Aktivitätsrückblick丨Shanghai Jiaotong University/Zhejiang University/Tsinghua University/OpenBayes Viele Experten, Die Sich Mit Medizinischer Versorgung/geografischen Informationen/städtischen Komplexen Systemen/neuen Paradigmen Der Wissenschaftlichen Forschung Befassen

Die „Präferenz“ der KI beim diesjährigen Nobelpreis hat das Thema KI für die Wissenschaft erneut ins öffentliche Bewusstsein gerückt. Man kann sogar sagen, dass es sich um ein Meilensteinereignis handelt, das darauf hinweist, dass ein neues wissenschaftliches Forschungsparadigma zu einem unvermeidlichen Trend geworden ist. Wenn man auf die Entwicklung der Wissenschaft zurückblickt, von der experimentellen Wissenschaft zur theoretischen Wissenschaft und dann zur Computerwissenschaft und datenintensiven Wissenschaft, hat jeder Paradigmenwechsel den Fortschritt der menschlichen Zivilisation erheblich gefördert. Während des gesamten iterativen Prozesses hat sich die Kernrolle der Daten nie geändert.

Jetzt, im Zeitalter der KI für die Wissenschaft, kann der Wert der Daten weiter erforscht werden.Welche Neuerungen bringt die Grundlagenforschung mit sich? Wie setzen Forscher in vertikalen Bereichen KI ein?

Angesichts des Entwicklungstrends der KI für die Wissenschaft hat HyperAI die Entwicklung der inländischen KI4S auf verschiedene Weise gefördert, beispielsweise durch die Interpretation hochmoderner Errungenschaften, die Berichterstattung über typische Unternehmen und die Durchführung akademischer Aktivitäten, und eine Kommunikationsplattform für inländische wissenschaftliche Forscher aufgebaut. 2. NovemberAls Koproduktionsgemeinschaft veranstaltete HyperAI während der COSCon‘24, der 9. China Open Source Annual Conference und dem 10. Jubiläums-Karneval der Open Source Society ein Open-Source-KI-Forum zum Thema KI für die Wissenschaft.

Es ist uns eine Ehre, Wang Chenhan, Gründer und CEO von OpenBayes Bayesian Computing, Qi Jin, einen eigens ernannten Forscher an der School of Earth Sciences der Zhejiang University, Xie Weidi, einen außerordentlichen Professor mit Lehrstuhl an der Shanghai Jiao Tong University und jungen Wissenschaftler am Shanghai Artificial Intelligence Laboratory, sowie Ding Jingtao, einen Postdoktoranden am Center for Urban Science and Computing, Department of Electronic Engineering, Tsinghua University, eingeladen zu haben.

In diesem Forum vermittelten vier Dozenten ausführlich ihr Wissen, stellten Fälle vor, führten Trendanalysen durch und präsentierten weitere Aspekte zu Themen wie medizinische künstliche Intelligenz (AI4Health), künstliche Intelligenz für geografische Informationen (GeoAI), intelligente Cloud-Plattformen für die wissenschaftliche Forschung und KI-gesteuerte komplexe urbane Systeme.

Dann,Wir werden die wichtigsten Punkte der Beiträge jedes Dozenten in Form von Textaufzeichnungen und Videos weiter wiedergeben.Bleiben Sie dran!

Ein neues Paradigma der wissenschaftlichen Forschung, angetrieben durch KI: eine umfassende Verbesserung statistischer Methoden durch künstliche Intelligenz

OpenBayes Bayesian Computing ist ein führender Anbieter von Dienstleistungen im Bereich künstliche Intelligenz in China. Im Zuge der Stärkung führender inländischer Universitäten und Forschungseinrichtungen verfügt das Unternehmen auch über tiefgreifende Einblicke in die Entwicklung von KI für die Wissenschaft. In Bezug auf den Wert des maschinellen Lernens bei der Förderung der Spitzenforschung,Der Firmengründer und CEO Wang Chenhan schlug eine innovative Formel vor: Skalierte Daten X Modellstruktur = wissenschaftliche Forschungserfolge im Bereich KI – traditionelle Forschung.

Das heißt, dass es im wissenschaftlichen Forschungsprozess durch die Anwendung umfangreicher Daten auf effektive Modellstrukturen möglich ist, traditionelle Methoden bei praktischen Forschungsthemen in jedem Industriebereich deutlich zu übertreffen. Dies ist ein wichtiger Grund dafür, dass die KI-gestützte wissenschaftliche Forschung in den letzten zwei Jahren ein zwei- bis fünffaches Wachstum verzeichnet hat.

Gleichzeitig betonte Wang Chenhan auch, dass, wenn die Modellstruktur unverändert bleibt und die Datenmenge blind erhöht wird, marginale Effekte auftreten können, die eine Leistungsverbesserung erschweren; Ebenso gilt bei einem bestimmten Datenmaßstab nicht unbedingt: Je größer die Modellparameter, desto besser.Nur wenn Datenskala und Parameterskala gleichermaßen erhöht werden, sinkt die Vorhersagefehlerrate auf ein niedrigeres Niveau.

Darüber hinaus konzentrierte er sich auf den Vergleich der Unterschiede zwischen traditionellen Forschungsmethoden und KI-Forschungsmethoden. Unter ihnen hängen traditionelle Forschungsmethoden stark von den Eigenschaften der Forscher selbst und ihrer Fähigkeit zur Problemdefinition ab und verwenden nur „kleine Daten“, was Zweifel an ihrer Generalisierbarkeit und Erweiterungsfähigkeit aufkommen lässt.Die KI-Forschungsmethode erfordert die Einführung umfangreicher, qualitativ hochwertiger Daten und die Verwendung von maschinellem Lernen zur Merkmalsextraktion, damit die erzielten wissenschaftlichen Forschungsergebnisse auch bei realen Problemen wirksam sind.

Abschließend stellte Wang Chenhan auch vor, wie OpenBayes Bayesian Computing KI für die Wissenschaft ermöglicht –Kapseln Sie wissenschaftliche Forschungsdatenelemente wie Open-Source-Datensätze, KI-/HPC-Tutorials, Open-Source-/private Modelle usw. in eine Cluster-Software.Helfen Sie wissenschaftlichen Forschern, eine zentrale Verbindung für Modellkonstruktion, Modellbegründung, industrielles Software-Computing usw. herzustellen.

GeoAI und ihre interdisziplinären geowissenschaftlichen Anwendungen

Im Bereich der Geoinformationswissenschaft hat die Entwicklung stereoskopischer Beobachtungstechnologien in der Luft, im Weltraum, an Land und unter der Erde zu einer Datenexplosion geführt und das Konzept der raumzeitlichen Big Data hervorgebracht. Allerdings stellen die durch räumlich-zeitliche Prozesse unterschiedlicher Größenordnungen erzeugten riesigen Datenmengen auch eine große Herausforderung für das Information Mining dar.

Dr. Qi Jin, ein eigens ernannter Forscher an der Fakultät für Geowissenschaften der Zhejiang-Universität, sagte:Die Regressionsanalyse geografischer Beziehungen ist ein heißes Thema in der geografischen Modellforschung.Die Entwicklung neuer Methoden zur räumlichen Regressionsanalyse und die Verbesserung der Fähigkeit, geografische Beziehungen zu analysieren und zu erschließen, sind von großem theoretischen Wert und praktischer Bedeutung für das Verständnis sozialer Prozesse und geografischer Phänomene.

Als Reaktion darauf integrierten Dr. Qi Jin und sein Team die Idee der räumlichen Gewichtung in das neuronale Netzwerkmodell.Es wird ein gewichtetes Regressionsmodell mit geografischen neuronalen Netzwerken (GNNWR) vorgeschlagen.Die Methode der räumlichen Regression wurde erweitert, um die nichtlinearen Beziehungen zwischen geografischen Elementen anzupassen und zu erklären. gleichzeitig,Das Team entwickelte außerdem eine Open-Source-Modellbibliothek auf Basis von PyTorch – ein raumzeitliches intelligentes Regressionsmodell.Sein methodologisches System hat mehr als 30 Studien in den Bereichen Geographie, Geologie, Ozeanographie, Atmosphäre und anderen Bereichen unterstützt.

In Bezug auf die Anwendung stellte er die Leistung des GNNWR-Modells in Szenarien wie der Vorhersage städtischer Immobilienpreise, der Analyse der Luftverschmutzung und der Modellierung der ökologischen Umwelt vor der Küste vor:

* Herstellen räumlich-zeitlicher Beziehungen zwischen spärlich beprobten Punkten und unbekannten Punkten entlang der Küste und Lösen räumlich-zeitlicher nichtstationärer Gewichte, um eine Verteilung gelöster Silikate (DSi) in den Küstengewässern mit hoher räumlich-zeitlicher Auflösung zu erhalten;

* GNNWR kann die räumliche Nichtstationarität in städtischen Umgebungen genau beschreiben und ermöglicht so die Regressionsmodellierung städtischer geografischer Prozesse wie Immobilienpreise.

* Erstellen Sie mithilfe verarbeiteter AOD-, DEM-, Klimafaktordaten und von Umspannwerken erfasster PM2,5-Daten eine räumliche nichtstationäre Regressionsbeziehung und schätzen Sie die PM2,5-Konzentration.

* Die Integration von Shapleys Interpretierbarkeitstheorie in GNNWR ermöglicht eine genaue Vorhersage und Interpretation der geologischen Mineralisierung in komplexen räumlichen Umgebungen.

Das Hauptziel des Teams: der Aufbau eines allgemeinen medizinischen künstlichen Intelligenzsystems

Xie Weidi, außerordentlicher Professor mit Lehrstuhl an der Shanghai Jiao Tong University und junger Wissenschaftler am Shanghai Artificial Intelligence Laboratory, beschäftigt sich intensiv mit Computer Vision. Nach seiner Rückkehr nach China im Jahr 2022 widmet er sich der Erforschung der medizinischen künstlichen Intelligenz. In diesem ForumEr erläuterte die Erfolge des Teams aus mehreren Perspektiven, darunter die Erstellung von Open-Source-Datensätzen und die Modellentwicklung.

Professor Xie Weidi führte aus, dass der Großteil des Wissens in der Medizin, insbesondere in der evidenzbasierten Medizin, auf menschlichen Erfahrungen beruht. Wenn ein Anfänger alle medizinischen Bücher durchliest, kann er zumindest in der Theorie ein medizinischer Experte werden. Daher,Während des Modelltrainingsprozesses hoffen wir auch, sämtliche medizinischen Erkenntnisse einfließen zu lassen.

Im medizinischen Bereich sind qualitativ hochwertige Daten jedoch aus Datenschutzgründen relativ rar.Nach ihrer Rückkehr nach China begannen Professor Xie Weidi und sein Team mit dem Aufbau eines umfangreichen medizinischen Datensatzes.Speziell:

* 1,6 Millionen großformatige Bildunterschriftenpaare von PubMed Central gesammelt und den PMC-OA-Datensatz erstellt;

* 227.000 medizinische visuelle Frage-Antwort-Paare aus PMC-OA generiert, um PMC-VQA zu bilden;

* Ein Rad3D-Datensatz wurde durch die Erfassung von 53.000 Fällen und 48.000 mehreren Bildunterschriftenpaaren aus der Radiopaedia-Art erstellt.

* PubMed Central (PMC) ist eine kostenlose Volltextdatenbank, die vom National Center for Biotechnology Information der Vereinigten Staaten erstellt und gepflegt wird und auf frei zugängliche wissenschaftliche Artikel in den Bereichen Biomedizin und Biowissenschaften spezialisiert ist. 

* Radiopaedia bietet hochwertigen und kostenlosen Zugang zu Wissen über Radiologie und medizinische Bildgebung und ist eine kollaborative, offene Redaktionsplattform, auf der Radiologen/Studenten und andere medizinische Fachkräfte Fälle, Artikel und Bildgebungsbeispiele beisteuern können.

In Bezug auf die ModellkonstruktionEr stellte hauptsächlich das vom Team entwickelte medizinspezifische Sprachmodell bzw. visuelle Sprachmodell vor.Zum Beispiel PMC-LLaMA, das mehrsprachige medizinische Modell MMedLLaMA und allgemeine Segmentierungsmodelle wie SAT.

Ein räumlich-zeitlicher generativer Modellierungsansatz für komplexe urbane Systeme

Dr. Jingtao Ding vom Center for Urban Science and Computational Research, Abteilung für Elektrotechnik, Tsinghua-Universität, konzentriert sich auf die generative Modellierung und Anwendung KI-gesteuerter räumlich-zeitlicher komplexer Systeme.Dr. Jingtao Ding konzentrierte sich auf die Einführung räumlich-zeitlicher generativer KI zur Modellierung komplexer urbaner Systeme.

Dr. Ding Jingtao führte aus, dass die Hauptschwierigkeiten, mit denen man derzeit bei der Modellierung komplexer urbaner Systeme konfrontiert ist, die Dominanz hochdimensionaler, multimodaler raumzeitlicher Daten umfassen; der enorme Umfang des Systems und die Wechselwirkung zwischen den verschiedenen Elementen können nicht ignoriert werden; die Datenverteilung der einzelnen Systeme ist sehr unterschiedlich, so dass die Verwendung eines universellen Modells usw. nicht möglich ist.

Als Reaktion darauf begannen er und sein Team, räumlich-zeitliche generative KI zur Modellierung komplexer urbaner Systeme zu erforschen.Zur Simulation von Menschenströmen wird ein auf physikalischen Erkenntnissen basierendes Diffusionsmodell vorgeschlagen. Zur Vorhersage der Systemresilienz wird ein durch Netzwerkdynamik erweitertes Diffusionsmodell vorgeschlagen; und für die allgemeine räumlich-zeitliche Vorhersage wird ein durch Prompt-Learning verbesserter räumlich-zeitlicher GPT vorgeschlagen.

Speziell:

* Das Fußgängerstrom-Simulationsmodell SPDiff hat basierend auf einem realen Fußgängerstrom-Datensatz eine Leistungsverbesserung von 6,5%-37,2 sowie eine bessere Generalisierungsfähigkeit bei kleinen Stichprobengrößen erreicht;

* Das Vorhersagemodell für die Systemresilienz generiert Beobachtungsstichproben resilienter/nicht resilienter Systeme auf der Grundlage des Diffusionsmodells, wobei nur 20 (2%) gekennzeichnete Stichproben verwendet werden und eine Vorhersagegenauigkeit von 87% (F1-Score) beibehalten wird.

* Das universelle räumlich-zeitliche Vorhersagemodell UniST sammelt mehr als 20 räumlich-zeitliche Datensätze und mehr als 130 Millionen räumlich-zeitliche Stichprobenpunkte. Es verwendet ein externes räumlich-zeitliches Speichernetzwerk, um gültige räumlich-zeitliche Muster zu speichern und prompte Vektoren zu generieren, um eine Migrationsgeneralisierung zu erreichen.

Letzte Worte

Als eine der ersten Open-Source-Communitys, die sich mit der Entwicklung von KI für die Wissenschaft beschäftigt, wird HyperAI auch weiterhin die neuesten innovativen Errungenschaften im In- und Ausland im Auge behalten und allen praktische Interpretationen und Berichte zur Verfügung stellen. Gleichzeitig bauen wir durch eine Vielzahl von Online-Liveübertragungen und Offline-Wissenschaftsforen eine Plattform für die Kommunikation und den Austausch für Forscher auf. Forschungsgruppen, die sich mit verwandter Forschung beschäftigen, sind herzlich eingeladen, uns Artikel einzureichen oder ihre neuesten Forschungsergebnisse mitzuteilen!