Jadual Kandungan
Terdapat lubang besar dalam gambarajah anatomi yang dihasilkan setakat ini. Kaedah pengimejan tidak dapat memetakan sambungan elektrik pada skala bersama-sama dengan sambungan sinaptik kimia. Penyelidik telah memberi tumpuan terutamanya pada neuron, walaupun sel glial bukan neuron yang memberikan sokongan kepada neuron kelihatan memainkan peranan penting dalam aliran maklumat dalam sistem saraf. Masih banyak yang tidak diketahui tentang gen yang dinyatakan dan protein yang terdapat dalam neuron dan sel lain yang dipetakan.
Think Big
Kerumitan Teknik Utama
Rumah Peranti teknologi AI Komen Google Scientist Nature: Bagaimana kecerdasan buatan boleh memahami otak dengan lebih baik

Komen Google Scientist Nature: Bagaimana kecerdasan buatan boleh memahami otak dengan lebih baik

Nov 10, 2023 am 08:21 AM
teori

Disusun | dalam artikel ulasan "Nature" (Bagaimana AI boleh membawa kepada pemahaman yang lebih baik tentang otak).

谷歌科学家 Nature 评论:人工智能如何更好地理解大脑

Pautan kertas: https://www.nature.com/articles/d41586-023-03426-3

Bolehkah komputer diprogramkan untuk mensimulasikan otak? Ini adalah soalan yang telah lama ditanya oleh ahli matematik, ahli teori dan pakar eksperimen - sama ada kerana keinginan untuk mencipta kecerdasan buatan (AI) atau kerana tingkah lakunya hanya boleh difahami jika matematik atau komputer boleh menghasilkan semula sistem yang kompleks seperti otak. Untuk cuba menjawab soalan ini, penyelidik telah membangunkan model ringkas rangkaian saraf otak sejak tahun 1940-an. Malah, ledakan pembelajaran mesin hari ini boleh dikesan kembali kepada kerja awal yang diilhamkan oleh sistem biologi.

谷歌科学家 Nature 评论:人工智能如何更好地理解大脑Walau bagaimanapun, hasil daripada usaha ini kini membolehkan penyelidik bertanya soalan yang sedikit berbeza: Bolehkah pembelajaran mesin digunakan untuk membina model pengiraan yang mensimulasikan aktiviti otak?

Di tengah-tengah perkembangan ini adalah meningkatkan jumlah data otak. Bermula pada tahun 1970-an, ahli sains saraf telah menghasilkan penghubung, peta sambungan neuron dan morfologi yang menangkap perwakilan statik otak pada masa tertentu, dan penyelidikan ini telah dipergiatkan. Sebagai tambahan kepada kemajuan ini, penyelidik juga telah meningkatkan keupayaan mereka untuk membuat rakaman berfungsi yang boleh mengukur perubahan dalam aktiviti saraf dari semasa ke semasa pada resolusi sel tunggal. Sementara itu, bidang transkriptomi membolehkan penyelidik mengukur aktiviti gen dalam sampel tisu dan juga memetakan bila dan di mana aktiviti itu berlaku.

Setakat ini, beberapa percubaan telah dibuat untuk menyambungkan sumber data yang berbeza ini atau mengumpulnya secara serentak dari seluruh otak sampel yang sama. Tetapi apabila tahap perincian, saiz dan bilangan set data meningkat, terutamanya untuk otak organisma model yang agak mudah, sistem pembelajaran mesin menjadikan pendekatan baharu untuk pemodelan otak boleh dilaksanakan. Ini melibatkan latihan program kecerdasan buatan pada connectome dan data lain untuk menghasilkan semula aktiviti saraf yang anda harapkan dapati dalam sistem biologi.

Ahli sains saraf pengiraan dan yang lain perlu menyelesaikan beberapa cabaran sebelum mereka boleh mula menggunakan pembelajaran mesin untuk membina simulasi seluruh otak. Tetapi pendekatan hibrid yang menggabungkan maklumat daripada teknik pemodelan otak tradisional dengan sistem pembelajaran mesin yang dilatih pada set data berbeza boleh menjadikan keseluruhan usaha lebih teliti dan bermaklumat.

Pemetaan Otak

Pencarian untuk memetakan otak bermula hampir setengah abad yang lalu dengan 15 tahun penyelidikan yang teliti dalam nematod Caenorhabditis elegans. Sepanjang dua dekad yang lalu, perkembangan dalam pembahagian tisu automatik dan pengimejan telah menjadikan data anatomi lebih mudah diakses oleh penyelidik, manakala kemajuan dalam pengkomputeran dan analisis imej automatik telah mengubah analisis set data ini.

Connectomes kini telah dijana untuk keseluruhan otak C. elegans, larva dan Drosophila melanogaster dewasa, dan untuk bahagian kecil (masing-masing satu perseribu dan satu juta) otak tetikus dan manusia.

Terdapat lubang besar dalam gambarajah anatomi yang dihasilkan setakat ini. Kaedah pengimejan tidak dapat memetakan sambungan elektrik pada skala bersama-sama dengan sambungan sinaptik kimia. Penyelidik telah memberi tumpuan terutamanya pada neuron, walaupun sel glial bukan neuron yang memberikan sokongan kepada neuron kelihatan memainkan peranan penting dalam aliran maklumat dalam sistem saraf. Masih banyak yang tidak diketahui tentang gen yang dinyatakan dan protein yang terdapat dalam neuron dan sel lain yang dipetakan.

Walau bagaimanapun, peta sedemikian telah menghasilkan beberapa cerapan. Dalam Drosophila melanogaster, sebagai contoh, connectomics membolehkan penyelidik mengenal pasti mekanisme di sebalik litar saraf yang bertanggungjawab untuk tingkah laku seperti pencerobohan. Peta otak juga mendedahkan bagaimana lalat buah mengira maklumat dalam litar yang bertanggungjawab untuk mengetahui di mana mereka berada dan cara untuk pergi dari satu tempat ke tempat lain. Dalam larva ikan zebra (Danio rerio), connectomics membantu mendedahkan cara kerja litar sinaptik yang mendasari klasifikasi bau, kawalan kedudukan dan pergerakan mata serta navigasi.

Usaha yang akhirnya boleh menjana keseluruhan sambungan otak tetikus sedang dijalankan – walaupun dengan kaedah semasa, ini boleh mengambil masa sedekad atau lebih. Otak tikus hampir 1,000 kali lebih besar daripada otak Drosophila melanogaster, yang terdiri daripada kira-kira 150,000 neuron.

Selain daripada semua kemajuan dalam connectomic ini, penyelidik memanfaatkan transkriptomi sel tunggal dan ruang untuk menangkap corak ekspresi gen dengan ketepatan dan kekhususan yang semakin meningkat. Pelbagai teknik juga membolehkan penyelidik merekodkan aktiviti saraf dari seluruh otak haiwan vertebrata selama berjam-jam pada satu masa. Dalam kes otak ikan zebra larva, ini bermakna rakaman daripada hampir 100,000 neuron. Ini termasuk protein dengan sifat pendarfluor yang berubah sebagai tindak balas kepada perubahan dalam tahap voltan atau kalsium, dan teknik mikroskopi yang membolehkan pengimejan 3D otak hidup pada resolusi sel tunggal. (Rakaman aktiviti saraf dengan cara ini memberikan gambaran yang kurang tepat berbanding rakaman elektrofisiologi, tetapi jauh lebih baik daripada kaedah bukan invasif seperti pengimejan resonans magnetik berfungsi.) , saintis terutamanya menggunakan kaedah berasaskan fizik. Ini memerlukan penjanaan simulasi sistem saraf atau bahagian sistem saraf menggunakan penerangan matematik tentang kelakuan neuron sebenar atau bahagian sistem saraf sebenar. Ia juga memerlukan membuat tekaan termaklum tentang aspek litar yang belum disahkan melalui pemerhatian, seperti ketersambungan rangkaian. Dalam sesetengah kes, spekulasi adalah meluas (lihat "Model Misteri") tetapi dengan cara lain, peta anatomi pada sel tunggal dan resolusi sinaps tunggal membantu penyelidik menyangkal dan menjana hipotesis.

Model Misteri

Disebabkan kekurangan data, sukar untuk menilai sama ada model rangkaian saraf tertentu menangkap perkara yang berlaku dalam sistem sebenar.

Projek Otak Manusia Eropah yang kontroversial, yang berakhir pada bulan September, pada asalnya bertujuan untuk mensimulasikan keseluruhan otak manusia secara pengiraan. Walaupun matlamat itu ditinggalkan, projek itu mensimulasikan bahagian otak tikus dan manusia, termasuk puluhan ribu neuron dalam model hippocampus tikus, berdasarkan ukuran biologi terhad dan pelbagai prosedur penjanaan data sintetik.

Masalah utama dengan pendekatan ini ialah jika tiada gambar rajah anatomi atau fungsi yang terperinci, adalah sukar untuk menilai seberapa tepat simulasi akhir menangkap apa yang berlaku dalam sistem biologi.

Selama kira-kira tujuh puluh tahun, ahli sains saraf telah memperhalusi penerangan teori tentang litar yang membolehkan pengiraan pergerakan dalam Drosophila melanogaster. Sejak siap pada 2013, Motion Detection Circuit Connectome dan seterusnya Flight Connectome yang lebih besar telah menyediakan gambar rajah litar terperinci yang menyokong beberapa hipotesis tentang cara litar berfungsi.

Walau bagaimanapun, data yang dikumpul daripada rangkaian saraf sebenar juga menyerlahkan batasan kaedah dipacu anatomi.

Sebagai contoh, model litar saraf yang disiapkan pada tahun 1990-an termasuk analisis terperinci keterkaitan dan fisiologi kira-kira 30 neuron yang membentuk ketam (Cancer borealis) ganglion orogastrik (struktur yang mengawal pergerakan perut haiwan) . Dengan mengukur aktiviti neuron di bawah pelbagai keadaan, para penyelidik mendapati bahawa walaupun untuk koleksi neuron yang agak kecil, perubahan yang kelihatan halus, seperti pengenalan neuromodulator (bahan yang mengubah sifat neuron dan sinaps), , juga akan sepenuhnya. mengubah kelakuan litar. Ini menunjukkan bahawa walaupun dengan penyambung dan set data kaya lain untuk membimbing dan mengekang hipotesis tentang litar saraf, data hari ini mungkin tidak cukup terperinci untuk pemodel untuk menangkap apa yang berlaku dalam sistem biologi.

Ini adalah kawasan di mana pembelajaran mesin boleh menyediakan jalan ke hadapan.

Dengan mengoptimumkan beribu-ribu malah berbilion-bilion parameter berpandukan connectome dan data lain, model pembelajaran mesin boleh dilatih untuk menghasilkan gelagat rangkaian saraf selaras dengan gelagat rangkaian neural sebenar - diukur menggunakan rakaman berfungsi resolusi sel.

Model pembelajaran mesin ini boleh menggabungkan maklumat daripada teknik pemodelan otak tradisional, seperti model Hodgkin-Huxley, yang menerangkan potensi tindakan (perubahan dalam voltan transmembran) dalam neuron ) dimulakan dan disebarkan, dan menggunakan peta sambungan parametrik yang dioptimumkan, aktiviti berfungsi rekod, atau set data lain yang diperoleh untuk seluruh otak. Sebagai alternatif, model pembelajaran mesin boleh mengandungi seni bina "kotak hitam" yang mengandungi sedikit pengetahuan biologi yang dinyatakan secara eksplisit tetapi mengandungi berbilion atau ratusan bilion parameter, yang kesemuanya dioptimumkan secara empirikal.

Sebagai contoh, penyelidik boleh menilai model sedemikian dengan membandingkan ramalan aktiviti saraf sistem dengan rakaman sistem biologi sebenar. Yang penting, apabila program pembelajaran mesin diberikan data yang tidak terlatih, mereka menilai cara ramalan model dibandingkan—seperti amalan standard semasa menilai sistem pembelajaran mesin.

Unjuran akson neuron dalam otak tetikus. (Sumber: Adam Glaser, Jayaram Chandrashekar, Karel Svoboda, Allen Institute for Neurodynamics)

Pendekatan ini akan membolehkan pemodelan otak yang lebih ketat yang mengandungi beribu-ribu atau lebih neuron. Sebagai contoh, penyelidik akan dapat menilai sama ada model yang lebih mudah yang lebih mudah untuk mengira simulasi rangkaian saraf lebih baik daripada model yang lebih kompleks yang memberikan maklumat biofizikal yang lebih terperinci, dan sebaliknya.

Pembelajaran mesin sudah digunakan dengan cara ini untuk meningkatkan pemahaman tentang sistem lain yang sangat kompleks. Sebagai contoh, sejak tahun 1950-an, sistem ramalan cuaca lazimnya bergantung pada model matematik fenomena meteorologi yang dibina dengan teliti, dan sistem moden adalah hasil daripada penghalusan berulang model sedemikian oleh ratusan penyelidik. Walau bagaimanapun, dalam tempoh lima tahun yang lalu atau lebih, penyelidik telah membangunkan beberapa sistem ramalan cuaca yang memanfaatkan pembelajaran mesin. Sebagai contoh, ini mengandungi lebih sedikit andaian yang berkaitan dengan cara kecerunan tekanan mendorong perubahan dalam kelajuan angin dan cara kelajuan angin menggerakkan kelembapan melalui atmosfera. Sebaliknya, berjuta-juta parameter dioptimumkan melalui pembelajaran mesin untuk menghasilkan gelagat cuaca simulasi yang konsisten dengan pangkalan data corak cuaca masa lalu.

Cara melakukan perkara ini memang datang dengan beberapa cabaran. Walaupun model membuat ramalan yang tepat, sukar untuk menerangkan cara model itu melakukannya. Selain itu, model sering gagal meramalkan senario yang tidak disertakan dalam data latihan mereka. Model cuaca yang dilatih untuk meramalkan beberapa hari akan datang mengalami kesukaran mengekstrapolasi ramalan kepada minggu atau bulan ke hadapan. Tetapi dalam beberapa kes - untuk meramalkan hujan beberapa jam ke hadapan - kaedah pembelajaran mesin telah mengatasi kaedah tradisional. Model pembelajaran mesin juga mempunyai kelebihan praktikal. Mereka menggunakan kod asas yang lebih mudah dan boleh digunakan oleh saintis yang kurang pengetahuan meteorologi khusus.

Untuk pemodelan otak, di satu pihak, pendekatan ini boleh membantu mengisi beberapa jurang dalam set data semasa dan mengurangkan keperluan untuk pengukuran yang lebih terperinci bagi komponen biologi individu, seperti neuron individu. Sebaliknya, apabila set data yang lebih komprehensif tersedia, menggabungkan data ke dalam model akan menjadi mudah.

Think Big

Untuk merealisasikan idea ini, terdapat beberapa cabaran yang perlu diselesaikan.

Program pembelajaran mesin hanya sebaik data yang digunakan untuk melatih dan menilainya. Oleh itu, ahli sains saraf harus menyasarkan untuk mendapatkan set data dari seluruh otak sampel-atau bahkan seluruh badan, jika ini menjadi lebih dapat dilaksanakan. Walaupun lebih mudah untuk mengumpul data dari bahagian otak tertentu, menggunakan pembelajaran mesin untuk memodelkan sistem yang sangat saling berkaitan, seperti rangkaian saraf, tidak mungkin menghasilkan maklumat berguna jika banyak bahagian sistem tidak terdapat dalam data asas .

Penyelidik juga harus berusaha untuk mendapatkan peta anatomi sambungan saraf dan rakaman berfungsi (dan mungkin dalam peta ekspresi gen masa hadapan) daripada keseluruhan otak daripada sampel yang sama. Pada masa ini, mana-mana kumpulan cenderung untuk memberi tumpuan semata-mata untuk mendapatkan satu atau yang lain, bukannya kedua-duanya.

Dengan hanya 302 neuron, sistem saraf C. elegans mungkin mempunyai pendawaian keras yang mencukupi untuk membolehkan penyelidik menganggap bahawa peta ketersambungan yang diperoleh daripada satu sampel adalah sama untuk mana-mana sampel lain - walaupun sesetengah kajian mencadangkan sebaliknya. Tetapi untuk sistem saraf yang lebih besar, seperti larva Drosophila melanogaster dan zebrafish, variasi connectome antara sampel adalah penting, jadi model otak harus dilatih mengenai data struktur dan berfungsi yang diperoleh daripada sampel yang sama.

Pada masa ini, ini hanya boleh dilakukan dalam dua organisma model biasa. Badan C. elegans dan larva ikan zebra adalah telus, bermakna penyelidik boleh membuat rakaman berfungsi dari seluruh otak organisma dan menentukan aktiviti neuron individu. Berikutan rakaman sedemikian, haiwan boleh dibunuh serta-merta, tertanam dalam resin dan dibelah, dan pengukuran anatomi sambungan saraf dibuat. Walau bagaimanapun, pada masa hadapan, penyelidik boleh mengembangkan julat organisma yang mana pemerolehan data gabungan sedemikian mungkin, contohnya, dengan membangunkan kaedah bukan invasif baharu, mungkin menggunakan ultrasound, untuk merekodkan aktiviti saraf pada resolusi tinggi.

Mendapatkan set data berbilang mod dalam sampel yang sama memerlukan kerjasama yang meluas dalam kalangan penyelidik, pelaburan dalam sains pasukan besar dan sokongan agensi pembiayaan yang dipertingkatkan untuk usaha yang lebih komprehensif. Tetapi terdapat duluan untuk pendekatan ini, seperti projek MICrONS Aktiviti Program Penyelidikan Lanjutan Perisikan A.S., yang memperoleh data fungsional dan anatomi pada 1 milimeter padu otak tetikus antara 2016 dan 2021.

谷歌科学家 Nature 评论:人工智能如何更好地理解大脑

Selain mendapatkan data ini, ahli sains saraf perlu bersetuju dengan matlamat pemodelan utama dan metrik kuantitatif untuk mengukur kemajuan. Sekiranya matlamat model itu adalah untuk meramalkan tingkah laku neuron individu berdasarkan keadaan masa lalu atau keseluruhan otak? Sekiranya aktiviti neuron tunggal menjadi metrik utama, atau adakah ia menjadi peratusan ratusan ribu neuron aktif? Begitu juga, apakah yang membentuk perwakilan tepat aktiviti saraf dalam sistem biologi? Penanda aras formal yang dipersetujui adalah penting untuk membandingkan pendekatan pemodelan dan menjejaki kemajuan dari semasa ke semasa.

Akhir sekali, untuk membentangkan cabaran pemodelan otak kepada pelbagai komuniti termasuk ahli sains saraf pengiraan dan pakar pembelajaran mesin, penyelidik perlu menjelaskan kepada komuniti saintifik yang lebih luas tugas pemodelan mana yang menjadi keutamaan tertinggi dan metrik yang harus digunakan untuk menilai prestasi model mereka. WeatherBench, platform dalam talian yang menyediakan rangka kerja untuk menilai dan membandingkan model ramalan cuaca, menyediakan templat yang berguna.

Kerumitan Teknik Utama

Sesetengah akan mempersoalkan – dan memang betul – sama ada pendekatan pembelajaran mesin kepada pemodelan otak berguna secara saintifik. Bolehkah masalah cuba memahami bagaimana otak berfungsi hanya digantikan dengan masalah cuba memahami bagaimana rangkaian buatan yang besar berfungsi?

Walau bagaimanapun, adalah menggalakkan untuk melihat pendekatan serupa digunakan dalam cabang-cabang neurosains yang terlibat dalam menentukan bagaimana otak memproses dan mengekod rangsangan deria seperti penglihatan dan bau. Penyelidik semakin menggunakan rangkaian neural model klasik, di mana beberapa butiran biologi ditentukan, digabungkan dengan sistem pembelajaran mesin. Yang terakhir dilatih pada set data visual atau audio yang besar untuk menghasilkan semula kebolehan visual atau pendengaran sistem saraf, seperti pengecaman imej. Rangkaian yang terhasil menunjukkan persamaan yang ketara dengan rangkaian biologi, tetapi lebih mudah untuk dianalisis dan disoal siasat daripada rangkaian saraf sebenar.

Buat masa ini, mungkin hanya perlu bertanya sama ada data daripada atlas otak semasa dan kerja lain boleh melatih model pembelajaran mesin untuk menghasilkan semula aktiviti saraf yang sepadan dengan apa yang dilihat dalam sistem biologi. Di sini, walaupun kegagalan boleh menjadi menyeronokkan - mencadangkan bahawa penyelidikan pemetaan mesti pergi lebih mendalam.

Atas ialah kandungan terperinci Komen Google Scientist Nature: Bagaimana kecerdasan buatan boleh memahami otak dengan lebih baik. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Cara Membuka Segala -galanya Di Myrise
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Menerobos sempadan pengesanan kecacatan tradisional, 'Spektrum Kecacatan' mencapai ketepatan ultra tinggi dan pengesanan kecacatan industri semantik yang kaya buat kali pertama. Menerobos sempadan pengesanan kecacatan tradisional, 'Spektrum Kecacatan' mencapai ketepatan ultra tinggi dan pengesanan kecacatan industri semantik yang kaya buat kali pertama. Jul 26, 2024 pm 05:38 PM

Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan

Model dialog NVIDIA ChatQA telah berkembang kepada versi 2.0, dengan panjang konteks disebut pada 128K Model dialog NVIDIA ChatQA telah berkembang kepada versi 2.0, dengan panjang konteks disebut pada 128K Jul 26, 2024 am 08:40 AM

Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.

Google AI memenangi pingat perak IMO Mathematical Olympiad, model penaakulan matematik AlphaProof telah dilancarkan dan pembelajaran pengukuhan kembali Google AI memenangi pingat perak IMO Mathematical Olympiad, model penaakulan matematik AlphaProof telah dilancarkan dan pembelajaran pengukuhan kembali Jul 26, 2024 pm 02:40 PM

Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif

Pandangan alam semula jadi: Ujian kecerdasan buatan dalam perubatan berada dalam keadaan huru-hara Apa yang perlu dilakukan? Pandangan alam semula jadi: Ujian kecerdasan buatan dalam perubatan berada dalam keadaan huru-hara Apa yang perlu dilakukan? Aug 22, 2024 pm 04:37 PM

Editor |. ScienceAI Berdasarkan data klinikal yang terhad, beratus-ratus algoritma perubatan telah diluluskan. Para saintis sedang membahaskan siapa yang harus menguji alat dan cara terbaik untuk melakukannya. Devin Singh menyaksikan seorang pesakit kanak-kanak di bilik kecemasan mengalami serangan jantung semasa menunggu rawatan untuk masa yang lama, yang mendorongnya untuk meneroka aplikasi AI untuk memendekkan masa menunggu. Menggunakan data triage daripada bilik kecemasan SickKids, Singh dan rakan sekerja membina satu siri model AI untuk menyediakan potensi diagnosis dan mengesyorkan ujian. Satu kajian menunjukkan bahawa model ini boleh mempercepatkan lawatan doktor sebanyak 22.3%, mempercepatkan pemprosesan keputusan hampir 3 jam bagi setiap pesakit yang memerlukan ujian perubatan. Walau bagaimanapun, kejayaan algoritma kecerdasan buatan dalam penyelidikan hanya mengesahkan perkara ini

Latihan dengan berjuta-juta data kristal untuk menyelesaikan masalah fasa kristalografi, kaedah pembelajaran mendalam PhAI diterbitkan dalam Sains Latihan dengan berjuta-juta data kristal untuk menyelesaikan masalah fasa kristalografi, kaedah pembelajaran mendalam PhAI diterbitkan dalam Sains Aug 08, 2024 pm 09:22 PM

Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul Mengenal pasti molekul terbaik secara automatik dan mengurangkan kos sintesis MIT membangunkan rangka kerja algoritma pembuatan keputusan reka bentuk molekul Jun 22, 2024 am 06:43 AM

Editor |. Penggunaan Ziluo AI dalam memperkemas penemuan dadah semakin meletup. Skrin berbilion molekul calon untuk mereka yang mungkin mempunyai sifat yang diperlukan untuk membangunkan ubat baharu. Terdapat begitu banyak pembolehubah untuk dipertimbangkan, daripada harga material kepada risiko kesilapan, sehingga menimbang kos mensintesis molekul calon terbaik bukanlah tugas yang mudah, walaupun saintis menggunakan AI. Di sini, penyelidik MIT membangunkan SPARROW, rangka kerja algoritma membuat keputusan kuantitatif, untuk mengenal pasti calon molekul terbaik secara automatik, dengan itu meminimumkan kos sintesis sambil memaksimumkan kemungkinan calon mempunyai sifat yang diingini. Algoritma juga menentukan bahan dan langkah eksperimen yang diperlukan untuk mensintesis molekul ini. SPARROW mengambil kira kos mensintesis sekumpulan molekul sekaligus, memandangkan berbilang molekul calon selalunya tersedia

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

See all articles