Month: October 2023

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/Screenshot-2023-10-28-at-10.56.36-PM-1024×542.png”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/Screenshot-2023-10-28-at-10.56.36-PM-150×150.png”/><p>在生物研究领域，机器学习模型在推动我们对复杂过程的理解方面取得了重要进展，尤其是在RNA剪接方面。然而，该领域许多机器学习模型的共同局限性是缺乏可解释性——它们可以准确预测结果，但很难解释它们如何得出这些预测结果。</p><p>为了解决这个问题，纽约大学的研究人员提出了一种“按设计可解释”的方法，不仅确保准确的预测结果，还提供对基本生物过程，特别是RNA剪接的洞察。这种创新模型有望显著提高我们对这一基本过程的理解。</p><p>神经网络等机器学习模型在生物科学中的科学发现和实验设计方面发挥了重要作用。然而，它们的非可解释性一直是一个挑战。尽管它们的准确性很高，但它们通常无法解释其预测结果的逻辑。</p><p>通过创建一个专门设计为可解释的神经网络模型，该新方法克服了这个局限性，并保持了与最先进模型相当的预测准确性。这种方法在该领域是一个突破，因为它在准确性和可解释性之间搭建了桥梁，确保研究人员不仅拥有正确的答案，还可以理解这些答案是如何得出的。</p><p>该模型经过精心训练，重视可解释性，使用Python 3.8和TensorFlow 2.6。调整了各种超参数，并通过逐步引入可学习参数的渐进步骤来进行训练。通过引入正则化项进一步增强了模型的可解释性，确保学到的特征简明易懂。</p><p>该模型的一个显著特点是它具有泛化能力，并能对来自不同数据源的各种数据集进行准确的预测，突显了其健壮性及其捕捉剪接调控逻辑的重要方面的潜力。这意味着它可以应用于不同的生物环境，为不同的RNA剪接情景提供宝贵的洞察。</p><p>该模型的体系结构包括序列和结构滤波器，这在理解RNA剪接中起着关键作用。重要的是，它对这些滤波器进行定量强度的赋值，揭示了它们对剪接结果的影响强度。通过名为“平衡图”的可视化工具，研究人员可以探索和量化多个RNA特征对个体外显子剪接结果的贡献。该工具简化了对剪接过程中各种特征的复杂相互作用的理解。</p><p>此外，该模型不仅确认了先前建立的RNA剪接特征，还发现了与扩展环结构和富G序列相关的两个未描述的外显子剪接特征。这些发现具有重要意义，并已经进行了实验证实，进一步证明了模型的可信度和这些特征的生物相关性。</p><p>总之，“按设计可解释”的机器学习模型在生物科学领域中代表着一个强大的工具。它不仅实现了高度准确的预测，还清晰而可解释地理解了RNA剪接过程。该模型量化特定特征对剪接结果的贡献的能力在医学和生物技术领域有着多种应用潜力，从基因组编辑到RNA基于治疗方法的开发。这种方法不仅限于剪接，还可以应用于解读其他复杂的生物过程，为科学发现开辟新的道路。</p>

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/ezgif-4-077308ddbf.gif”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/ezgif-4-077308ddbf-150×150.gif”/><p>通过精心制作的详细模型，在元宇宙时代的3D内容制作中，重新定义了游戏、虚拟现实和电影行业的多媒体体验。然而，设计师们在繁琐的3D建模过程中经常需要帮助，从基本形状（如立方体、球体或圆柱体）开始，使用Blender等工具进行精确的轮廓、细节和纹理处理。渲染和后期处理结束这个劳动密集型的制作过程，并呈现出精致的最终模型。虽然可变参数和基于规则的系统使程序生成在自动化内容开发方面有效，但它需要对生成规则、算法框架和个体参数有全面的了解。 </p> <p>当这些流程与客户的创造愿望通过高效的沟通进行协调时，增加了复杂性的另一个因素。这强调了流程化传统3D建模方法以支持元宇宙时代的创作者的重要性。LLMs表现出了卓越的计划和工具使用技能以及语言理解能力。此外，LLMs在表征物体结构和纹理等物质特质方面显示出了出色的技能，这使它们能够从基本描述中改进细节。它们还善于理解复杂的代码功能和解析简短的文本材料，同时轻松促进有效的用户交互。它们探索了将这些卓越技能的新用途应用于程序化3D建模。 </p> <p>它们的主要目标是充分发挥LLMs的优势，根据客户需求对3D创意软件进行控制。为了实现这一目标，来自澳大利亚国立大学、牛津大学和北京人工智能学院的研究人员介绍了3D-GPT，这是一个旨在促进指令驱动的3D内容合成的框架。通过将3D建模过程分为更小、更易管理的片段，并决定何时、何地和如何完成每个片段，3D-GPT赋予LLMs行动解决问题的能力。概念化代理、3D建模代理和作业调度代理是组成3DGPT的三个主要代理人。通过调整3D生成函数，前两个代理人共同完成3D概念化和3D建模的职责。 </p> <p>第三个代理人通过接受第一个文本输入，管理后续命令，并促进第一二个代理人之间的高效沟通来控制系统。这样做有两个重要目标。首先，通过将其指向更深入和与上下文相关的形式，改善初始场景描述，然后根据进一步的指示修改文本输入。其次，它们使用程序生成，这是一种与3D软件交互的方法，不直接创建3D材料的每个组件，而是使用可变参数和基于规则的系统。他们的3D-GPT可以从增强文本中导出相关参数值，并理解过程生成例程。通过使用用户书面描述作为指南，3D-GPT提供准确和可定制的3D创作。 </p> <p>在复杂的场景中，手动指定程序化创建的每个可控参数会减少工作量。另外，3D-GPT提高了用户参与度，简化了创作过程，将用户放在首位。此外，3D-GPT与Blender无缝集成，使用户可以使用各种操作工具，包括网格编辑、物理运动模拟、对象动画、材质更改和基本元素添加等。他们声称LLMs可以根据他们的测试处理更复杂的视觉信息。 </p> <p>以下是他们的贡献总结: </p> <p>• 提出了3D-GPT，一个提供免费培训的3D场景创建框架。他们的方法利用LLMs内置的多模态推理能力来提高最终用户的程序化3D建模的生产力。 </p> <p>• 对文本到3D生成的另一种方法进行了探索，在这种方法中，他们的3D-GPT创建Python程序来操作3D软件，可能为实际应用提供了额外的灵活性。 </p> <p>• 实证研究表明，LLMs在创作3D材料时具有很大的潜力，他们具备思考、规划和使用工具的能力。 </p>

Facebook AI Research (FAIR)致力于推动社交智能机器人领域的发展。主要目标是开发能够适应人类伙伴独特偏好的机器人，协助日常任务。工作涉及深入嵌入式系统，为下一代增强现实（AR）和虚拟现实（VR）体验奠定基础。目标是使机器人成为我们生活的重要组成部分，减轻例行琐事的负担，提高个人生活质量。FAIR的多面方法强调将人工智能（AI）、增强现实（AR）、虚拟现实（VR）和机器人技术融合，创造出科技无缝融合日常体验的未来，为我们提供前所未有的力量。 FAIR在训练和测试AI代理在物理环境中的可扩展性和安全挑战方面取得了三个重大进展： Habitat 3.0是一个高质量的机器人和虚拟形象模拟器，为家庭环境下的人机合作提供便利。 家庭情景综合数据集（HSSD-200）是由艺术家设计的3D数据集，用于培养导航代理时提供出色的泛化能力。 HomeRobot平台提供了一个价格实惠的家庭机器人助手，用于模拟和真实环境下的开放词汇任务，从而加速能够协助人类的AI代理的开发。 Habitat 3.0是一个旨在促进机器人研究的模拟器，使算法在虚拟环境中进行快速和安全的测试，然后再部署到实际机器人上。它允许人类和机器人在执行日常任务时进行合作，并包括逼真的人形化身，以便在类似家庭环境的多样设置中进行AI训练。Habitat 3.0提供了一系列基准任务，促进真实室内场景中协作的机器人-人类行为，如清洁和导航，从而引入了探索社交体验型AI的新途径。 HSSD-200是一个合成的3D场景数据集，为在模拟环境中训练机器人提供了更真实和紧凑的选择。它包括211个高质量的3D集，复制物理内部，包含来自466个语义类别的18,656个模型。尽管规模较小，但在HSSD-200场景上训练的ObjectGoal导航代理与以前更大数据集上介绍的代理具有可比性。在某些情况下，仅在122个HSSD-200场景上进行的训练就能超过以前数据集中的10,000个场景上训练的代理，显示出其在泛化至真实世界场景方面的效率。 在机器人研究领域，拥有共享平台至关重要。HomeRobot通过定义激励任务、提供多功能软件接口和促进社区参与来满足这种需求。开放词汇的移动操纵作为激励任务，挑战机器人在不同环境中操纵对象。HomeRobot库支持Hello Robot的Stretch和Boston Dynamics的Spot在模拟和真实环境中的导航和操作，从而促进实验的重复性。该平台强调可转移性、模块化和基准代理，其基准测试显示了在真实世界测试中的20%成功率。 体验型AI研究领域不断发展，以适应涉及人机交互的动态环境。Facebook AI发展社交智能机器人的愿景并不仅限于静态场景。相反，他们的重点是在动态环境中的协作、沟通和预测未来状态。为了实现这一目标，研究人员使用Habitat 3.0和HSSD-200作为在模拟中训练AI模型的工具。他们的目标是在将这些训练过的模型部署到物理世界中评估其真实世界性能和能力时，协助和适应人类偏好。