XiaoMi-AI文件搜索系统
World File Search System检索
集成大型语言模型和IDIGBIO门户以进行对话数据探索和检索
因为聊天机器人旨在由研究人员使用，因此透明度至关重要。在响应用户请求时，LLMS通常包括其自身的内部知识（可能不可靠但难以验证）或完全构成信息。因此，必须清楚地清楚聊天机器人如何形成其响应，特别是LLM如何解释用户请求以及其查询外部API，以便用户可以独立地评估聊天机器人操作的正确性并将其结论链接到数据。我们为原型设计采用的方法如图2;每当聊天机器人启动数据检索或分析过程时，该过程的详细日志就会嵌入对话中，包括所采取的动作序列及其输入和输出。
检索蛋白质结构预测的增强蛋白质语言模型
准确预测分子活性对于有效的药物发现至关重要，但由于数据集有限和嘈杂，因此仍然具有挑战性。我们引入了相似性 - 量化的相对学习（SQRL），这是一个学习框架，将分子活性预测重新定义为结构相似的化合物对之间的相对差异学习。sqrl使用预先计算的分子相似性来增强图形神经网络和其他体系结构的训练，并显着提高了药物疾病中常见的低数据表格的准确性和概括。我们通过在公共数据集和专有行业数据上进行基准测试来证明其广泛的适用性和现实世界的潜力。我们的发现表明，利用相似性相对差异为分子活性预测提供了有效的范例。
面向下一代网络的具有检索增强生成的交互式人工智能
随着人工智能 (AI) 的发展，交互式人工智能 (IAI) 的概念被引入，它不仅可以交互式地理解和响应人类用户输入，还可以响应动态系统和网络条件。在本文中，我们探讨了 IAI 在网络中的集成和增强。我们首先回顾人工智能的最新发展和未来前景，然后介绍 IAI 的技术和组件。然后，我们探讨了 IAI 与下一代网络的集成，重点关注隐式和显式交互如何增强网络功能、改善用户体验和促进高效的网络管理。随后，我们提出了一个支持 IAI 的网络管理和优化框架，该框架由环境、感知、动作和大脑单元组成。我们还设计了一个可插入的大型语言模型 (LLM) 模块和检索增强生成 (RAG) 模块，以构建大脑单元决策的知识库和上下文记忆。我们通过案例研究证明我们的 IAI 框架可以有效地执行优化问题设计。最后，我们讨论了基于 IAI 的网络的潜在研究方向。
如何引用本文：Sampath Kini K、Kumud Ranjan、Varagantham Anitha Avula、Mohan Shashikant Ratkanthiwar、Manohar Ramulu Kondagurle、Prince Ajaykumar Tejram Agashe、Sachin Sahebrao Zende (2024)。人工智能在增强学术图书馆信息检索系统中的作用。图书馆进步国际，44(3)，22526-22541
摘要 人工智能 (AI) 与信息检索 (IR) 系统的集成通过增强信息可访问性、个性化和用户体验，彻底改变了学术图书馆的功能。传统的 IR 系统经常面临数据过载、相关性排名和用户可访问性问题，限制了它们满足学术用户动态需求的有效性。本评论探讨了人工智能技术（例如机器学习、自然语言处理和深度学习）在克服这些挑战方面的变革性作用，从而使 IR 系统更加高效和以用户为中心。通过智能推荐系统、高级搜索算法和人工智能虚拟助手，图书馆现在可以提供量身定制的信息体验，从而提高搜索准确性并加快资源访问速度。此外，本文还讨论了道德考虑因素，包括数据隐私、人工智能偏见和透明度，强调在学术环境中需要负责任的人工智能应用。通过讨论当前的应用和未来趋势，本评论旨在强调人工智能进一步发展学术图书馆 IR 系统的潜力，并提出继续研究的方向。总体而言，人工智能是重塑学术图书馆的关键推动因素，促进用户与大量信息资源的无缝和自适应交互。关键词：人工智能；信息检索系统；学术图书馆；用户体验；机器学习；数据隐私。
体现摊位：检索和生成的一般非参数体现记忆
机器人可以探索和学习多少没有限制，但是所有这些知识都需要搜索和可行。在语言研究中，重新增强生成（RAG）已成为大规模非参数知识的工作室，但是现有技术并未直接转移到具有多模式的体现域，数据高度相关，感知需要抽象。为了应对这些挑战，我们引入了体现rag，该框架可以通过非参数存储器系统来增强体现代理的基础模型，该系统能够自主构建导航和语言生成的层次结构知识。体现的rag依处理各种环境和查询类型的各种空间和语义分辨率，无论是针对特定对象还是对氛围的整体描述。在其核心上，体现rag的记忆是作为语义森林结构的，以不同级别的细节存储语言描述。这个分层组织允许系统在不同的机器人平台上有效地生成上下文敏感的输出。我们证明，体现的抹布有效地将抹布桥接到机器人域，成功处理了19个环境中的200多个解释和导航查询，突显了其对常规非参数系统的预期用于实施剂。
LitGenie：利用 AI NLP 进行药物警戒文献检索和审查
© 2024 Infosys Limited，印度班加罗尔。保留所有权利。Infosys 认为本文件中的信息在发布之日是准确的；此类信息如有更改，恕不另行通知。Infosys 承认其他公司对本文件中提及的商标、产品名称和其他知识产权的所有权。除非明确允许，否则未经 Infosys Limited 和/或本文件项下任何指定知识产权持有人的事先许可，不得复制、存储在检索系统中或以任何形式或任何方式（电子、机械、印刷、影印、录制或其他方式）传输本文件或其任何部分。
Rag2Mol：基于检索增强生成的结构药物设计
人工智能 (AI) 为药物发现带来了巨大进步，但识别具有最佳物理化学和药理学特性的命中化合物和先导化合物仍然是一项重大挑战。基于结构的药物设计 (SBDD) 已成为一种有前途的范例，但固有的数据偏差和对合成可及性的无知使 SBDD 模型与实际药物发现脱节。在这项工作中，我们探索了两种方法，Rag2Mol-G 和 Rag2Mol-R，它们都基于检索增强生成 (RAG) 来设计适合 3D 口袋的小分子。这两种方法涉及根据生成的小分子在数据库中搜索可购买的类似小分子，或从数据库中可以放入 3D 口袋的新分子中创建新分子。实验结果表明，Rag2Mol 方法始终如一地产生具有优异结合亲和力和药物相似性的候选药物。我们发现 Rag2Mol-R 比先进的虚拟筛选模型提供了更广泛的化学景观覆盖范围和更精确的靶向能力。值得注意的是，这两个工作流程都确定了具有挑战性的靶标 PTPN2 的有希望的抑制剂。我们高度可扩展的框架可以集成各种 SBDD 方法，标志着 AI 驱动的 SBDD 取得了重大进展。代码可在以下网址获取：https://github.com/CQ-zhang-2016/Rag2Mol。
检索强大的网络防御的增强产生
本报告是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，也不是巴特尔纪念研究所，或其任何雇员，对任何信息，设备，产物或程序披露或代表其使用的任何法律责任或责任都没有任何法律责任或责任，或者对其使用的准确性，完整性或有用性都不会侵犯私人权利。以此处参考任何特定的商业产品，流程或服务，商标，制造商或以其他方式不一定构成或暗示其认可，建议或受到美国政府或其任何机构或Battelle Memorial Institute的认可，建议或赞成。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
