Использование нейросетей в научных целях

XUC

второе пришествие
Регистрация
3 Сен 2006
Сообщения
879
Реакции
577

Nvidia ускоряет научные открытия: компания представила целый набор инструментов для поиска лекарств, изучения чёрных дыр и моделирования термоядерного синтеза​

Набор библиотек CUDA-X для научных вычислений ускорил отдельных операций достигает 900 раз​


Nvidia представила расширенный набор библиотек CUDA-X для ускорения научных вычислений с помощью графических процессоров. Один из самых заметных результатов показал модуль cuPhoton.xBeam: сопоставление радиосигналов телескопов Event Horizon Telescope (EHT), объединяющей обсерватории по всему миру для наблюдения за чёрными дырами, теперь занимает 8 минут вместо более чем месяца. EHT собирает петабайты данных, которые необходимо объединить и обработать для восстановления изображений. Новая технология позволяет выполнять эту операцию на порядки быстрее.
Библиотека cuPhoton также включает модуль xLens для анализа результатов моделирования плазмы. В Pacific Fusion его используют, чтобы получать информацию о поведении плазмы непосредственно во время расчётов, а не ждать их завершения. К вычислительному процессу можно подключить локального ИИ-агента на базе Nvidia Nemotron, который будет анализировать промежуточные результаты и помогать корректировать моделирование в реальном времени. Это применяется в исследованиях, связанных с разработкой мишеней и камер термоядерных реакторов.
Для просмотра ссылки Войди или Зарегистрируйся
Источник изображения: Nvidia
Кроме того, в разработке лекарств Nvidia продвигает библиотеку cuPotential, созданную на основе работ специалистов из Института Флэтайрон (Flatiron Institute) и D. E. Shaw Research. Она ускоряет существующее программное обеспечение для молекулярного моделирования до 3 раз, одновременно повышая стабильность и точность расчётов. С её помощью можно быстрее создавать синтетические данные для генеративных ИИ-моделей, обнаруживать ранее неизвестные участки связывания молекул и рассчитывать силу их взаимодействия.
В материаловедении Nvidia заявила об ускорении квантово-механических расчётов до 22 раз при снижении их стоимости до 75%. Результат обеспечивают GPU-ядра Daviator, предназначенные для программного пакета VASP, используемого для моделирования свойств материалов на атомном уровне. Они позволяют ускорять расчёты для систем разного размера, включая небольшие модели, которые раньше быстрее обрабатывались центральными процессорами. Это важно для подготовки миллионов расчётов взаимодействия атомов, необходимых для обучения и работы вычислительных моделей.
Другая разработка применяется непосредственно во время экспериментов. В Национальной лаборатории имени Лоуренса в Беркли библиотека Nvidia DAQIRI связывает высокоскоростной детектор электронного микроскопа с GPU-системой обработки данных. Учёные могут выделять полезные сигналы, обнаруживать ранее неизвестные интересующие области и выбирать следующие измерения ещё до завершения эксперимента. Технология предназначена в том числе для изучения материалов с атомным разрешением, позволяющего различать отдельные химические элементы.
В биологии открытая библиотека cuSpa ускорила расчёты контуров клеток в 900 раз по сравнению с CPU. Она позволяет строить крупные пространственные графы тканей, которые используются при создании моделей заболеваний и рака. Ещё один инструмент, rapids-singlecell, разработанный совместно с сообществом scverse, ускоряет анализ данных отдельных клеток. Therna Biosciences сообщила об ускорении обработки данных в 200 раз, а 10x Genomics интегрировала эту технологию в платформу Sentira. Кроме того, открытая GPU-библиотека HMMER ускоряет определение функций белков по их аминокислотным последовательностям: в тестах Basecamp Research поиск выполнялся до 84 раз быстрее стандартной версии. Эти вычисления используются при подготовке больших биологических наборов данных для обучения моделей, применяемых в разработке лекарств.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 

Почти тысяча ИИ-агентов за 3 месяца создала научное сообщество с собственным журналом​

За 12 недель они опубликовали 936 исследований, рецензировали работы друг друга и публично отзывали ошибочные выводы. Но придумывать по-настоящему новые научные идеи люди пока умеют лучше​


Почти 1000 ИИ-агентов из 35 лабораторий за 12 недель самостоятельно провели сотни исследований, создали систему научных публикаций и даже основали собственный рецензируемый журнал. Эксперимент проходил с 19 августа по 12 ноября 2026 года на платформе alphaXiv, где агенты могли публиковать препринты — научные работы, ещё не прошедшие традиционное рецензирование, — обсуждать результаты и проверять выводы ИИ-коллег. В проекте участвовали лаборатории, связанные со Stanford, MIT, ETH Zurich и другими научными организациями.
За это время агенты подготовили 936 исследований, к которым приложили программный код и данные экспериментов, а также обменялись почти 9500 сообщениями в 229 чатах, созданных ими. ИИ-агенты обсуждали гипотезы, критиковали экспериментальные планы, повторяли расчёты после замечаний и проверяли опубликованные результаты. В тематических сообществах сложились собственные нормы научной работы: агенты могли публично отзывать ошибочные утверждения ещё до публикации статьи, а отрицательные результаты — неудачные эксперименты и опровержения гипотез — учитывались наравне с положительными.
По мере роста числа публикаций одна из лабораторий запустила Journal of Agent Research — журнал, в котором ИИ-агенты выступали авторами, редакторами и рецензентами.
Для просмотра ссылки Войди или Зарегистрируйся
Источник изображения: сгенерировано Muse
При проверке статей они анализировали не только текст, но и приложенный код, а также повторно запускали эксперименты на исходных данных. Такой подход позволял обнаруживать ошибки, которые не были заметны при чтении рукописи. Авторы исследования также сообщают, что агенты находили существенные ошибки в ранее опубликованных людьми работах.
Качество результатов сравнили с последними препринтами людей. В слепой оценке 2 ИИ-судей рассмотрели 202 работы агентов и сопоставимые человеческие публикации, выставив им баллы по нескольким критериям. По экспериментальной строгости статьи ИИ получили в среднем 9,02 балла из 10 против 7,00 у людей, а по соответствию заявленных выводов представленным доказательствам — 9,32 против 7,23. Однако по новизне идей и значимости результатов работы людей оказались впереди: 7,45 против 7,05 и 7,34 против 7,04 соответственно.
При этом исследование не показывает, что ИИ уже способен самостоятельно выбирать важнейшие научные задачи. Люди определяли общие направления исследований, предоставляли вычислительные ресурсы и устанавливали бюджеты на использование моделей. Агенты самостоятельно формулировали гипотезы, разрабатывали эксперименты и работали с результатами, но, по наблюдениям авторов, часто выбирали знакомые темы и небольшие вариации уже существующих тестов. Кроме того, людям пришлось отдельно разбирать полученные публикации и оценивать, какие из результатов действительно заслуживают внимания.
Авторы выложили в открытый доступ архив 12-недельного эксперимента: рукописи, программный код, данные, рецензии и переписку агентов. Исследование показывает, как в большой группе ИИ-систем могут возникать механизмы совместной научной работы — от критики и проверки результатов до собственных редакционных правил. Но определять, какие открытия действительно важны, пока приходится людям.

Источник Для просмотра ссылки Войди или Зарегистрируйся

Способен ли ИИ разработать лекарство? OpenAI представила MedChemBench — тест из 99 задач по медицинской химии, приближенных к реальной деятельности специалистов​

Модели должны восстанавливать структуры молекул, объяснять результаты экспериментов, сравнивать соединения и предсказывать их свойства​


OpenAI представила MedChemBench — тест, который проверяет, насколько хорошо ИИ справляется с задачами из медицинской химии, связанной с поиском и разработкой лекарственных соединений. В отличие от тестов на общие знания и решение абстрактных задач, здесь моделям предлагают анализировать молекулярные структуры и экспериментальные данные, объяснять результаты, сравнивать вещества и выбирать соединения для дальнейшего изучения.
В основе теста лежат 99 задач, составленных по материалам 117 научных статей и патентов. Всего в них фигурирует 761 молекулярная структура. В большинстве заданий модель получает сведения, которыми располагали учёные на определённом этапе исследования: биологическую мишень, цели работы, уже изученные соединения и результаты предыдущих экспериментов. Затем ей нужно сделать выводы на основе этих данных.
MedChemBench оценивает 4 направления: правильность восстановления молекулярных структур, научное обоснование выводов, ранжирование и выбор соединений, а также предсказание их свойств. Последняя задача особенно непроста: характеристики вещества могут противоречить друг другу. Например, соединение может эффективно воздействовать на белок, связанный с заболеванием, но при этом плохо проникать через клеточные мембраны или слишком быстро разрушаться под действием ферментов.
Для просмотра ссылки Войди или Зарегистрируйся
Источник изображения: OpenAI
Один из примеров в тесте основан на исследованиях ингибиторов PRMT5 — белка, который изучают в контексте разработки противораковых препаратов. Модели предлагалось предсказать свойства 3 родственных соединений: насколько эффективно они подавляют работу белка в клетках, как хорошо проходят через клеточный барьер и насколько быстро разрушаются печёночными ферментами. Последующие эксперименты показали, что у соединений есть компромисс между характеристиками: вещество под кодовым номером «23» сильнее подавляло PRMT5, а «соединение 24» лучше проникало через клеточный барьер и медленнее разрушалось.
По результатам собственного тестирования OpenAI, GPT-6.2 Astra получила 84,5% доступных баллов при максимальном общем для сравниваемых моделей уровне рассуждений xhigh. GPT-6 Astra набрала 83,3%, GPT-6.1 Sol — 82%, а GPT-5.6 Sol — 58,2%. При этом результаты заметно различались между категориями: GPT-6 Astra получила 95,4% баллов за восстановление молекулярных структур, но лишь около половины возможных баллов за выбор соединений и предсказание численных характеристик.
OpenAI отдельно подчёркивает, что эти результаты не доказывают способность ИИ самостоятельно открывать лекарства или улучшать решения, принимаемые в лабораториях. Каждая модель отвечала на задания один раз, без дополнительных инструментов, обратной связи и новых экспериментов. Поэтому MedChemBench пока оценивает работу с уже известными научными данными, а не способность вести реальную разработку препарата.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 
Последнее редактирование:
Назад
Сверху