目录
论文1：语言模型泛化超越天然蛋白质
摘要：拐点于两个设计任务：指定结构的固定蛋白质结构设计；从模型中采样结构的无约束生成。虽然语言模型仅针对序列进行训练，但该研究发现它们能够设计结构。在该研究的实验结果中，总共生成了228种蛋白质，设计成功的部分是152/228（67%）。
在152个实验成功的设计中，有35个与已知的天然蛋白质没有明显的序列匹配。
对于固定主干设计，语言模型成功为8个经过实验评估的人工创建的固定主干目标生成了蛋白质设计。
针对不受约束生成的情况，采样的蛋白质结构采用了不同的拓扑结构和二级结构组成，结果获得了很多的实验成功率71/129（55%）。
下图1是ESM2模型设计蛋白质总体流程：
推荐 ：该研究发现ESM2语言模型通过学习精细语法，能够生成天然蛋白质以外的新蛋白质。
论文2：一种用于生成蛋白质设计的高级编程语言
摘要：公平初始化从自定义和即时性入手，将两者设置更高的抽象层次，蛋白质设计者只需要重新组合高级指令，然后在生成模型上执行指令即可。
他们提出了生成蛋白质设计的编程语言，允许设计人员指定精细和分层的程序。编程语言首先需要一个语法树（图1A），由终止符号（即树的叶子）和非终止符号（即树的内部节点）组成，前面对应一个独特的蛋白质序列（在蛋白质中可能重复），晚上支持分层组织。
此外还需要一个基于能量的生成模型。首先，蛋白质设计器指定一个高级程序，该程序由一组按层次组织的约束组成（图 1A）。然后，该程序编译为一个能量函数，用于评估与约束的兼容性，约束是任意的且不可微的（图 1B）。最后通过将原子级结构预测（由语言模型支持）合并到能量函数中，可以生成大量复杂的蛋白质设计（图 1C）。
推荐：编程生成复杂和模块化的蛋白质结构。
论文 3：DOC: Improving Long Story Coherence With Detailed Outline Contro
摘要：前段时间，模仿人类写作过程的语言模型 Re^3 发布，该模型不需要微调大模型，而是通过设计 prompt 来生成一致性强的故事。
现在，该研究团队又提出了一个生成故事的新模型 DOC。论文作者 Kevin Yang、田渊栋也在推特上发文宣传了 DOC 模型，表示 DOC 比 Re^3 生成的故事更加连贯、有趣。
DOC 框架意指详细大纲控制（Detailed Outline Control），用于在自动生成数千字长故事时提高情节的连贯性。DOC 由两个互补的组件组成：详细大纲组件（Detailed Outliner）、详细控制器（Detailed Controller）。
Detailed Outliner 负责创建详细的、分层结构的大纲，将写作创意从起草转移到规划阶段。Detailed Controller 则通过控制故事段落与大纲细节对齐，确保生成结果遵循详细的大纲。
该研究对模型自动生成故事的功能进行了人工评估，DOC 在多个指标上获得了大幅增益：情节连贯性（22.5%）、大纲相关性（28.2%）和趣味性（20.7%），大大优于 Re^3 模型。此外，DOC 在交互式生成环境中更易于控制。
推荐：田渊栋等原班人马又一新作：AI 生成长篇故事，数千字长文也能连贯、有趣。
论文 4：Scalable Diffusion Models with Transformers
摘要：本文中来自 UC 伯克利的 William Peebles 以及纽约大学的谢赛宁撰文《 Scalable Diffusion Models with Transformers 》，目标是揭开扩散模型中架构选择的意义，并为未来的生成模型研究提供经验基线。该研究表明，U-Net 归纳偏置对扩散模型的性能不是至关重要的，并且可以很容易地用标准设计（如 transformer）取代。
该研究专注于一类新的基于 Transformer 的扩散模型：Diffusion Transformers（简称 DiTs）。DiTs 遵循 Vision Transformers (ViTs) 的最佳实践，有一些小但重要的调整。DiT 已被证明比传统的卷积网络（例如 ResNet ）具有更有效地扩展性。
具体而言，本文研究了 Transformer 在网络复杂度与样本质量方面的扩展行为。研究表明，通过在潜在扩散模型 (LDM) 框架下构建 DiT 设计空间并对其进行基准测试，其中扩散模型在 VAE 的潜在空间内进行训练，可以成功地用 transformer 替换 U-Net 主干。本文进一步表明 DiT 是扩散模型的可扩展架构：网络复杂性（由 Gflops 测量）与样本质量（由 FID 测量）之间存在很强的相关性。通过简单地扩展 DiT 并训练具有高容量主干（118.6 Gflops）的 LDM，可以在类条件 256 × 256 ImageNet 生成基准上实现 2.27 FID 的最新结果。
推荐：统治扩散模型的 U-Net 要被取代了，谢赛宁等引入 Transformer 提出 DiT。
论文 5：Point-E: A System for Generating 3D Point Clouds from Complex Prompts
摘要：OpenAI 开源的 3D 模型生成器 Point-E 引发了 AI 圈的新一轮热潮。根据与开源内容一并发布的论文介绍，Point-E 可以在单块 Nvidia V100 GPU 上在一到两分钟内生成 3D 模型。相比之下，现有系统（如谷歌的 DreamFusion）通常需要数小时和多块 GPU。
Point-E 不输出传统意义上的 3D 图像，它会生成点云，或空间中代表 3D 形状的离散数据点集。Point-E 中的 E 是「效率」的缩写，表示其比以前的 3D 对象生成方法更快。不过从计算的角度来看，点云更容易合成，但它们无法捕获对象的细粒度形状或纹理 —— 这是目前 Point-E 的一个关键限制。
为了解决这一问题，OpenAI 团队训练了一个额外的人工智能系统来将 Point-E 的点云转换为网格。
推荐：三次元的文本到图像 AI 成了：单 GPU 不到一分钟出货，OpenAI 出品。
论文 6：Reprogramming to recover youthful epigenetic information and restore vision
摘要：2020 年 12 月 2 日，顶级科学期刊《Nature》的封面上，出现了几个令人惊奇的词汇：「Turning Back Time」（时光倒流）。
登上封面的研究来自于哈佛大学医学院终身教授 David Sinclair 的团队。尽管文章只有寥寥数页，却展示了全新的前景 —— 利用基因治疗诱导神经节细胞重编程，恢复年轻的表观遗传信息，从而使得视神经能在损伤后再生，并逆转青光眼和衰老造成的视力下降。
David Sinclair 表示，团队的研究目标始终是减缓和逆转人体衰老，通过解决病因而不是症状来治疗疾病。
在 2020 年这项研究的基础上，David Sinclair 的团队正使用名为「REVIVER」的年龄逆转技术在非人类灵长类动物身上进行测试，以观察看它是否安全并能像小鼠一样治疗失明。
最新的研究则来自 David Sinclair 及其领导的 60 人团队，他表示，衰老就像 CD 上可以擦掉的划痕，或者系统里损坏的软件，只需重新安装即可实现逆转，就像《Lifespan》书中所说的那样。
在预印版论文中，作者表示所有生物都会随时间推移丢失遗传信息，逐渐丧失细胞功能。使用被称为 ICE（用于表观基因组的可诱导变化）的转基因小鼠系统，研究人员证明了修复非诱变 DNA 断裂的过程加速了与年龄相关的生理、认知和分子变化，包括表观遗传的侵蚀， 细胞能力丧失、细胞衰老等。
研究人员称，通过异位表达进行的表观遗传重编程可恢复年轻基因表达的模式。
推荐：逆转衰老的研究。
论文 7：Training Robots to Evaluate Robots: Example-Based Interactive Reward Functions for Policy Learning
摘要：通常来说，物理相互作用有助于揭示不太明显的信息，例如我们可能会拉一下桌腿来评估它是否稳固，或者把一个水瓶倒过来检查它是否漏水，该研究建议可以通过训练机器人来自动获得这种交互行为，以评估机器人尝试执行技能的结果。这些评估反过来作为 IRF（interactive reward functions），用于训练强化学习策略以执行目标技能，例如拧紧桌腿。此外，即使完全训练完成之后，IRF 也可以作为改进在线任务执行的验证机制。对于任何给定的任务， IRF 训练非常方便，并且不需要进一步的规范。
评估结果表明，IRF 可以实现显着的性能改进，甚至可以通过访问演示或精心设计的奖励来超越基线。比如下图中，机器人必须先关门，然后旋转对称的门把手才能完全锁住门。
以上是CoRL 2022优秀论文；语言模型生成自然界没有的蛋白质的详细内容。更多信息请关注PHP中文网其他相关文章！
