Résumé Des Informations Utiles ! Les Résultats De Recherche Les Plus Remarquables De L'ia Pour La Science En 2023
Au fil du temps, la gloire des temps se renouvelle. Au cours de l'année écoulée, en 2023,L'IA pour la science Cela a apporté beaucoup de surprises et a également planté les graines de plus d’imagination.
À partir de 2020, AlphaFold Les projets de recherche scientifique représentés par ont propulsé l’IA pour la science au premier plan des applications de l’IA. Au cours des deux dernières années, des disciplines fondamentales allant de la biomédecine à l’astronomie et de la météorologie à la chimie des matériaux sont devenues de nouveaux champs de bataille pour l’IA. Dans ce processus, les capacités de l’IA ont également été matérialisées dans une lame tranchante, qui peut même briser les chaînes qui ont tourmenté les gens pendant un demi-siècle, accélérant considérablement les progrès de la recherche scientifique.
Avec de tels exemples de réussite, après l’entrée en 2023, le parcours de l’IA dans le domaine de la recherche scientifique est devenu plus fluide. De plus en plus d’équipes de recherche ont commencé à recourir à l’aide de l’IA, donnant ainsi lieu à des résultats de plus grande valeur.
En tant que l’une des premières communautés à s’intéresser à l’IA pour la science,« HyperAI Super Neural » continue d'enregistrer ses derniers progrès en interprétant des articles de pointeD’une part, il vise à partager les dernières réalisations et méthodes de recherche à l’échelle universelle, et d’autre part, il espère également permettre à davantage d’équipes de voir l’aide de l’IA dans la recherche scientifique et de contribuer au développement de l’IA pour la science en Chine.
La fin de l’année et le début de l’année suivante sont un bon moment pour réfléchir au passé et apprendre sur l’avenir.Nous avons classé et résumé les articles de pointe interprétés par « HyperAI Super Neural » en 2023 pour faciliter la récupération par les lecteurs dans différents domaines de recherche scientifique.
Suivez le compte public WeChat et répondez en arrière-plan « 2023 ScienceAI »Vous pouvez télécharger tous les documents dans un seul package. De plus, les ensembles de données utilisés dans certains articles peuvent être téléchargés à partir du site officiel de « HyperAI Super Neural ».
Adresse de téléchargement :
IA+ Biomédecine
Un modèle d'apprentissage automatique prédit avec précision le taux de libération du médicament lors d'injections à action prolongée, accélérant ainsi le développement d'injections à action prolongée
Modèles d'apprentissage automatique pour accélérer la conception d'injectables polymères à action prolongée
*source：Nature Communications
*auteur: Des chercheurs de l'Université de Toronto
*papier:
https://www.nature.com/articles/s41467-022-35343-w
Un algorithme d'apprentissage automatique prédit efficacement la résistance des plantes au paludisme avec une précision de 0,67
L'apprentissage automatique améliore la prédiction des plantes comme sources potentielles d'antipaludéens
*sourceFrontières de la science végétale
*auteur: Des chercheurs des jardins botaniques royaux de Kew, de Kew et de l'Université de St Andrews
*papier:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10248027
Un système de différenciation basé sur l'imagerie dynamique en champ clair de cellules vivantes et l'apprentissage automatique pour réguler et optimiser le processus de différenciation des cellules souches pluripotentes en temps réel
Une stratégie d'apprentissage automatique basée sur l'image de cellules vivantes pour réduire la variabilité des systèmes de différenciation des cellules souches embryonnaires (PSC)
*source：Découverte cellulaire
*auteur: Groupe de Zhao Yang et groupe de Zhang Yu de l'Université de Pékin et groupe de Liu Yiyan de l'Université Jiaotong de Pékin
*papier:
https://www.nature.com/articles/s41421-023-00543-1
Application de modèles d'apprentissage automatique pour prédire l'imprimabilité de l'encre biologique et améliorer les taux de prédiction
Prédire les résultats de l'impression à jet d'encre pharmaceutique grâce à l'apprentissage automatique
*sourceJournal international de pharmacie : X
*auteur: Des chercheurs de l'Université de Saint-Jacques-de-Compostelle et de l'University College London
*papier:
https://www.sciencedirect.com/science/article/pii/S2590156723000257
En utilisant l'apprentissage profond pour cribler environ 7 500 molécules, un nouvel antibiotique a été identifié qui inhibe Acinetobacter baumannii
Découverte guidée par l'apprentissage profond d'un antibiotique ciblant Acinetobacter baumannii
*source：Nature Chimie Biologie
*auteurDes chercheurs de l'Université McMaster et du MIT
*papier:
https://www.nature.com/articles/s41589-023-01349-8#access-options
En utilisant l’apprentissage automatique, nous avons trouvé trois Sénolytiques, et a validé ses effets anti-âge dans des lignées cellulaires humaines
Découverte de sénolytiques grâce à l'apprentissage automatique
*source：Nature Communications
*auteur:Dr James L. Kirkland, Mayo Clinic, et al.
*papier:
https://www.nature.com/articles/s41467-023-39120-1
Quantification de la quantité et de la localisation de la libération de dopamine à l'aide de l'apprentissage automatique
Identification des signatures neuronales de la signalisation de la dopamine grâce à l'apprentissage automatique
*sourceACS Neurosciences chimiques
*auteurÉquipe de recherche de l'Université de Californie à Berkeley
*papier:
https://pubs.acs.org/doi/full/10.1021/acschemneuro.3c00001
À l’aide de réseaux neuronaux graphiques, des ingrédients anti-âge sûrs et efficaces ont été sélectionnés parmi des centaines de milliers de composés.
Découverte de sénolytiques à petites molécules grâce à des réseaux neuronaux profonds
*source：Vieillissement de la nature
*auteur:Chercheurs du MIT
*papier:
https://www.nature.com/articles/s43587-023-00415-z
DeepMind Utilisation de l'apprentissage non supervisé pour développer AlphaMissense, prédisant 71 millions de mutations génétiques
Prédiction précise de l'effet des variantes faux-sens à l'échelle du protéome avec AlphaMissense
*source:Science
*auteur: DeepMind
*papier:
https://www.science.org/doi/10.1126/science.adg7492
Sur la base du réseau de régression Transformer, combiné au CGMD, les caractéristiques d'auto-assemblage de dizaines de milliards de peptides ont été prédites
L'apprentissage profond permet la découverte de peptides auto-assemblés avec plus de 10 000 milliards de séquences
*sourceSciences avancées
*auteur:Le groupe de recherche de Li Wenbin à l'Université du lac de l'Ouest
*papier:
https://onlinelibrary.wiley.com/doi/full/10.1002/advs.202301544
Macformer a été développé sur la base de Transformer, et le médicament acyclique fitratinib a été macrocyclisé avec succès, offrant une nouvelle méthode de développement de médicaments.
Macrocyclisation de molécules linéaires par apprentissage profond pour faciliter la découverte de candidats médicaments macrocycliques
*sourceCommunication avec la nature
*auteur：Groupe de recherche de Li Honglin à l'Université des sciences et technologies de Chine orientale
*papier:
https://www.nature.com/articles/s41467-023-40219-8
Développement d'une IA d'analyse des odeurs basée sur un réseau neuronal graphique (GNN)
Une carte olfactive principale unifie diverses tâches de la perception olfactive
*source:Science
*auteur：Osmo, une branche de Google Research
*papier:
https://www.science.org/doi/full/10.1126/science.ade4401
Développer des algorithmes pour la sélectivité des protéines GPCR-G et étudier la base structurelle de la sélectivité
Règles et mécanismes régissant la sélectivité du couplage des protéines G des récepteurs couplés aux protéines G
*sourceRapports de cellules
*auteur: Des chercheurs de l'Université de Floride
*papier:
https://doi.org/10.1016/j.celrep.2023.113173
Le kit de numérisation automatique rapide FAST permet à l'IA d'identifier automatiquement la position de numérisation et d'obtenir des informations sur l'échantillon de manière efficace et précise
Démonstration d'un flux de travail piloté par l'IA pour la microscopie à balayage haute résolution autonome
*source：Nature Communications
*auteur：Chercheurs du Laboratoire national d'Argonne
*papier:
https://www.nature.com/articles/s41467-023-40339-1
IA+ Santé
Le modèle de machine à gradient boosting prédit avec précision les sous-syndromes BPSD
Modèles prédictifs basés sur l'apprentissage automatique pour l'apparition de symptômes comportementaux et psychologiques de la démence : développement et validation de modèles
*sourceRapports scientifiques
*auteurÉquipe de recherche de l'Université Yonsei, Corée du Sud
*papier:
https://www.nature.com/articles/s41598-023-35194-5
Sur la base de l'apprentissage automatique, un ensemble de biomarqueurs diagnostiques spécifiques du cancer du sein a été obtenu à l'aide de stratégies de sélection de caractéristiques.
Une stratégie de sélection de caractéristiques robuste détecte un panel de microARN comme biomarqueurs diagnostiques putatifs dans le cancer du sein
*source：CIBB 2023
*auteur:Chercheurs de l'Université de Naples Federico II, Italie
*papier:
https://www.researchgate.net/publication/372083934
Comparaison d'un modèle de régression logistique et de trois modèles d'apprentissage automatique pour prédire avec succès le taux de mortalité à un an des patients chinois âgés atteints de maladie coronarienne et de diabète ou d'intolérance au glucose
Modèles basés sur l'apprentissage automatique pour prédire la mortalité à un an chez les patients chinois âgés atteints d'une maladie coronarienne associée à une intolérance au glucose ou à un diabète sucré
*sourceDiabétologie cardiovasculaire
*auteur: Des chercheurs de l'hôpital populaire de Macheng, province du Hubei, Chine
*papier:
https://cardiab.biomedcentral.com/articles/10.1186/s12933-023-01854-z
Une nouvelle technologie cerveau-ordinateur développée à l'aide de l'IA permet à un patient victime d'un AVC et aphasique depuis 18 ans de parler à nouveau
Une neuroprothèse haute performance pour le décodage de la parole et le contrôle des avatars
*source:Nature
*auteur：Équipe UC
*papier:
https://www.nature.com/articles/s41586-023-06443-4
L'IA commerciale Lunit lit les mammographies avec autant de précision que les médecins
Performances d'un algorithme d'IA pour la détection du cancer du sein à l'aide du système de performance personnelle au dépistage mammographique
*source:Radiologie
*auteurÉquipe de recherche de l'Université de Nottingham, Royaume-Uni
*papier:
https://pubs.rsna.org/doi/10.1148/radiol.223299
L'Institut de génomique de l'Académie chinoise des sciences a créé une archive ouverte d'imagerie biomédicale
Apprentissage auto-supervisé de la reconstruction d'hologrammes à l'aide de la cohérence physique
*source:bioRxiv
*auteurInstitut de génomique, Académie chinoise des sciences
*papier:
https://www.nature.com/articles/s42256-023-00704-7
Le modèle RETFound basé sur l'image rétinienne prédit de multiples maladies systémiques
Un modèle fondamental pour la détection généralisable des maladies à partir d'images rétiniennes
*source:Nature
*auteur: Yukun Zhou, doctorant à l'University College London et au Moorfields Eye Hospital, et al.
*papier:
https://www.nature.com/articles/s41586-023-06555-x
Détection du cancer du pancréas par intelligence artificielle basée sur l'apprentissage profond
Détection du cancer du pancréas à grande échelle par tomodensitométrie sans contraste et apprentissage profond
*sourceMédecine naturelle
*auteur:Alibaba Damo Academy coopère avec de nombreuses institutions médicales nationales et étrangères
*papier:
https://www.nature.com/articles/s41591-023-02640-w
Optimisation de la conception de capteurs tactiles à nanogénérateur triboélectrique pour la reconnaissance de texte et la reconnaissance Braille
Conception de capteurs tactiles basés sur l'apprentissage automatique pour le décodage tactile dynamique
*sourceSciences avancées
*auteur: Groupe de recherche de Yang Geng et Xu Kaichen à l'Université du Zhejiang
*papier:
https://onlinelibrary.wiley.com/doi/10.1002/advs.202303949
IA+ Chimie des matériaux
Combinaison de plusieurs architectures d'apprentissage profond pour déterminer la structure interne des matériaux à partir d'observations de surface
Complétez les blancs : Approches d'apprentissage profond transférables pour récupérer les informations manquantes sur le terrain physique
*sourceMatériaux avancés
*auteur:Chercheurs du MIT
*papier:
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202301449
Combinaison de réseaux neuronaux profonds et de traitement du langage naturel pour développer des alliages résistants à la corrosion
Améliorer la conception des alliages résistants à la corrosion grâce au traitement du langage naturel et à l'apprentissage profond
*sourceProgrès scientifiques
*auteur: Des chercheurs de l'Institut Max Planck pour la recherche sur le fer en Allemagne
*papier:
https://www.science.org/doi/10.1126/sciadv.adg7992
Sur la base de modèles d'apprentissage automatique, l'IA est formée pour extraire les paramètres structurels des matériaux poreux afin de prédire les isothermes d'adsorption d'eau.
Prédiction assistée par apprentissage automatique des isothermes d'adsorption d'eau et des performances de refroidissement
*sourceJournal de chimie des matériaux A
*auteur：Groupe de recherche de Li Song à l'Université des sciences et technologies de Huazhong
*papier:
https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA03586G
Le réseau neuronal atomique à intégration récursive induite par le champ FIREANN décrit avec précision les changements d'intensité et de direction du champ externe
Apprentissage automatique universel pour la réponse des systèmes atomiques aux champs externes
*sourceCommunication avec la nature
*auteur：Groupe de recherche de Jiang Bin à l'Université des sciences et technologies de Chine
*papier:
https://www.nature.com/articles/s41467-023-42148-y
DeepMind lance l'outil d'apprentissage profond GNoME et découvre 2,2 millions de nouveaux cristaux
Mise à l'échelle de l'apprentissage profond pour la découverte de matériaux
*source: DeepMind
*auteur:Nature
*papier:
https://www.nature.com/articles/s41586-023-06735-9
Modèle d'apprentissage automatique SEN pour la prédiction de haute précision des propriétés des matériaux
Reconnaissance de la symétrie des matériaux et prédiction des propriétés réalisée par représentation de capsules cristallines
*source：Nature Communications
*auteur：Groupe de recherche de Li Huashan et Wang Biao à l'Université Sun Yat-sen
*papier:
https://www.nature.com/articles/s41467-023-40756-2
Algorithme RetroExplainer pour la prédiction rétrosynthétique basée sur l'apprentissage profond
Prédiction de la rétrosynthèse avec un cadre d'apprentissage profond interprétable basé sur des tâches d'assemblage moléculaire
*source：Nature Communications
*auteur: Université du Shandong, groupe de recherche de l'Université des sciences et technologies électroniques de Chine
*papier:
https://www.nature.com/articles/s41467-023-41698-5
Optimisation des cocatalyseurs pour les photoanodes BiVO(4) à l'aide de l'apprentissage automatique
Une stratégie complète d'apprentissage automatique pour la conception de catalyseurs photoanodes hautes performances
*sourceJournal de chimie des matériaux A
*auteur：Groupe de recherche Zhu Hongwei, Université Tsinghua
*papier:
https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA04148D
IA+ Sciences végétales et animales
La génétique des populations basée sur l'apprentissage automatique révèle le mécanisme de formation de la saveur du raisin
Introgression adaptative et inadaptative dans la domestication de la vigne
*sourceActes de l'Académie nationale des sciences
*auteurDes chercheurs du Centre de génomique agricole de Shenzhen de l'Académie chinoise des sciences agricoles
*papier:
https://www.pnas.org/doi/abs/10.1073/pnas.2222041120
Utilisation de l'API Python et de l'API Computer Vision pour surveiller la floraison des cerisiers au Japon
La signature spatiotemporelle de la floraison des cerisiers à travers le Japon révélée par l'analyse des images des sites de réseaux sociaux
*source:Flore
*auteurÉquipe de recherche de l'Université Monash, Australie
*papier:
https://www.sciencedirect.com/science/article/abs/pii/S0367253023001019
Revue : Utiliser l'IA pour démarrer la recherche bioinformatique plus efficacement
Outre les avancées bioinformatiques bien connues telles qu'AlphaFold, l'IA dispose d'une multitude de cas d'application dans des domaines biologiques tels que la recherche d'homologie, l'alignement multiple et la construction de phylogénie, l'analyse de séquences génomiques et la découverte de gènes. En tant que chercheur en biologie, être capable d’intégrer habilement des outils d’apprentissage automatique dans l’analyse des données accélérera sûrement la découverte scientifique et améliorera l’efficacité de la recherche scientifique.
*Lectures recommandées:Bioinformatique | Démarrez vos recherches plus efficacement grâce à l'IA (cliquez pour lire l'article original)
Une méthode d'apprentissage profond basée sur un réseau jumeau capture automatiquement le processus de développement embryonnaire
Découvrir le temps et le rythme du développement grâce à l'apprentissage profond
*sourceMéthodes de la nature
*auteur: Le biologiste des systèmes Patrick Müller et des chercheurs de l'Université de Constance
*papier:
https://www.nature.com/articles/s41592-023-02083-8
À l'aide de plus de 50 000 photos, nous avons formé ArcFace, un algorithme de reconnaissance faciale Modèle de reconnaissance d'images multi-espèces de tête de classification
Une approche d'apprentissage profond pour la photo-identification démontre des performances élevées sur deux douzaines d'espèces de cétacés
*sourceMéthodes en écologie et évolution
*auteur: Des chercheurs de l'Université d'Hawaï
*papier:
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14167
À l’aide de données provenant de 628 labradors retrievers, trois modèles ont été comparés pour identifier les caractéristiques comportementales qui affectent les performances des chiens de détection d’odeurs.
Prédiction et classification par apprentissage automatique de la sélection comportementale dans un programme de détection olfactive canine
*sourceRapports scientifiques
*auteur: Des chercheurs de l'Abigail Wexner Research Institute du Nationwide Children's Hospital et de l'université Rocky Vista
*papier:
https://www.nature.com/articles/s41598-023-39112-7
Le système d'alerte par caméra IA distingue avec précision les tigres des autres espèces
Prédiction précise de l'effet des variantes faux-sens à l'échelle du protéome avec AlphaMissense
*sourceBiosciences
*auteur: Des chercheurs de l'Université de Clemson
*papier:
https://www.science.org/doi/10.1126/science.adg7492
BirdFlow utilise la modélisation informatique et les ensembles de données eBird pour prédire avec précision les trajectoires de vol des oiseaux migrateurs
BirdFlow : apprentissage des mouvements saisonniers des oiseaux à partir des données eBird
*sourceMéthodes en écologie et évolution
*auteur: Des chercheurs de l'Université du Massachusetts et de l'Université Cornell
*papier:
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14052
IA+ Agriculture, Sylviculture et Élevage
Utilisation de la vision par ordinateur et de l'apprentissage profond pour développer un système de détection de boiterie chez les vaches laitières avec une précision de 94%-100%
Estimation de la pose par apprentissage profond pour la détection de boiteries chez plusieurs bovins
*source:Nature
*auteur: Des chercheurs de l'Université de Newcastle et de Fera Scientific Ltd
*papier:
https://www.nature.com/articles/s41598-023-31297-1
Analyse d'images par drone et IA pour détecter les ravageurs forestiers
Test de détection précoce des nids de la processionnaire du pin Thaumetopoea pityocampa à l'aide de méthodes basées sur des drones
*source: NéoBiota
*auteur：Équipe de recherche de l'Université de Lisbonne
*Interprétation:Analyse d'images par drone et IA : l'Université de Lisbonne détecte efficacement les ravageurs forestiers (cliquez pour lire l'article original)
*papier:
https://neobiota.pensoft.net/article/95692/
En combinant des observations en laboratoire avec l'apprentissage automatique, ils montrent que les ondes ultrasonores émises par les plants de tomates et de tabac sous stress peuvent se propager dans l'air.
Les sons émis par les plantes stressées sont aériens et informatifs
*source:Cellule
*auteurDes chercheurs de l'Université de Tel Aviv, Israël
*papier:
https://doi.org/10.1016/j.cell.2023.03.009
En utilisant l'algorithme YOLOv5, un modèle a été conçu pour surveiller la posture des truies et la naissance des porcelets
Alerte précoce et surveillance de la mise bas des truies pour les implantations de panneaux intégrés
*sourceCapteurs
*auteur：Équipe de recherche de l'Université agricole de Nanjing
*Interprétation:Les truies savent quand mettre bas. Cette fois, NNU utilise l'IA de pointe Jetson de NVIDIA (cliquez pour lire l'article original)
*papier:
https://www.mdpi.com/1424-8220/23/2/727
Utilisation de réseaux neuronaux convolutifs pour compter rapidement et précisément les rendements du riz
L'apprentissage profond permet une estimation instantanée et polyvalente du rendement du riz à l'aide d'images RVB au sol
*sourcePhénomique végétale
*auteurDes chercheurs de l'Université de Kyoto
*papier:
https://spj.science.org/doi/10.34133/plantphenomics.0073
Un processus systématique de collecte de données phénotypiques végétales à l'aide de drones pour prédire les dates de récolte optimales
La prévision des données de récolte par drone peut réduire les pertes alimentaires à la ferme et améliorer les revenus des agriculteurs.
*sourcePhénomique végétale
*auteur: Des chercheurs de l'Université de Tokyo et de l'Université de Chiba
*papier:
https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4
Recherche météorologique IA+
Le modèle d'apprentissage automatique basé sur la forêt aléatoire CSU-MLP prévoit avec précision les conditions météorologiques extrêmes à moyen terme (4 à 8 jours).
Un nouveau paradigme pour les prévisions météorologiques extrêmes à moyen terme : les prévisions aléatoires probabilistes basées sur les forêts
*sourceMétéo et prévisions météorologiques
*auteur: Des chercheurs de l'Université d'État du Colorado et de la National Oceanic and Atmospheric Administration
*papier:
https://arxiv.org/abs/2208.02383
Utilisation de simulations d'analyse des tempêtes mondiales et d'apprentissage automatique pour créer un nouvel algorithme permettant de prédire avec précision les précipitations extrêmes
L'apprentissage implicite de l'organisation convective explique la stochasticité des précipitations
*source: PNAS
*auteur：Leap Lab, Université de Columbia
*papier:
https://www.pnas.org/doi/10.1073/pnas.2216158120
Aperçu : Collecte de données sur les épicentres de grêle pour prédire les conditions météorologiques extrêmes à l'aide de grands modèles
Dès 2021, Alibaba Cloud a révélé que la DAMO Academy et le Centre météorologique national avaient développé conjointement des algorithmes d'IA pour les prévisions météorologiques et avaient prédit avec succès plusieurs événements météorologiques convectifs graves. En septembre de la même année, Deepmind a publié un article dans Nature, utilisant des modèles génératifs profonds pour réaliser des prévisions de précipitations en temps réel.
Début 2023, Deepmind a officiellement lancé GraphCast, qui peut prédire la météo mondiale pour les 10 prochains jours avec une résolution de 0,25° en une minute. En avril, l'Université des sciences et technologies de l'information de Nanjing et le Laboratoire d'intelligence artificielle de Shanghai ont développé conjointement le modèle de prévision météorologique « Fengwu », qui a encore réduit l'erreur par rapport à GraphCast.
Par la suite, Huawei a lancé le modèle météo « Pangu ». Étant donné que le réseau neuronal tridimensionnel a été introduit dans le modèle, la précision de prédiction de Pangu a dépassé pour la première fois le système de prédiction NWP le plus précis. Récemment, l'Université Tsinghua et l'Université Fudan ont successivement publié les modèles « NowCastNet » et « Fuxi ».
*Lectures recommandées:Le Hailstorm Center collecte des données, de grands modèles soutiennent les prévisions météorologiques extrêmes, les « Storm Chasers » sont sur scène (cliquez pour lire l'article original)
Présentation : Modèles de prévisions météorologiques basés sur l'apprentissage automatique et les données
La prévision numérique du temps est la méthode la plus courante de prévision météorologique. Il résout l'état du système terrestre grille par grille grâce à l'intégration numérique, qui est un processus de raisonnement déductif. Depuis 2022, les modèles d’apprentissage automatique dans le domaine des prévisions météorologiques ont réalisé une série de percées, dont certaines peuvent rivaliser avec les prévisions de haute précision du Centre européen pour les prévisions météorologiques à moyen terme.
*Lectures recommandées:Apprentissage automatique vs. Prévisions météorologiques numériques : comment l'IA modifie le modèle de prévision météorologique existant (Cliquez pour lire l'article original)
IA + Astronomie
Utilisation de données simulées pour former des algorithmes de vision par ordinateur afin d'affiner les images astronomiques
Déconvolution d'images de galaxies pour lentille gravitationnelle faible avec ADMM plug-and-play déroulé
*source: Avis mensuels de la Royal Astronomical Society
*auteurÉquipe de recherche de l'Université Tsinghua et de l'Université Northwestern
*papier:
https://www.nature.com/articles/s41421-023-00543-1
L'algorithme PRIMO apprend les lois de la propagation de la lumière autour d'un trou noir et reconstruit une image plus claire du trou noir
L'image du trou noir M87 reconstruite avec PRIMO
*source:Lettres du Journal d'Astrophysique
*auteurÉquipe de recherche de l'Institut d'études avancées de Princeton
*papier:
https://iopscience.iop.org/article/10.3847/2041-8213/acc32d/pdf
En utilisant l'algorithme d'apprentissage automatique non supervisé Astronomaly, nous avons trouvé des anomalies qui étaient auparavant négligées
Astronomiquement à grande échelle : recherche d'anomalies parmi 4 millions de galaxies
*source: arXiv
*auteur：Chercheurs de l'Université du Cap-Occidental
*papier:
https://arxiv.org/abs/2309.08660
IA+ Énergie et Environnement
Utiliser l'apprentissage automatique pour découvrir des modèles de combinaison de minéraux afin de prédire l'emplacement des minéraux
Prédire de nouvelles occurrences minérales et des environnements planétaires analogues via l'analyse d'association minérale
*source：PNAS Nexus
*auteur: Des chercheurs de la Carnegie Institution for Science à Washington et de l'Université de l'Arizona
*papier:
https://academic.oup.com/pnasnexus/article/2/5/pgad110/7163824?login=true
Utilisation de modèles physiques et d'apprentissage automatique pour prédire les pertes dues à la pollution causées par l'accumulation de saletés et d'autres matériaux à la surface des panneaux photovoltaïques dans les climats arides
Caractérisation des pertes par encrassement des systèmes photovoltaïques en climat sec : une étude de cas à Chypre
*source:Énergie solaire
*auteur: Des chercheurs de l'Université de Chypre
*papier:
https://www.sciencedirect.com/science/article/pii/S0038092X23001883
Utilisation de méthodes d'apprentissage automatique pour prédire l'émission de gaz aminés nocifs dans le processus de capture du carbone
Apprentissage automatique pour les procédés industriels : prévision des émissions d'amines d'une usine de captage du carbone
*source：ScienceAdvances
*auteur:Une équipe de recherche de l'EPFL et de l'Université Heriot-Watt
*papier:
https://www.science.org/doi/10.1126/sciadv.adc9576
IA + Catastrophes naturelles
Réseau neuronal superposable pour analyser les facteurs d'influence des catastrophes naturelles
Modélisation de la susceptibilité aux glissements de terrain par réseau neuronal interprétable
*source：Communications Terre et Environnement
*auteur: Des chercheurs de l'Université de Californie à Los Angeles
*papier:
https://www.nature.com/articles/s43247-023-00806-5
À l’aide d’une IA explicable, nous avons analysé différents facteurs géographiques dans le Gippsland, en Australie, et obtenu une carte de distribution de probabilité d’incendie de forêt locale.
L'intelligence artificielle explicable (XAI) pour interpréter les facteurs contributifs alimente le modèle de prédiction de la susceptibilité aux incendies de forêt
*source: ScienceDirect
*auteurDes chercheurs de l'Université nationale australienne et de l'Université de technologie de Sydney
*papier:
https://www.sciencedirect.com/science/article/pii/S0048969723016224
autre
Problèmes directs et inverses de l'IA en méta-optique, analyse de données basée sur des systèmes de métasurfaces
L'intelligence artificielle en méta-optique
*sourcePublications ACS
*auteur：Chercheurs de l'Université de la ville de Hong Kong
*Interprétation:L'IA s'ajoute au jeu, et la super-optique entre dans une ère en plein essor (cliquez pour lire l'article original)
*papier:
https://pubs.acs.org/doi/10.1021/acs.chemrev.2c00012
Ithaca aide les épigraphes dans la restauration des textes, l'attribution chronologique et géographique
Restauration et attribution de textes anciens à l'aide de réseaux neuronaux profonds
*source:Nature
*auteur: Des chercheurs de DeepMind et de l'Université de Venise Foscari
*papier:
https://www.nature.com/articles/s41586-022-04448-z
Trente chercheurs ont publié conjointement une revue Nature, passant en revue 10 ans et déconstruisant la façon dont l'IA a remodelé le paradigme de la recherche scientifique
Hanchen Wang, chercheur postdoctoral de l'École d'informatique et de génomique de l'Université de Stanford, Tianfan Fu du Département d'informatique et d'ingénierie du Georgia Institute of Technology et Yuanqi Du du Département d'informatique de l'Université Cornell, ainsi que 30 autres personnes, ont passé en revue le rôle de l'IA dans la recherche scientifique fondamentale au cours de la dernière décennie et ont souligné les défis et les lacunes qui existent encore.
Politique : Le ministère des Sciences et de la Technologie, en collaboration avec la Fondation nationale des sciences naturelles de Chine, a lancé le projet de déploiement spécial « IA pour la science »
Le 27 mars, l'agence de presse Xinhua a rapporté qu'afin de mettre en œuvre le « Plan national de développement de l'intelligence artificielle de nouvelle génération », le ministère des Sciences et de la Technologie, en collaboration avec la Fondation nationale des sciences naturelles de Chine, a récemment lancé le travail de déploiement spécial « Recherche scientifique axée sur l'intelligence artificielle » (IA pour la science).
Cette fois, la mise en place par mon pays du système de recherche et de développement de technologies de pointe en matière d'IA pour la science intégrera étroitement les questions clés dans les disciplines fondamentales telles que les mathématiques, la physique, la chimie et l'astronomie, et se concentrera sur les besoins de recherche scientifique dans des domaines clés tels que le développement de médicaments, la recherche génétique, la sélection biologique et le développement de nouveaux matériaux. À cet égard, Xu Bo, directeur de l'Institut d'automatisation de l'Académie chinoise des sciences, a expliqué que la création de nouveaux médicaments, la recherche génétique, la sélection biologique, la recherche et le développement de nouveaux matériaux et d'autres domaines sont des directions importantes où la combinaison de l'intelligence artificielle et de la recherche scientifique est nécessaire de toute urgence, a fait des progrès remarquables et est représentative.
Ce qui précède est le document de pointe que « HyperAI Super Neural » interprétera pour vous en 2023.Suivez le compte officiel WeChat et répondez « 2023 ScienceAI » en arrière-plan pour télécharger tous les articles d'un package.
En 2024, nous continuerons à nous concentrer sur les derniers résultats de la recherche scientifique et les applications connexes de l'IA pour la science, alors restez à l'écoute~