Heim > Artikel > Technologie-Peripheriegeräte > Entdecken Sie die Ursprünge der Natur! Der siebte Punkt in Googles Zusammenfassung zum Jahresende 2022: Wie können „Biochemische Umweltmaterialien“ von den Vorteilen des maschinellen Lernens profitieren?
Dank der enormen Fortschritte im maschinellen Lernen und im Quantencomputing verfügen wir jetzt über neue und leistungsfähigere Tools, mit denen wir branchenübergreifend auf neue Weise zusammenarbeiten und den Fortschritt bahnbrechender wissenschaftlicher Entdeckungen radikal beschleunigen können.
Das Thema dieser Ausgabe der Jahresendzusammenfassung von Google ist „Naturwissenschaften“ Der Autor des Artikels ist John Platt, ein herausragender Wissenschaftler bei Google Research. Er hat einen Ph. D. im Jahr 1989.
Seit ich vor acht Jahren zu Google Research kam, hatte ich das Privileg, Teil einer Gemeinschaft talentierter Forscher zu sein, die sich der Anwendung modernster Computertechniken widmen, um die Möglichkeiten der angewandten Wissenschaft voranzutreiben, die das Team derzeit bietet Erforschen Sie Themen in den Natur- und Naturwissenschaften, von der Hilfe bei der Organisation der Protein- und Genominformationen der Welt, um das Leben der Menschen zu verbessern, bis hin zur Verwendung von Quantencomputern, um unser Verständnis der Natur des Universums zu verbessern. Nutzen Sie maschinelles Lernen, um die Geheimnisse der Biologie zu lösen
Neurobiologie Im Jahr 2018 erforscht eine von Google entwickelte App, wie Informationen durch neuronale Bahnen im Zebrafischgehirn wandern, und bietet Einblicke in die Art und Weise, wie Zebrafische an Dingen wie dem Schwärmen und der detaillierten Beobachtung des Sozialverhaltens teilnehmen .
Link zum Papier: https://www.nature.com/articles/s41592-018-0049-4
Durch Zusammenarbeit mit dem Max-Planck-Institut für Biointelligenz (Max Working with Forscher am Planck Institute for Biology Intelligence rekonstruierten mithilfe von Computern 3D-Elektronenmikroskopbilder eines Teils des Gehirns eines Zebrafisches.
Dies ist auch ein Meilenstein in der Verwendung von Bildgebungs- und Computerpipelines zur Kartierung neuronaler Schaltkreise im Kleinhirn und ein weiterer Fortschritt auf dem Gebiet der Konnektomik.
Die in dieser Arbeit enthaltene Technologie kann sogar auf Bereiche außerhalb der Neurowissenschaften angewendet werden. Um beispielsweise das Problem der Verarbeitung großer Connectomics-Datensätze zu lösen, haben Google-Forscher TensorStore entwickelt und veröffentlicht, eine Open-Source-Softwarebibliothek für C++ und Python Speziell für die Speicherung und Bearbeitung n-dimensionaler Daten konzipiert, eignet sich aber auch für die Speicherung großer Datensätze in anderen Bereichen.
Code-Link: https://github.com/google/tensorstore
Durch den Vergleich menschlicher Sprachverarbeitung und autoregressiver Deep Language-Modelle (DLM) nutzen Forscher maschinelles Lernen, um Lernen zu veranschaulichen wie das menschliche Gehirn so unterschiedliche Funktionen wie die Sprache ausführt.
Link zum Papier: https://www.nature.com/articles/s41593-022-01026-4
In dieser Studie arbeitete Google mit der Princeton University und der New York University zusammen Forscher der Grossman School of Medicine baten die Teilnehmer, sich einen 30-minütigen Podcast anzuhören, während ihre Gehirnaktivität mittels kortikaler Elektroenzephalographie aufgezeichnet wurde.
Aufgezeichnete Ergebnisse zeigen, dass das menschliche Gehirn und DLM gemeinsame Rechenprinzipien für die Verarbeitung von Sprache haben, einschließlich kontinuierlicher Vorhersage des nächsten Wortes, kontextabhängiger Einbettung und Berechnung von Überraschungen nach dem Einsetzen auf der Grundlage von Wortübereinstimmungen, mit denen die Überraschung des menschlichen Gehirns gemessen werden kann ein Wort (Überraschung) und korrelieren das Überraschungssignal damit, wie gut das DLM das Wort vorhersagt.
Diese Ergebnisse liefern neue Schlussfolgerungen über die Sprachverarbeitung im menschlichen Gehirn und legen nahe, dass DLM verwendet werden kann, um wertvolle Erkenntnisse über die neuronalen Grundlagen der Sprache zu gewinnen.
Biochemie
Maschinelles Lernen hat auch erhebliche Fortschritte beim Verständnis biologischer Sequenzen ermöglicht, wobei Forscher die jüngsten Fortschritte im Deep Learning nutzen, um die Proteinfunktion anhand roher Aminosäuresequenzen genau vorherzusagen.
Link zum Papier: https://www.nature.com/articles/s41587-021-01179-w
Google hat außerdem eine Partnerschaft mit dem European Bioinformatics Institute of the European Molecular Biology Laboratory (EMBL) geschlossen. EBI) arbeitete eng zusammen, um die Modellleistung sorgfältig zu bewerten, und fügte den öffentlichen Proteindatenbanken UniProt, Pfam/interPro und MGnify Hunderte Millionen funktionelle Annotationen hinzu. Die menschliche Annotation von Proteindatenbanken kann mühsam und schwierig sein Aufgabe Es ist ein langsamer Prozess, aber die von Google vorgeschlagene Methode des maschinellen Lernens hat einen enormen Sprung in der Annotationsgeschwindigkeit erzielt.
Zum Beispiel ist die Pfam-Annotation im letzten Jahrzehnt stärker gewachsen als alle anderen Bemühungen zusammen, und die Millionen von Wissenschaftlern auf der ganzen Welt, die jedes Jahr auf diese Datenbanken zugreifen, können diese Annotation jetzt für die Forschung nutzen.
Obwohl der erste Entwurf des menschlichen Genoms im Jahr 2003 veröffentlicht wurde, war er aufgrund technischer Einschränkungen der Sequenzierungstechnologie unvollständig.
Im Jahr 2022 erzielte das Telomere-2-Telomere (T2T)-Konsortium bemerkenswerte Erfolge bei der Lösung dieser bisher unerreichbaren Regionen, darunter 5 vollständige Chromosomenarme und fast 200 Millionen neue DNA-Sequenz-Basenpaare. Diese Regionen sind sowohl interessant als auch wichtig für Fragen der menschlichen Biologie, Evolution und Krankheit.
Googles Open-Source-Genomvariantenaufrufer DeepVariant ist eines der Tools, mit denen das T2T-Konsortium die Veröffentlichung einer vollständigen 3,055 Milliarden Basenpaare umfassenden menschlichen Genomsequenz vorbereitet.
... Sequenzierung für Pacific Biosciences Das Instrument ermöglicht eine Fehlerkorrektur auf dem Gerät in T2Ts neuester Forschung zu umfassenden Pan-Genom-Ressourcen, die die Breite der menschlichen genetischen Vielfalt repräsentieren. 🔜 Wenn es um die Förderung wissenschaftlicher Entdeckungen geht, steckt die Datenverarbeitung noch in den Kinderschuhen, hat aber ein großes Potenzial. Deshalb sucht Google nach Möglichkeiten, die Fähigkeiten des Quantencomputers zu verbessern, damit Quantencomputer zu einem Werkzeug für wissenschaftliche Entdeckungen und Durchbrüche werden kann.
Durch die Zusammenarbeit mit Physikern aus der ganzen Welt beginnen Forscher, vorhandene Quantencomputer zu nutzen, um völlig neue physikalische Experimente zu erstellen. Eines der quantenexperimentellen Probleme ist: Wenn ein Sensor ein Objekt misst, muss ein Computer den Sensor verarbeiten Daten.
Im traditionellen Verarbeitungsprozess müssen die Sensordaten vor der Verarbeitung in klassische Informationen umgewandelt werden.
Für Quantencomputing können Quantendaten von Sensoren direkt verarbeitet werden, und die Daten von Quantensensoren können ohne Messung direkt an Quantenalgorithmen bereitgestellt werden, was größere Vorteile als herkömmliche Computer bietet.
Link zum Papier: https://www.science.org/doi/10.1126/science.abn7293
In einem kürzlich von Google in Zusammenarbeit mit Forschern mehrerer Universitäten veröffentlichten Artikel In einer wissenschaftlichen Arbeit zeigen experimentelle Ergebnisse, dass Quantencomputer Informationen aus weitaus weniger Experimenten extrahieren können als klassische Computer, solange ein Quantencomputer direkt mit einem Quantensensor gekoppelt ist und einen Lernalgorithmus ausführt.
Selbst auf derzeit unausgereiften Quantencomputern mittlerer Größe kann „Quantenmaschinelles Lernen“ exponentielle Vorteile bei Datensätzen erzielen.
... Quanten freischalten Die enorme Leistungsfähigkeit von Computern wird durch die Tatsache verstärkt, dass die Ergebnisse dieser Arbeit auch für das Erlernen der Ergebnisse von Quantencomputern gelten, beispielsweise der Ergebnisse von Quantensimulationen, die schwer zu extrahieren sind. Auch ohne Quantenmaschinelles Lernen ist die experimentelle Erforschung von Quantensystemen, die nicht beobachtet oder simuliert werden können, eine vielversprechende Anwendung von Quantencomputern.Im Jahr 2022 nutzte das Quantum AI-Team diese Methode, um mithilfe eines supraleitenden Qubits den ersten experimentellen Nachweis mehrerer Mikrowellenphotonen in einem gebundenen Zustand zu beobachten. „Photonen erfordern oft zusätzliche nichtlineare Elemente zur Interaktion, Google Die Ergebnisse von Quantencomputersimulationen dieser Wechselwirkungen überraschten die Forscher: Sie hatten angenommen, dass die Existenz dieser gebundenen Zustände von fragilen Bedingungen abhängt, fanden jedoch heraus, dass sie selbst gegenüber relativ starken Störungen robust sind.
Angesichts des anfänglichen Erfolgs von Google bei der Anwendung von Quantencomputern, um Durchbrüche in der Physik zu erzielen, sind Forscher auch zuversichtlich, was die Möglichkeiten dieser Technologie angeht, die künftige bahnbrechende Entdeckungen ermöglichen werden, die ebenso bedeutsame gesellschaftliche Auswirkungen haben werden wie die Schöpfung des Transistors oder des Global Positioning Systems.
Quantencomputing als wissenschaftliches Werkzeug ist vielversprechend!
Das obige ist der detaillierte Inhalt vonEntdecken Sie die Ursprünge der Natur! Der siebte Punkt in Googles Zusammenfassung zum Jahresende 2022: Wie können „Biochemische Umweltmaterialien“ von den Vorteilen des maschinellen Lernens profitieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!