Périphériques technologiques
IA
Une équipe de l'Académie chinoise des sciences utilise la technologie de formation de grands modèles d'IA pour traiter des données massives de rayonnement synchrotron
Une équipe de l'Académie chinoise des sciences utilise la technologie de formation de grands modèles d'IA pour traiter des données massives de rayonnement synchrotron
Sans changer le sens original, la phrase qui doit être réécrite en chinois est : Edit| La technologie d'imagerie par diffraction cohérente a été largement utilisée dans la recherche dans divers domaines scientifiques tels que les matériaux, la vie, les semi-conducteurs et l'énergie.
La nouvelle génération de source lumineuse à rayonnement synchrotron peut fournir des rayons X de haute cohérence et de haute luminosité, favorisant le développement d'une technologie d'imagerie cohérente dans le sens d'un haut débit et multidimensionnel, rendant la ptychographie excellente dans la recherche de structures fines et la caractérisation fonctionnelle. d'échantillons en grand volume Perspectives d'application. Cependant, de nouveaux modèles expérimentaux et scénarios d'application ont posé des défis techniques à l'analyse en ligne de données massives. La quantité de données de diagramme de diffraction originales pour une seule expérience peut atteindre le niveau PB, devenant ainsi l'une des plus grandes sources de données pour les expériences scientifiques du quatrième. -Source de lumière à rayonnement synchrotron de première génération. De plus, son problème de récupération de phase est également l’un des problèmes les plus difficiles dans le domaine du traitement des données de rayonnement synchrotron.
En tant qu'outil puissant d'analyse et de traitement du Big Data, les méthodes d'intelligence artificielle conservent les avantages des algorithmes traditionnels et mettent en valeur leurs capacités d'analyse en ligne de données expérimentales massives.
En tant que technologie d'imagerie par balayage relativement longue, l'un des principaux objectifs de la ptychographie est de réaliser une analyse en temps réel. Cependant, l’algorithme de reconstruction ptychographique traditionnel actuel est difficile à répondre aux besoins de reconstruction en ligne. Sur la base du réseau neuronal convolutif, l'équipe de recherche a proposé une structure de décodeur de réseau neuronal convolutif groupé, qui accélère la formation et la reconstruction du réseau et améliore l'effet de reconstruction. Les réseaux de neurones peuvent apprendre à cartographier des modèles de diffraction vers des objets réels. Grâce à l'amélioration future du volume et de la qualité des données des sources lumineuses, l'échelle du réseau, le volume des paramètres et le volume des données de formation augmenteront encore, ce qui améliorera les performances et les capacités de généralisation du réseau. L'équipe logicielle de la ligne de lumière HEPS (High Energy Synchrotron Radiation Source) de l'Académie chinoise des sciences a développé un cadre de réseau neuronal convolutif appelé PtyNet pour récupérer des projections précises d'objets à partir de données expérimentales de ptychographie à rayons X. Avec le soutien d'un puissant cluster informatique, PtyNet peut rapidement obtenir des données provenant de sources lumineuses à rayonnement synchrotron pour la formation et reconstruire rapidement des images des données expérimentales des utilisateurs
Figure 1
La recherche est intitulée "En analysant à grande échelle « Stratégie efficace de reconstruction de ptychographie pour la mise au point de modèles d'apprentissage profond pré-entraînés », publié dans le magazine iScience le 9 novembre 2023
Lien papier :
Étant donné que les objets cibles récupérés par différentes données expérimentales sont différents, l'équipe a également introduit une stratégie de réglage fin pour optimiser davantage les paramètres du réseau. La stratégie de réglage fin non supervisé permet au réseau d'avoir une capacité de généralisation plus forte et une résolution de reconstruction plus élevée. Les sources de rayonnement synchrotron peuvent fournir au réseau suffisamment de données pour obtenir un modèle pré-entraîné plus puissant. Même pour un nouvel échantillon qui n’apparaît pas dans le réseau, le réseau peut être reconstruit avec succès (Figure 2).
Le contenu qui doit être réécrit est : La deuxième image
À l'avenir, l'équipe continuera à mener des recherches sur l'application des réseaux neuronaux convolutifs au domaine de l'imagerie cohérente aux rayons X. En utilisant des stratégies de réglage fin et de grands modèles, un grand modèle d’imagerie cohérente a été développé. Le modèle lui-même peut identifier différentes tâches d'imagerie et donner des résultats de récupération. Les utilisateurs n'ont qu'à saisir un petit nombre de paramètres de station d'assemblage pour une reconstruction en temps réel.
Face au défi des données à l'échelle EB à l'avenir, HEPS promeut activement le paradigme de recherche scientifique innovant du « Cadre logiciel scientifique à grande échelle + IA pour la science » et a créé une équipe de logiciels scientifiques professionnels pour effectuer un contrôle expérimental, grand La collecte de données et la recherche interdisciplinaire en matière de traitement, d'intelligence artificielle, d'algorithmes de pointe, de traitement d'images multi-échelles et d'exploration de données ont jeté les bases de la construction de « sources de lumière intelligentes ».
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche.
Jul 26, 2024 pm 05:38 PM
Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).
Le modèle de dialogue NVIDIA ChatQA a évolué vers la version 2.0, avec la longueur du contexte mentionnée à 128 Ko
Jul 26, 2024 am 08:40 AM
La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.
Formation avec des millions de données cristallines pour résoudre le problème de la phase cristallographique, la méthode d'apprentissage profond PhAI est publiée dans Science
Aug 08, 2024 pm 09:22 PM
Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel
Google AI a remporté la médaille d'argent de l'Olympiade mathématique de l'OMI, le modèle de raisonnement mathématique AlphaProof a été lancé et l'apprentissage par renforcement est de retour.
Jul 26, 2024 pm 02:40 PM
Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.
Le point de vue de la nature : les tests de l'intelligence artificielle en médecine sont dans le chaos. Que faut-il faire ?
Aug 22, 2024 pm 04:37 PM
Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
PRO | Pourquoi les grands modèles basés sur le MoE méritent-ils davantage d'attention ?
Aug 07, 2024 pm 07:08 PM
En 2023, presque tous les domaines de l’IA évoluent à une vitesse sans précédent. Dans le même temps, l’IA repousse constamment les limites technologiques de domaines clés tels que l’intelligence embarquée et la conduite autonome. Sous la tendance multimodale, le statut de Transformer en tant qu'architecture dominante des grands modèles d'IA sera-t-il ébranlé ? Pourquoi l'exploration de grands modèles basés sur l'architecture MoE (Mixture of Experts) est-elle devenue une nouvelle tendance dans l'industrie ? Les modèles de grande vision (LVM) peuvent-ils constituer une nouvelle avancée dans la vision générale ? ...Dans la newsletter des membres PRO 2023 de ce site publiée au cours des six derniers mois, nous avons sélectionné 10 interprétations spéciales qui fournissent une analyse approfondie des tendances technologiques et des changements industriels dans les domaines ci-dessus pour vous aider à atteindre vos objectifs dans le nouveau année. Cette interprétation provient de la Week50 2023
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
