ディープラーニングによる離散時間分岐の予測
多くの自然システムや人工システムは、重大な変化、つまりダイナミクスに突然の、潜在的に有害な変化を起こす傾向があります。深層学習分類器は、シミュレートされた大規模なトレーニング データ セットから分岐の共通特徴を学習することで、重大な遷移に対する早期警告シグナルを提供できます。これまでのところ、分類器は連続時間分岐を予測するようにのみトレーニングされており、離散時間分岐を特徴付ける豊富なダイナミクスは無視されています。
ここでは、マギル大学のトーマス M. ベリーの研究チームが、余次元 1 の 5 つのローカル離散時間分岐に対して早期警告信号を提供するように深層学習分類器をトレーニングしました。彼らは、生理学、経済学、生態学で使用される離散時間モデルからのシミュレートされたデータと、周期倍増分岐を経て自発的に拍動する鶏心臓集合体からの実験データを使用して分類器をテストしました。
さまざまなノイズ強度と近接分岐率にわたって、この分類器は一般的に使用される早期警告信号よりも高い感度と特異性を示します。また、ほとんどの場合、正確な分岐を予測することができ、特に 2 倍周期分岐、ナイマルク サッカー分岐、および折り返し分岐の精度が高くなります。
この研究は「ディープラーニングによる離散時間分岐の予測」というタイトルで、2023年10月10日に「Nature Communications」に掲載されました。
- クリティカル遷移:
- システムが突然、重大な動的変化を経験するクリティカルしきい値。
- 例: 心臓のリズムの変化、金融市場の崩壊、生態系の崩壊。
- 分岐理論:
- 閾値で質的変化を受ける力学システムの研究。
- 局所的な安定性の弱体化 (速度の低下) を伴い、ノイズの時系列特性が変化します。
- これらの変更は、EWS の重要な移行に利用できます。
- 既存のEWS:
- 分散とラグ1の自己相関は、気候、地質、生態学、心臓システムの変化に先立って変化します。
- 予測機能は制限されており、一部のシステムでは失敗する可能性があります。
- ディープ ラーニング EWS:
- 時系列に基づいて分岐タイプを予測するようにニューラル ネットワークをトレーニングします。
- 分岐シミュレーションを使用してデータベースから普遍的な特徴を学習します。
- 分岐の普遍的な性質により、目に見えない時系列に適しています。
離散時間分岐 EWS
- 離散時間動的システムは、連続時間動的システムとは異なる動作を示します。
- 離散時間分岐は生理学、疫学、経済学において自然に発生します。
- 研究者らは、シミュレートされたデータと実験データを使用して、離散時間分岐における深層学習分類器のパフォーマンスをテストしました。
周期倍加分岐:
- イベントが一定の間隔で交互に発生する離散時間分岐のタイプ。
- 速度の低下に伴い、分散とラグ 1 の自己相関に系統的な変化が生じています。
- 鶏の心臓の集合体と人間の心臓で実験的に観察されており、EWSで使用できます。
図: カリウムチャネル遮断薬 (E-4031、1.5 μmol) で処理した後、自発的に拍動する胎児ニワトリ心臓細胞凝集体は周期倍増分岐を示します。 (出典: 論文)
離散時間分岐
離散時間分岐には多くの種類があり、それぞれに動的な変化が伴います。最新の研究で、ベリーのチームは、コディメンション 1 の 5 つの局所分岐に焦点を当てました。 「ローカル」の場合、これらの分岐には深刻な減速が伴うため、体系的な変動、分散、自己相関が予想されます。
予測される分岐の種類
ただし、これらの分岐のすべてが重要な遷移につながるわけではありません。代わりに、交差する定常状態 (超臨界) または徐々に振幅が増加する振動 (超臨界ネイマルク・サクル) にスムーズに移行できます。分岐タイプを予測すると、分散と自己相関だけでは得られない分岐後のダイナミクスの性質に関する情報が得られます。
深層学習分類器
チームは、離散時間動的システムの分岐に特定の EWS を提供するために深層学習分類器をトレーニングします。彼らは、高次項とノイズを追加した正規化方程式からのシミュレートされたデータを使用して分類器をトレーニングしました。
分類器テスト
その後、チームは心臓学、生態学、経済学で使用される 5 つの離散時間モデルのシミュレーション実行で分類器をテストし、その相対分散とラグ 1 自己相関パフォーマンスを評価しました。 EWS の堅牢性は、モデル シミュレーションでノイズの振幅と強制レートを変化させることによって評価されます。
実験的検証
最後に、研究者らは、周期倍増分岐を経て自発的に拍動するニワトリの心臓凝集体からの実験データを使用して、分類器をテストしました。
論文リンク:
https://www.nature.com/articles/s41467-023-42020-z
以上がディープラーニングによる離散時間分岐の予測の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

Video Face Swap
完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











現代の製造において、正確な欠陥検出は製品の品質を確保するための鍵であるだけでなく、生産効率を向上させるための核心でもあります。ただし、既存の欠陥検出データセットには、実際のアプリケーションに必要な精度や意味論的な豊富さが欠けていることが多く、その結果、モデルが特定の欠陥カテゴリや位置を識別できなくなります。この問題を解決するために、広州香港科技大学と Simou Technology で構成されるトップの研究チームは、産業欠陥に関する詳細かつ意味的に豊富な大規模なアノテーションを提供する「DefectSpectrum」データセットを革新的に開発しました。表 1 に示すように、他の産業データ セットと比較して、「DefectSpectrum」データ セットは最も多くの欠陥注釈 (5438 個の欠陥サンプル) と最も詳細な欠陥分類 (125 個の欠陥カテゴリ) を提供します。

編集者 |KX 今日に至るまで、単純な金属から大きな膜タンパク質に至るまで、結晶学によって決定される構造の詳細と精度は、他のどの方法にも匹敵しません。しかし、最大の課題、いわゆる位相問題は、実験的に決定された振幅から位相情報を取得することのままです。デンマークのコペンハーゲン大学の研究者らは、結晶相の問題を解決するための PhAI と呼ばれる深層学習手法を開発しました。数百万の人工結晶構造とそれに対応する合成回折データを使用して訓練された深層学習ニューラル ネットワークは、正確な電子密度マップを生成できます。この研究では、この深層学習ベースの非経験的構造解法は、従来の非経験的計算法とは異なり、わずか 2 オングストロームの解像度で位相問題を解決できることが示されています。これは、原子解像度で利用可能なデータのわずか 10% ~ 20% に相当します。

オープンな LLM コミュニティは百花繚乱の時代です Llama-3-70B-Instruct、QWen2-72B-Instruct、Nemotron-4-340B-Instruct、Mixtral-8x22BInstruct-v0.1 などがご覧いただけます。優秀なパフォーマーモデル。しかし、GPT-4-Turboに代表される独自の大型モデルと比較すると、オープンモデルには依然として多くの分野で大きなギャップがあります。一般的なモデルに加えて、プログラミングと数学用の DeepSeek-Coder-V2 や視覚言語タスク用の InternVL など、主要な領域に特化したいくつかのオープン モデルが開発されています。

AI にとって、数学オリンピックはもはや問題ではありません。木曜日、Google DeepMind の人工知能は、AI を使用して今年の国際数学オリンピック IMO の本当の問題を解決するという偉業を達成し、金メダル獲得まであと一歩のところまで迫りました。先週終了したばかりの IMO コンテストでは、代数、組合せ論、幾何学、数論を含む 6 つの問題が出題されました。 Googleが提案したハイブリッドAIシステムは4問正解で28点を獲得し、銀メダルレベルに達した。今月初め、UCLA 終身教授のテレンス・タオ氏が、100 万ドルの賞金をかけて AI 数学オリンピック (AIMO Progress Award) を宣伝したばかりだったが、予想外なことに、AI の問題解決のレベルは 7 月以前にこのレベルまで向上していた。 IMO に関する質問を同時に行うのが最も難しいのは、最も歴史が長く、規模が最も大きく、最も否定的な IMO です。

2023 年には、AI のほぼすべての分野が前例のない速度で進化しています。同時に、AI は身体化されたインテリジェンスや自動運転などの主要な分野の技術的限界を押し広げています。マルチモーダルの流れのもと、AI大型モデルの主流アーキテクチャとしてのTransformerの状況は揺るがされるだろうか? MoE (専門家混合) アーキテクチャに基づく大規模モデルの検討が業界の新しいトレンドになっているのはなぜですか?ラージ ビジョン モデル (LVM) は、一般的な視覚における新たなブレークスルーとなる可能性がありますか? ...過去 6 か月間にリリースされたこのサイトの 2023 PRO メンバー ニュースレターから、上記の分野の技術トレンドと業界の変化を詳細に分析し、新しい分野での目標を達成するのに役立つ 10 の特別な解釈を選択しました。準備してください。この解釈は 2023 年の Week50 からのものです

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

編集者 | KX 逆合成は創薬や有機合成において重要なタスクであり、そのプロセスを高速化するために AI の使用が増えています。既存の AI 手法はパフォーマンスが不十分で、多様性が限られています。実際には、化学反応は多くの場合、反応物と生成物の間にかなりの重複を伴う局所的な分子変化を引き起こします。これに触発されて、浙江大学のHou Tingjun氏のチームは、単一ステップの逆合成予測を分子列編集タスクとして再定義し、標的分子列を反復的に改良して前駆体化合物を生成することを提案した。そして、高品質かつ多様な予測を実現できる編集ベースの逆合成モデルEditRetroを提案する。広範な実験により、このモデルが標準ベンチマーク データ セット USPTO-50 K で優れたパフォーマンスを達成し、トップ 1 の精度が 60.8% であることが示されました。

編集者 | ScienceAI 限られた臨床データに基づいて、何百もの医療アルゴリズムが承認されています。科学者たちは、誰がツールをテストすべきか、そしてどのようにテストするのが最善かについて議論しています。デビン シン氏は、救急治療室で小児患者が治療を長時間待っている間に心停止に陥るのを目撃し、待ち時間を短縮するための AI の応用を模索するようになりました。 SickKids 緊急治療室からのトリアージ データを使用して、Singh 氏らは潜在的な診断を提供し、検査を推奨する一連の AI モデルを構築しました。ある研究では、これらのモデルにより医師の診察が 22.3% 短縮され、医療検査が必要な患者 1 人あたりの結果の処理が 3 時間近く高速化できることが示されました。ただし、研究における人工知能アルゴリズムの成功は、これを証明するだけです。
