XiaoMi-AI文件搜索系统
World File Search System训练模型
o1-系统-卡-20241205.pdf
o1 模型系列经过大规模强化学习训练，使用思路链进行推理。这些先进的推理能力为提高模型的安全性和稳健性提供了新途径。特别是，通过深思熟虑的协调[ 1 ] 1 ，我们的模型可以在响应潜在不安全提示时根据上下文推理我们的安全政策。这导致在某些风险基准上表现出色，例如产生非法建议、选择刻板反应和屈服于已知越狱。训练模型在回答之前融入思路链有可能释放出巨大的好处，同时也会增加因智力提高而产生的潜在风险。我们的研究结果强调了建立强大的协调方法、对其有效性进行广泛的压力测试以及维护细致的风险管理协议的必要性。本报告概述了针对 OpenAI o1 和 OpenAI o1-mini 模型开展的安全工作，包括安全评估、外部红队和准备框架评估。
鉴定 SARS-CoV-2 的 3CLpro 的先导抑制剂......
(IC50) 值是从欧洲化学分子生物学实验室 (CHEMBL) 数据库中检索到的。18 下载数据后，我们过滤掉缺少 IC50 值的 SMILES 条目，只保留以纳摩尔 (nM) 为单位测量的生物活性条目，并删除重复的分子，得到 744 个数据点。由于 IC50 值的尺度各不相同，它们被转换成相应的负对数，称为 pIC50 值。此阶段使用 P zer 规则，也称为 Lipinski 五规则 (RO5)，根据药物相似性过滤数据。19,20 满足大多数 Ro5 参数并不能确保化合物会成为药物；它仅表示药物相似性并有助于在临床前阶段淘汰较弱的化合物。我们使用应用 RO5 过滤器后剩余的 659 个数据点来训练模型。图 2 显示了数据集中 RO5 域内或域外的化合物的蜘蛛图。
JB HI特刊“尖端人造...
计算机科学领域一直在迅速发展，彻底改变了众多行业，并且药物发现领域也不例外。最近在各个子学科中的突破开放了新的边界，提供了前所未有的机会来增强和加快药物发现过程。本期特刊的重点是计算机科学（尤其是大型语言模型（LLM），及时学习，生成模型，多模式表示学习，培训预训练模型，图形神经网络和几何深度学习）中的尖端技术如何杠杆化以革新药物发现的领域。本期特刊将着重于尖端的人工智能技术及其应用程序。特刊将由受邀调查人员提交的研究文章和评论组成，描述了最新的发现，这些发现使用了尖端的人工智能技术进行药物发现研究。感兴趣的主题包括但不限于以下内容：
![arxiv：2402.08606v3 [Quant-ph] 2024年12月23日](/simg/g:\will\search\icon\source\e\ea27b85a44b6874e30eb107cafb36915d2025411.webp)
arxiv：2402.08606v3 [Quant-ph] 2024年12月23日
量子机学习的最新理论结果表明，量子神经网络（QNN）的表达能力与其训练性之间的一般权衡。作为这些结果的基础，人们认为对经典机器学习模型的表达能力的实用指数分离是不可行的，因为这样的QNN需要一些时间来训练模型大小的指数。我们在这里通过构建有效训练的QNN的层次结构来巩固这些负面的结果，这些QNN在经典神经网络上表现出无条件可证明的，多项式记忆的分离，包括经典神经网络（包括最先进的模型）（例如变形金刚），例如执行经典序列模型模型。这种结构也是计算上有效的，因为引入类别QNN类的每个单元仅具有恒定的栅极复杂性。我们表明，上下文 - 在形象上，语义歧义的定量概念是表达性分离的来源，这表明使用此属性的其他学习任务可能是使用量子学习算法的自然设置。
ConBERT：用于电子病历手术报告标准化的双向变压器的连接
摘要：本手术报告记录了手术的细节。对以自由文本编写的手术报告的医学术语进行标准化对于开展医学研究和建立保险系统具有重要意义，因为它可以准确地共享治疗信息。但是，手术报告的标准化是一项劳动密集型任务，存在导致错误的风险。我们提出了一种来自 Transformer 的双向编码器表示的连接 (ConBERT) 模型，用于使用自由文本中记录的手术报告和诊断来预测国际疾病分类 9 代码，以自动标准化手术报告。我们比较了 BERT 和字符 BERT 的预训练模型，并通过连接每个模型的组合创建了一个新模型。所提出的 ConBERT 模型的微 AP 得分为 0.7672、F1 得分为 0.7415、AUC 为 0.9842。此外，我们还开发了一个基于 Web 的应用程序来展示我们模型的性能并使其可供公众访问。
dnagpt：用于多功能DNA序列分析任务的广义预训练工具
预先训练的大语言模型表明了从DNA序列中提取信息的潜力，但是适应各种任务和数据模式仍然是一个挑战。为了解决这个问题，我们提出了DNAGPT，这是一种对所有哺乳动物的超过2000亿碱基对训练的广义DNA预训练模型。通过使用二进制分类任务（DNA序列顺序）增强经典的GPT模型，一个数值回归任务（鸟嘌呤 - 环胞嘧啶内容预测）以及全面的令牌语言，DNAGPT可以处理多功能DNA分析任务，同时处理序列和数值数据。我们对基因组信号和区域识别，mRNA丰度回归和人工基因组生成任务的评估表明，与为特定的下游任务设计的现有模型相比，DNAGPT的表现优于卓越的性能，受益于使用新设计的模型结构的预培训。
单细胞分辨率的计算机空间转录组编辑
动机：生成对抗网络 (GAN) 在文本引导的自然图像编辑方面取得了令人印象深刻的表现。然而，对于具有匹配基因表达和生物医学图像数据的空间转录组学 (ST) 技术，GAN 的类似效用仍未得到充分研究。结果：我们提出了硅基空间转录组编辑，可以实现基因表达引导的免疫荧光图像编辑。使用从正常和肿瘤组织切片中提取的细胞级 ST 数据，我们在 GAN（反转）框架下训练该方法。为了模拟细胞状态转换，我们将编辑后的基因表达水平输入到训练模型中。与正常细胞图像（基本事实）相比，我们成功地模拟了从肿瘤到正常组织样本的转变，并以可量化和可解释的细胞特征来衡量。可用性和实施：https://github.com/CTPLab/SST-editing 。
生成ai
gai使用无监督的学习算法来根据用户提示创建新的音频，视觉和文本媒体。2还有有监督的学习算法，用于在标记数据上训练模型。这种机器学习技术可用于预先培训模型，以掌握数据中的基本结构和关系，用于微调模型和条件生成。3 GAI的关键优势之一是其自主功能，它使其可以快速有效地处理大量数据，从而更快地创建内容。4多个主要行业，例如医疗保健，金融，媒体和娱乐，汽车和教育，已采用GAI，利用其能力用于各种应用。其中包括营销和销售，制造和工业运营，软件工程，医疗保健和生命科学以及教育。5具有从用户提示中生成新颖内容的能力，GAI已成为寻求生产独特且引人入胜的内容的企业的一个有吸引力的选择。
Aquavision：AI驱动的海洋物种鉴定
摘要：本研究通过使用机器学习和图像分类技术来精确识别鱼类的挑战。主要目的是开发一种创新的算法，该算法可以动态地识别基于可用图像的最常见（在马耳他沿海水域内）侵入性地中海鱼类。尤其包括瘘管，苏里氏菌，pomadasys incisus，siganus luridus和stephanolepis diaspros，它们被用作本研究的物种。通过使用机器学习模型和转移学习，该建议的解决方案旨在实现精确的现场物种识别。方法涉及收集和组织图像以及使用一致数据集训练模型以确保可比结果。尝试了许多型号后，发现RESNET18是最准确和最可靠的，Yolo V8紧随其后。虽然Yolo的表现相当出色，但其结果表现出较少的一致性。这些结果强调了开发算法对包括公民科学计划在内的海洋生物学研究的潜力，并通过准确的鱼类鉴定来促进环境管理工作。