目錄
#作者：Robert Verkuil 、 Ori Kabeli 等
對於固定主幹設計，語言模型成功為 8 個經過實驗評估的人工創建的固定主幹目標產生了蛋白質設計。
對於不受約束生成的情況，採樣的蛋白質涵蓋了不同的拓撲結構和二級結構組成，結果具有很高的實驗成功率71/129（55%） 。
下圖1 是ESM2 模型設計蛋白質的整體流程：
##推薦：研究發現ESM2 語言模型透過學習深層語法，就能產生天然蛋白質以外的新蛋白質。
論文2：A high-level programming language for generative protein design
#作者：Brian Hie 、 Salvatore Candido 等
#論文地址：https://www.biorxiv.org/content/10.1101/2022.12.21.521526v1.full. pdf
此外還需要一個基於能量的生成模型。首先，蛋白質設計器指定一個高階程序，該程序由一組按層次組織的約束組成（圖 1A）。然後，程式編譯為一個能量函數，用於評估與約束的兼容性，約束是任意的且不可微的（圖 1B）。最後透過將原子級結構預測（由語言模型支援）合併到能量函數中，可以產生大量複雜的蛋白質設計（圖 1C）。
#推薦：程式設計產生複雜和模組化的蛋白質結構。
論文3：DOC: Improving Long Story Coherence With Detailed Outline Contro
摘要：前段時間，模仿人類寫作過程的語言模型Re^3 發布，該模型不需要微調大模型，而是透過設計prompt 來產生一致性強的故事。
現在，研究團隊又提出了一個產生故事的新模型 DOC。論文作者 Kevin Yang、田淵棟也在推特上發文宣傳了 DOC 模型，表示 DOC 比 Re^3 生成的故事更連貫、有趣。
DOC 框架意指詳細大綱控制（Detailed Outline Control），用於在自動產生數千字長故事時提高情節的連貫性。 DOC 由兩個互補的元件組成：詳細大綱元件（Detailed Outliner）、詳細控制器（Detailed Controller）。
Detailed Outliner 負責創建詳細的、分層結構的大綱，將寫作創意從起草轉移到規劃階段。 Detailed Controller 則透過控制故事段落與大綱細節對齊，確保產生結果遵循詳細的大綱。
該研究對模型自動生成故事的功能進行了人工評估，DOC 在多個指標上獲得了大幅增益：情節連貫性（22.5%）、大綱相關性（28.2 %）和趣味性（20.7%），大大優於Re^3 模型。此外，DOC 在互動式生成環境中更易於控制。
推薦：田淵棟等原班人馬又一新作：AI 生成長篇故事，數千字長文也能連貫、有趣。
論文4：Scalable Diffusion Models with Transformers
摘要：本文中來自UC 柏克萊的William Peebles 以及紐約大學的謝賽寧撰文《 Scalable Diffusion Models with Transformers 》，目標是揭開擴散模型中架構選擇的意義，並為未來的生成模型研究提供經驗基線。該研究表明，U-Net 歸納偏壓對擴散模型的性能不是至關重要的，並且可以輕鬆地用標準設計（如 transformer）取代。
本研究著重於一類新的基於 Transformer 的擴散模型：Diffusion Transformers（簡稱 DiTs）。 DiTs 遵循 Vision Transformers (ViTs) 的最佳實踐，有一些小但重要的調整。 DiT 已被證明比傳統的捲積網路（例如 ResNet ）具有更有效地擴展性。
具體而言，本文研究了 Transformer 在網路複雜度與樣本品質方面的擴展行為。研究表明，透過在潛在擴散模型 (LDM) 框架下建立 DiT 設計空間並對其進行基準測試，其中擴散模型在 VAE 的潛在空間內進行訓練，可以成功地用 transformer 取代 U-Net 主幹。本文進一步表明 DiT 是擴散模型的可擴展架構：網路複雜性（由 Gflops 測量）與樣本品質（由 FID 測量）之間存在很強的相關性。透過簡單地擴展 DiT 並訓練具有高容量主幹（118.6 Gflops）的 LDM，可以在類別條件 256 × 256 ImageNet 產生基準上實現 2.27 FID 的最新結果。
推薦：統治擴散模型的U-Net 要被取代了，謝賽寧等引入Transformer 提出DiT。
論文5：Point-E: A System for Generating 3D Point Clouds from Complex Prompts
#摘要：OpenAI 開源的3D 模型產生器Point-E 引發了AI 圈的新一輪熱潮。根據與開源內容一併發布的論文介紹，Point-E 可以在單塊 Nvidia V100 GPU 上在一到兩分鐘內產生 3D 模型。相比之下，現有系統（如Google的 DreamFusion）通常需要數小時和多塊 GPU。
Point-E 不輸出傳統意義上的 3D 映像，它會產生點雲，或空間中代表 3D 形狀的離散資料點集。 Point-E 中的 E 是「效率」的縮寫，表示其比以前的 3D 物件產生方法更快。不過從運算的角度來看，點雲更容易合成，但它們無法捕捉物件的細粒度形狀或紋理 —— 這是目前 Point-E 的一個關鍵限制。
為了解決這個問題，OpenAI 團隊訓練了一個額外的人工智慧系統來將 Point-E 的點雲轉換為網格。
#推薦：三次元的文字到圖像AI 成了：單GPU 不到一分鐘出貨，OpenAI 出品。
論文6：Reprogramming to recover youthful epigenetic information and restore vision
摘要：2020 年12 月2 日，在頂級科學期刊《Nature》的封面上，出現了幾個令人驚奇的詞彙：「 Turning Back Time」（時光倒流）。
登上封面的研究來自哈佛大學醫學院終身教授 David Sinclair 的團隊。儘管文章只有寥寥數頁，卻展示了全新的前景—— 利用基因治療誘導神經節細胞重編程，恢復年輕的表觀遺傳信息，從而使得視神經能在損傷後再生，並逆轉青光眼和衰老造成的視力下降。
David Sinclair 表示，團隊的研究目標始終是減緩和逆轉人體衰老，透過解決病因而不是症狀來治療疾病。
在2020 年這項研究的基礎上，David Sinclair 的團隊正使用名為「REVIVER」的年齡逆轉技術在非人類靈長類動物身上進行測試，以觀察看它是否安全並能像小鼠一樣治療失明。
最新的研究則來自David Sinclair 及其領導的60 人團隊，他表示，衰老就像CD 上可以擦掉的划痕，或者係統裡損壞的軟體，只需重新安裝即可實現逆轉，就像《Lifespan》書中所說的。
在預印版論文中，作者表示所有生物都會隨時間推移而失去遺傳訊息，逐漸喪失細胞功能。使用被稱為ICE（用於表觀基因組的可誘導變化）的基因轉殖小鼠系統，研究人員證明了修復非誘變DNA 斷裂的過程加速了與年齡相關的生理、認知和分子變化，包括表觀遺傳的侵蝕， 細胞能力喪失、細胞老化等。
研究人員稱，透過異位表達進行的表觀遺傳重編程可恢復年輕基因表現的模式。
推薦：逆轉老化的研究。
論文7: Training Robots to Evaluate Robots: Example-Based Interactive Reward Functions for Policy Learning
摘要：通常來說，物理交互作用有助於揭示不太明顯的訊息，例如我們可能會拉一下桌腳來評估它是否穩固，或把一個水瓶倒過來檢查它是否漏水，該研究建議可以透過訓練機器人來自動獲得這種互動行為，以評估機器人嘗試執行技能的結果。這些評估反過來作為 IRF（interactive reward functions），用於訓練強化學習策略以執行目標技能，例如擰緊桌腳。此外，即使在完全訓練完成之後，IRF 也可以作為改善線上任務執行的驗證機制。對於任何給定的任務， IRF 訓練非常方便，並且不需要進一步的規範。
評估結果表明，IRF 可以實現顯著的性能改進，甚至可以透過訪問演示或精心設計的獎勵來超越基準。例如下圖中，機器人必須先關門，然後旋轉對稱的門把手才能完全鎖住門。
以上是CoRL 2022優秀論文；語言模型生成自然界沒有的蛋白質的詳細內容。更多資訊請關注PHP中文網其他相關文章！
