HyperAI超神経

AI論文ウィークリーレポート:1億細胞データモデリング/遺伝子軌跡の効率的な予測/コマンドの曖昧性の解消/検証可能な報酬/高度に動的なゲーム生成、5つの主要なブレークスルーの概要

特色图像

細胞の摂動に対する応答は、生物学的メカニズムを理解し、潜在的な創薬ターゲットを選定するための基礎となる。実験手法と比較して、計算モデルは摂動の影響を予測する上で大きな可能性を秘めているが、実験的に観察された細胞環境の影響を未観察の環境に一般化することが難しいため、実用化には限界がある。

これに基づき、アーク研究所はカリフォルニア大学をはじめとする大学と共同で、摂動実験内および摂動実験間の細胞内異質性を考慮しながら摂動効果を予測できる機械学習アーキテクチャ「State」を導入しました。複数の大規模データセットにおいて、Stateの摂動効果識別能力は50%以上向上し、遺伝的、シグナル的、化学的摂動において真に発現差のある遺伝子を特定する精度は既存モデルの2倍以上となりました。

ペーパーリンク:https://go.hyper.ai/xkBgn

最新のAI論文:https://go.hyper.ai/hzChC

学術界における人工知能分野の最新動向をより多くのユーザーに知ってもらうため、HyperAI の公式サイト (hyper.ai) に「最新論文」セクションが開設され、最先端の AI 研究論文が毎日更新されます。おすすめのAI論文5選遺伝子発現、ゲーム動画生成、そして詳細な研究ベンチマークデータセットとそのダウンロードアドレスを含む、AIフロンティアの成果をまとめた論文集を公開しました。同時に、論文構成をまとめたマインドマップも公開しました。それでは、今週のAIフロンティアの成果を簡単に見ていきましょう⬇️

今週のおすすめ紙

1 状態を用いた多様な状況における摂動に対する細胞応答の予測

本論文では、Stateと呼ばれる機械学習アーキテクチャを紹介します。これは、様々な種類の干渉(遺伝的、化学的、シグナル伝達的介入など)に対する細胞の応答を予測するために使用されます。状態遷移モデルと細胞埋め込みモデルを組み合わせることで、Stateモデルは70種類の異なる細胞環境における1億個以上の撹乱された細胞データを効果的に処理およびシミュレーションできます。既存のモデルと比較して、Stateは複数の大規模データセットにおいて50%よりも大幅に優れたパフォーマンスを示し、特に遺伝子発現の差異の特定において2倍以上の精度を達成しました。

論文リンク:https://go.hyper.ai/xkBgn

* Tahoe-100M 単一細胞データセット:

https://go.hyper.ai/2ySXS

* Parse-PBMC 単一細胞 RNA シーケンス データセット:

https://go.hyper.ai/P4j7q

モデルアーキテクチャ図
紙のマインドマップ

2 AlphaGenome: 統一されたDNA配列モデルによる調節変異効果予測の進歩

本稿では、DNA配列から遺伝子発現、転写開始、クロマチンアクセシビリティ、ヒストン修飾、転写因子結合部位、クロマチンコンタクトマップなど、様々な機能遺伝子トラックを予測できるディープラーニングモデル「AlphaGenome」を紹介します。また、1回のデバイスコールで多数の変異体効果を予測できるため、非常に高速です。AlphaGenomeは、現在のディープラーニングモデルが直面する2つの主要な問題、すなわち入力配列長と予測解像度のトレードオフ、およびマルチモーダル予測能力とシングルモーダル予測能力のバランスを解決します。

論文リンク:https://go.hyper.ai/D4sjw

モデルアーキテクチャ図
紙のマインドマップ

3 CodeDiffuser: 注意力強化  VLM生成による拡散政策 命令の曖昧さを示すコード

本稿では、言語の曖昧性と多義性を考慮したロボットタスク実行フレームワークであるCodeDiffuserを紹介します。このフレームワークは、視覚言語モデルによって生成されたコードを用いて自然言語命令を解析し、視覚ベースモデルを中間表現として3次元の注目度マップを計算することで、抽象的で曖昧な言語命令の問題を解決します。実験結果によると、CodeDiffuser導入後、システムのパフォーマンスが大幅に向上し、言語の曖昧性、集中的な操作、複数オブジェクトの相互作用を伴う複雑なタスクを正常に完了することができました。

論文リンク:https://go.hyper.ai/Y6M3P

モデルアーキテクチャ図
紙のマインドマップ

4 REASONING GYM: 検証可能な報酬を伴う強化学習のための推論環境

本稿では、強化学習向けに設計された推論環境ライブラリであるREASONING GYM(RG)を紹介します。RGは、検証可能な報酬を持つ無制限のトレーニングデータを生成でき、代数、算術、論理、グラフ理論など、様々な推論タスクをサポートします。アルゴリズムによって自動生成されるタスクは難易度を調整できるため、動的な評価とトレーニングが可能です。外部ベンチマークテストを通じて、RGトレーニングから得られた知識が、実際の問題解決タスクに効果的に応用できることが確認されています。REASONING GYMは、大規模言語モデルの推論能力を体系的に探索し、強化するための強力なツールを提供します。

論文リンク:https://go.hyper.ai/JvIlr

タスクの例
紙のマインドマップ

5 Hunyuan-GameCraft: ハイブリッド履歴条件による高ダイナミックインタラクティブゲームビデオ生成

本稿では、拡散モデルと条件制御を組み合わせることで、高品質で動的なゲームビデオ生成を実現する新しいインタラクティブゲームビデオ生成フレームワーク「Hunyuan-GameCraft」を紹介します。この手法は、キーボードとマウスの入力を共有カメラ表現空間に統合することで複雑なインタラクティブ入力をサポートし、長期的な空間的および時間的一貫性を維持するためのハイブリッド履歴条件付きトレーニング戦略を提案します。実験結果によると、Hunyuan-GameCraftは既存のモデルと比較して、動的パフォーマンス、インタラクション精度、時間的および空間的一貫性において大幅に優れた性能を示しており、リアルタイムインタラクティブかつ高ダイナミックなゲームビデオ生成において大きな可能性を秘めていることが示されています。

論文リンク:https://go.hyper.ai/kVEMV

タスクの例
紙のマインドマップ

今週の論文推薦は以上です。さらに最先端のAI研究論文をご覧になりたい方は、hyper.ai公式サイトの「最新論文」セクションをご覧ください。

質の高い研究成果や論文の提出を歓迎いたします。ご興味のある方は、NeuroStar WeChat(WeChat ID: Hyperai01)にご登録ください。

また来週お会いしましょう!