：Wissenschaftliche Fortschritte
*Autor: Ein Forschungsteam der EPFL und der Heriot-Watt University
*Papier:
https://www.science.org/doi/10.1126/sciadv.adc9576
KI + Naturkatastrophen
Überlagerbares neuronales Netzwerk zur Analyse von Einflussfaktoren von Naturkatastrophen
Modellierung der Erdrutschanfälligkeit durch interpretierbares neuronales Netzwerk
*Quelle：Kommunikation Erde & Umwelt
*Autor: Forscher der University of California, Los Angeles
*Papier:
https://www.nature.com/articles/s43247-023-00806-5
Mithilfe erklärbarer KI haben wir verschiedene geografische Faktoren in Gippsland, Australien, analysiert und eine Karte der lokalen Waldbrandwahrscheinlichkeitsverteilung erstellt.
Erklärbare künstliche Intelligenz (XAI) zur Interpretation der beitragenden Faktoren, die in das Vorhersagemodell für die Anfälligkeit für Waldbrände einfließen
*Quelle: ScienceDirect
*Autor：Forscher der Australian National University und der University of Technology Sydney
*Papier:
https://www.sciencedirect.com/science/article/pii/S0048969723016224
andere
Direkte und inverse Probleme der KI in der Metaoptik, Datenanalyse basierend auf Metaoberflächensystemen
Künstliche Intelligenz in der Metaoptik
*Quelle：ACS-Publikationen
*Autor：Forscher der City University of Hong Kong
*Interpretation:KI bereichert das Spiel und die Superoptik erlebt ein boomendes Zeitalter (klicken Sie hier, um den Originalartikel zu lesen)
*Papier:
https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012
Ithaca unterstützt Epigraphiker bei der Textrestaurierung, chronologischen und geographischen Zuordnung
Wiederherstellung und Zuordnung antiker Texte mithilfe tiefer neuronaler Netzwerke
*Quelle:Natur
*Autor: Forscher von DeepMind und der Universität Venedig Foscari
*Papier:
https://www.nature.com/articles/s41586-022-04448-z
30 Wissenschaftler veröffentlichten gemeinsam eine Nature-Rezension, in der sie 10 Jahre Revue passieren ließen und analysierten, wie KI das wissenschaftliche Forschungsparadigma veränderte
Hanchen Wang, Postdoktorand an der School of Computer Science and Genomics der Stanford University, Tianfan Fu vom Department of Computer Science and Engineering des Georgia Institute of Technology und Yuanqi Du vom Department of Computer Science der Cornell University untersuchten gemeinsam mit 30 anderen die Rolle der KI in der Grundlagenforschung der letzten zehn Jahre und wiesen auf die noch immer bestehenden Herausforderungen und Defizite hin.
Politik: Das Ministerium für Wissenschaft und Technologie hat zusammen mit der National Natural Science Foundation of China das Sondereinsatzprojekt „KI für die Wissenschaft“ gestartet
Am 27. März berichtete die Nachrichtenagentur Xinhua, dass das Ministerium für Wissenschaft und Technologie zur Umsetzung des nationalen „Entwicklungsplans für künstliche Intelligenz der neuen Generation“ zusammen mit der Nationalen Stiftung für Naturwissenschaften Chinas vor kurzem die Sondereinsatzarbeiten „Künstliche Intelligenz getriebene wissenschaftliche Forschung“ (KI für die Wissenschaft) gestartet habe.
Dieses Mal wird der Aufbau des Forschungs- und Entwicklungssystems für Spitzentechnologien im Bereich „KI für die Wissenschaft“ in meinem Land Schlüsselthemen in grundlegenden Disziplinen wie Mathematik, Physik, Chemie und Astronomie eng integrieren und sich auf den wissenschaftlichen Forschungsbedarf in Schlüsselbereichen wie Arzneimittelentwicklung, genetische Forschung, biologische Züchtung und Entwicklung neuer Materialien konzentrieren. In diesem Zusammenhang erklärte Xu Bo, Direktor des Instituts für Automatisierung der Chinesischen Akademie der Wissenschaften, dass die Entwicklung neuer Medikamente, die genetische Forschung, die biologische Züchtung, die Forschung und Entwicklung neuer Materialien und andere Bereiche wichtige Richtungen seien, in denen die Kombination von künstlicher Intelligenz und wissenschaftlicher Forschung dringend erforderlich sei, hervorragende Fortschritte erzielt worden seien und repräsentativ sei.
Das Obige ist das hochmoderne Dokument, das „HyperAI Super Neural“ im Jahr 2023 für Sie interpretieren wird.Folgen Sie dem offiziellen WeChat-Konto und antworten Sie im Hintergrund mit „2023 ScienceAI“, um alle Dokumente in einem Paket herunterzuladen.
Im Jahr 2024 werden wir uns weiterhin auf die neuesten wissenschaftlichen Forschungsergebnisse und die damit verbundenen Anwendungen von KI für die Wissenschaft konzentrieren, also bleiben Sie dran~