Wissenschaftliche Entdeckung im Zeitalter der künstlichen Intelligenz

Nature Band 620, Seiten 47–60 (2023)Diesen Artikel zitieren

2510 Zugriffe

209 Altmetrisch

Details zu den Metriken

Künstliche Intelligenz (KI) wird zunehmend in die wissenschaftliche Forschung integriert, um die Forschung zu erweitern und zu beschleunigen. Sie hilft Wissenschaftlern dabei, Hypothesen zu erstellen, Experimente zu entwerfen, große Datensätze zu sammeln und zu interpretieren und Erkenntnisse zu gewinnen, die mit herkömmlichen wissenschaftlichen Methoden allein möglicherweise nicht möglich gewesen wären. Hier untersuchen wir Durchbrüche des letzten Jahrzehnts, darunter selbstüberwachtes Lernen, das das Trainieren von Modellen auf riesigen Mengen unbeschrifteter Daten ermöglicht, und geometrisches Deep Learning, das Wissen über die Struktur wissenschaftlicher Daten nutzt, um die Genauigkeit und Effizienz von Modellen zu verbessern. Generative KI-Methoden können durch die Analyse verschiedener Datenmodalitäten, einschließlich Bildern und Sequenzen, Designs erstellen, beispielsweise für niedermolekulare Medikamente und Proteine. Wir diskutieren, wie diese Methoden Wissenschaftlern im gesamten wissenschaftlichen Prozess helfen können und welche zentralen Probleme trotz dieser Fortschritte bestehen bleiben. Sowohl Entwickler als auch Benutzer von KI-Tools müssen besser verstehen, wann solche Ansätze verbessert werden müssen, und es bestehen weiterhin Herausforderungen durch schlechte Datenqualität und schlechte Datenverwaltung. Diese Fragestellungen betreffen alle wissenschaftlichen Disziplinen und erfordern die Entwicklung grundlegender algorithmischer Ansätze, die zum wissenschaftlichen Verständnis beitragen oder es sich selbstständig aneignen können, was sie zu kritischen Schwerpunkten für KI-Innovationen macht.

Dies ist eine Vorschau der Abonnementinhalte, Zugriff über Ihre Institution

Greifen Sie auf Nature und 54 weitere Nature Portfolio-Zeitschriften zu

Holen Sie sich Nature+, unser preisgünstigstes Online-Zugangsabonnement

29,99 $ / 30 Tage

jederzeit kündigen

Abonnieren Sie diese Zeitschrift

Erhalten Sie 51 gedruckte Ausgaben und Online-Zugriff

199,00 $ pro Jahr

nur 3,90 $ pro Ausgabe

Leihen oder kaufen Sie diesen Artikel

Die Preise variieren je nach Artikeltyp

ab 1,95 $

bis 39,95 $

Die Preise können örtlicher Steuern unterliegen, die beim Bezahlvorgang berechnet werden

LeCun, Y., Bengio, Y. & Hinton, G. Deep Learning. Natur 521, 436–444 (2015). Diese Umfrage fasst Schlüsselelemente des Deep Learning und seine Entwicklung in den Bereichen Spracherkennung, Computer Vision und Verarbeitung natürlicher Sprache zusammen.

Artikel ADS CAS PubMed Google Scholar

de Regt, HW Verständnis, Werte und Ziele der Wissenschaft. Phil. Wissenschaft. 87, 921–932 (2020).

Artikel MathSciNet Google Scholar

Pickstone, JV Ways of Knowing: Eine neue Geschichte von Wissenschaft, Technologie und Medizin (Univ. Chicago Press, 2001).

Han, J. et al. Tiefenpotential: eine allgemeine Darstellung einer Vielteilchen-Potentialenergieoberfläche. Komm. Berechnen. Physik. 23, 629–639 (2018). In diesem Artikel wurde eine tiefe neuronale Netzwerkarchitektur vorgestellt, die die potenzielle Energieoberfläche von Vielteilchensystemen lernt und gleichzeitig die zugrunde liegenden Symmetrien des Systems durch Einbeziehung der Gruppentheorie berücksichtigt.

Akiyama, K. et al. Erste Ergebnisse des M87 Event Horizon Telescope. IV. Abbildung des zentralen supermassereichen Schwarzen Lochs. Astronomien. J. Lett. 875, L4 (2019).

Artikel ADS CAS Google Scholar

Wagner, AZ Konstruktionen in der Kombinatorik über neuronale Netze. Vorabdruck unter https://arxiv.org/abs/2104.14516 (2021).

Coley, CW et al. Eine Roboterplattform für die Flusssynthese organischer Verbindungen basierend auf KI-Planung. Wissenschaft 365, eaax1566 (2019).

Artikel CAS PubMed Google Scholar

Bommasani, R. et al. Zu Chancen und Risiken von Stiftungsmodellen. Vorabdruck unter https://arxiv.org/abs/2108.07258 (2021).

Davies, A. et al. Weiterentwicklung der Mathematik durch Steuerung der menschlichen Intuition mit KI. Natur 600, 70–74 (2021). In diesem Artikel wird untersucht, wie KI die Entwicklung der reinen Mathematik unterstützen kann, indem sie die mathematische Intuition steuert.

Artikel ADS CAS PubMed PubMed Central MATH Google Scholar

Jumper, J. et al. Hochpräzise Vorhersage der Proteinstruktur mit AlphaFold. Nature 596, 583–589 (2021). Diese Studie war die erste, die die Fähigkeit demonstrierte, Proteinfaltungsstrukturen mithilfe von KI-Methoden mit einem hohen Maß an Genauigkeit vorherzusagen und Ergebnisse zu erzielen, die der experimentellen Auflösung nahe oder nahe kommen. Diese Leistung ist besonders bemerkenswert, da die Vorhersage der Proteinfaltung seit über 50 Jahren eine große Herausforderung auf dem Gebiet der Molekularbiologie darstellt.

Artikel ADS CAS PubMed PubMed Central Google Scholar

Stokes, JM et al. Ein Deep-Learning-Ansatz zur Entdeckung von Antibiotika. Zelle 180, 688–702 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Bohacek, RS, McMartin, C. & Guida, WC Die Kunst und Praxis des strukturbasierten Arzneimitteldesigns: eine molekulare Modellierungsperspektive. Med. Res. Rev. 16, 3–50 (1996).

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291098-1128%28199601%2916%3A1%3C3%3A%3AAID-MED1%3E3.0.CO%3B2-6" aria-label="Article reference 12" data-doi="10.1002/(SICI)1098-1128(199601)16:13.0.CO;2-6">Artikel CAS PubMed Google Scholar

Bileschi, ML et al. Verwendung von Deep Learning zur Annotation des Proteinuniversums. Nat. Biotechnologie. 40, 932–937 (2022).

Bellemare, MG et al. Autonome Navigation von Stratosphärenballons mittels Reinforcement Learning. Natur 588, 77–82 (2020). In diesem Artikel wird ein Reinforcement-Learning-Algorithmus zur Navigation eines Superdruckballons in der Stratosphäre beschrieben, der in der sich ändernden Umgebung Echtzeitentscheidungen trifft.

Artikel ADS CAS PubMed Google Scholar

Tshitoyan, V. et al. Unbeaufsichtigte Worteinbettungen erfassen latentes Wissen aus der materialwissenschaftlichen Literatur. Natur 571, 95–98 (2019).

Artikel ADS CAS PubMed Google Scholar

Zhang, L. et al. Molekulardynamik des Tiefenpotentials: ein skalierbares Modell mit der Genauigkeit der Quantenmechanik. Physik. Rev. Lett. 120, 143001 (2018).

Artikel ADS CAS PubMed Google Scholar

Deiana, AM et al. Anwendungen und Techniken für schnelles maschinelles Lernen in der Wissenschaft. Vorderseite. Big Data 5, 787421 (2022).

Karagiorgi, G. et al. Maschinelles Lernen auf der Suche nach neuer grundlegender Physik. Nat. Rev. Phys. 4, 399–412 (2022).

Zhou, C. & Paffenroth, RC Anomalieerkennung mit robusten Deep-Autoencodern. In ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 665–674 (2017).

Hinton, GE & Salakhutdinov, RR Reduzierung der Dimensionalität von Daten mit neuronalen Netzen. Wissenschaft 313, 504–507 (2006).

Artikel ADS MathSciNet CAS PubMed MATH Google Scholar

Kasieczka, G. et al. Die LHC-Olympiade 2020 ist eine Community-Herausforderung zur Anomalieerkennung in der Hochenergiephysik. Rep. Prog. Physik. 84, 124201 (2021).

Artikel ADS CAS Google Scholar

Govorkova, E. et al. Autoencoder auf feldprogrammierbaren Gate-Arrays für die unbeaufsichtigte Echtzeiterkennung neuer Physik bei 40 MHz am Large Hadron Collider. Nat. Mach. Intel. 4, 154–161 (2022).

Artikel Google Scholar

Chamberland, M. et al. Erkennung mikrostruktureller Abweichungen bei Personen mit Tiefendiffusions-MRT-Traktometrie. Nat. Berechnen. Wissenschaft. 1, 598–606 (2021).

Artikel PubMed PubMed Central Google Scholar

Rafique, M. et al. Delegierter Regressor, ein robuster Ansatz zur automatisierten Anomalieerkennung in den Radon-Zeitreihendaten des Bodens. Wissenschaft. Rep. 10, 3004 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Pastore, VP et al. Annotationsfreies Lernen von Plankton zur Klassifizierung und Anomalieerkennung. Wissenschaft. Rep. 10, 12142 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Naul, B. et al. Ein wiederkehrendes neuronales Netzwerk zur Klassifizierung ungleichmäßig abgetasteter veränderlicher Sterne. Nat. Astron. 2, 151–155 (2018).

Artikel ADS Google Scholar

Lee, D.-H. et al. Pseudo-Label: die einfache und effiziente halbüberwachte Lernmethode für tiefe neuronale Netze. Im ICML-Workshop zu Herausforderungen beim Repräsentationslernen (2013).

Zhou, D. et al. Lernen mit lokaler und globaler Konsistenz. In Advances in Neural Information Processing Systems 16, 321–328 (2003).

Radivojac, P. et al. Eine groß angelegte Evaluierung der rechnerischen Proteinfunktionsvorhersage. Nat. Methoden 10, 221–227 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Barkas, N. et al. Gemeinsame Analyse heterogener Einzelzell-RNA-seq-Datensatzsammlungen. Nat. Methoden 16, 695–698 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Tran, K. & Ulissi, ZW Aktives Lernen über intermetallische Verbindungen als Leitfaden für die Entdeckung von Elektrokatalysatoren zur CO2-Reduktion und H2-Entwicklung. Nat. Katal. 1, 696–703 (2018).

Artikel CAS Google Scholar

Jablonka, KM et al. Voreingenommenes, multiobjektives aktives Lernen für Materialdesign und -entdeckung. Nat. Komm. 12, 2312 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Roussel, R. et al. Schlüsselfertige Raumerkundung mit eingeschränkten Parametern für Teilchenbeschleuniger unter Verwendung des aktiven Bayes'schen Lernens. Nat. Komm. 12, 5612 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ratner, AJ et al. Datenprogrammierung: Schnelle Erstellung großer Trainingssätze. In Advances in Neural Information Processing Systems 29, 3567–3575 (2016).

Ratner, A. et al. Schnorchel: Schnelle Erstellung von Trainingsdaten bei schwacher Aufsicht. In International Conference on Very Large Data Bases 11, 269–282 (2017). In diesem Artikel wird ein schwach überwachtes KI-System vorgestellt, das darauf ausgelegt ist, riesige Datenmengen mithilfe von Beschriftungsfunktionen zu kommentieren.

Butter, A. et al. GANplifying-Ereignisbeispiele. SciPost Phys. 10, 139 (2021).

Artikel ADS Google Scholar

Brown, T. et al. Sprachmodelle sind Wenig-Schuss-Lernende. In Advances in Neural Information Processing Systems 33, 1877–1901 (2020).

Ramesh, A. et al. Zero-Shot-Text-zu-Bild-Generierung. In International Conference on Machine Learning 139, 8821–8831 (2021).

Littman, ML Reinforcement Learning verbessert das Verhalten durch bewertendes Feedback. Natur 521, 445–451 (2015).

Artikel ADS CAS PubMed Google Scholar

Cubuk, ED et al. Autoaugment: Augmentationsstrategien aus Daten lernen. In der IEEE-Konferenz zu Computer Vision und Mustererkennung 113–123 (2019).

Reed, CJ et al. Selfaugment: Automatische Augmentationsrichtlinien für selbstüberwachtes Lernen. In der IEEE-Konferenz zu Computer Vision und Mustererkennung 2674–2683 (2021).

ATLAS Collaboration et al. Tiefgreifende generative Modelle für die schnelle Photonenschauersimulation in ATLAS. Vorabdruck unter https://arxiv.org/abs/2210.06204 (2022).

Mahmood, F. et al. Tiefgehendes kontradiktorisches Training für die Segmentierung mehrerer Organkerne in histopathologischen Bildern. IEEE Trans. Med. Bildgebung 39, 3257–3267 (2019).

Artikel Google Scholar

Teixeira, B. et al. Generierung synthetischer Röntgenbilder einer Person aus der Oberflächengeometrie. In der IEEE-Konferenz zu Computer Vision und Mustererkennung 9059–9067 (2018).

Lee, D., Moon, W.-J. & Ye, JC Bewertung der Bedeutung von Magnetresonanzkontrasten mithilfe kollaborativer generativer gegnerischer Netzwerke. Nat. Mach. Intel. 2, 34–42 (2020).

Artikel Google Scholar

Kench, S. & Cooper, SJ Generieren dreidimensionaler Strukturen aus einem zweidimensionalen Schnitt mit generativer kontradiktorischer netzwerkbasierter Dimensionserweiterung. Nat. Mach. Intel. 3, 299–305 (2021).

Artikel Google Scholar

Wan, C. & Jones, DT Die Vorhersage von Proteinfunktionen wird durch die Erstellung synthetischer Merkmalsproben mit generativen kontradiktorischen Netzwerken verbessert. Nat. Mach. Intel. 2, 540–550 (2020).

Artikel Google Scholar

Repecka, D. et al. Erweiterung funktionaler Proteinsequenzräume mithilfe generativer kontradiktorischer Netzwerke. Nat. Mach. Intel. 3, 324–333 (2021).

Artikel Google Scholar

Marouf, M. et al. Realistische In-silico-Generierung und Erweiterung von Einzelzell-RNA-Seq-Daten mithilfe generativer gegnerischer Netzwerke. Nat. Komm. 11, 166 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ghahramani, Z. Probabilistisches maschinelles Lernen und künstliche Intelligenz. Nature 521, 452–459 (2015). Diese Umfrage bietet eine Einführung in das probabilistische maschinelle Lernen, das die Darstellung und Manipulation von Unsicherheiten in Modellen und Vorhersagen beinhaltet und eine zentrale Rolle in der wissenschaftlichen Datenanalyse spielt.

Artikel ADS CAS PubMed Google Scholar

Cogan, J. et al. Jet-Bilder: Von Computer Vision inspirierte Techniken zum Jet-Tagging. J. Hochenergiephysik. 2015, 118 (2015).

Artikel Google Scholar

Zhao, W. et al. Sparse Deconvolution verbessert die Auflösung der hochauflösenden Fluoreszenzmikroskopie lebender Zellen. Nat. Biotechnologie. 40, 606–617 (2022).

Artikel CAS PubMed Google Scholar

Brbić, M. et al. MARS: Entdeckung neuer Zelltypen durch heterogene Einzelzellexperimente. Nat. Methoden 17, 1200–1206 (2020).

Artikel PubMed Google Scholar

Qiao, C. et al. Evaluierung und Entwicklung tiefer neuronaler Netze für Bildsuperauflösung in der optischen Mikroskopie. Nat. Methoden 18, 194–202 (2021).

Artikel CAS PubMed Google Scholar

Andreassen, A. et al. OmniFold: eine Methode zur gleichzeitigen Entfaltung aller Observablen. Physik. Rev. Lett. 124, 182001 (2020).

Artikel ADS CAS PubMed Google Scholar

Bergenstråhle, L. et al. Superaufgelöste räumliche Transkriptomik durch tiefe Datenfusion. Nat. Biotechnologie. 40, 476–479 (2021).

Vincent, P. et al. Extrahieren und Zusammenstellen robuster Features mit entrauschenden Autoencodern. In International Conference on Machine Learning 1096–1103 (2008).

Kingma, DP & Welling, M. Auto-Encoding Variational Bayes. In International Conference on Learning Representations (2014).

Eraslan, G. et al. Einzelzell-RNA-Seq-Entrauschung mithilfe eines Deep-Count-Autoencoders. Nat. Komm. 10, 390 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Goodfellow, I., Bengio, Y. & Courville, A. Deep Learning (MIT Press, 2016).

Olshausen, BA & Field, DJ Entstehung von rezeptiven Feldeigenschaften einfacher Zellen durch Erlernen eines spärlichen Codes für natürliche Bilder. Nature 381, 607–609 (1996).

Artikel ADS CAS PubMed Google Scholar

Bengio, Y. Deep Learning von Darstellungen für unbeaufsichtigtes Lernen und Transferlernen. Im ICML-Workshop zu unbeaufsichtigtem und transferiertem Lernen (2012).

Detlefsen, NS, Hauberg, S. & Boomsma, W. Lernen aussagekräftiger Darstellungen von Proteinsequenzen. Nat. Komm. 13, 1914 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Becht, E. et al. Dimensionsreduktion zur Visualisierung von Einzelzellendaten mithilfe von UMAP. Nat. Biotechnologie. 37, 38–44 (2019).

Artikel CAS Google Scholar

Bronstein, MM et al. Geometrisches Deep Learning: über euklidische Daten hinausgehen. IEEE Signal Process Mag. 34, 18–42 (2017).

Artikel ADS Google Scholar

Anderson, PW Mehr ist anders: gebrochene Symmetrie und die Natur der hierarchischen Struktur der Wissenschaft. Wissenschaft 177, 393–396 (1972).

Artikel ADS CAS PubMed Google Scholar

Qiao, Z. et al. Geometrisches Deep Learning mit elektronischen Wechselwirkungen ergänzen, um die Quantenchemie zu beschleunigen. Proz. Natl Acad. Wissenschaft. USA 119, e2205221119 (2022).

Bogatskiy, A. et al. Symmetriegruppenäquivariante Architekturen für die Physik. Vorabdruck unter https://arxiv.org/abs/2203.06153 (2022).

Bronstein, MM et al. Geometrisches Deep Learning: Gitter, Gruppen, Diagramme, Geodäten und Messgeräte. Vorabdruck unter https://arxiv.org/abs/2104.13478 (2021).

Townshend, RJL et al. Geometrisches Deep Learning der RNA-Struktur. Wissenschaft 373, 1047–1051 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wicky, BIM et al. Halluzinierende symmetrische Proteinanordnungen. Wissenschaft 378, 56–61 (2022).

Kipf, TN & Welling, M. Halbüberwachte Klassifizierung mit Graph-Faltungsnetzwerken. In International Conference on Learning Representations (2017).

Veličković, P. et al. Zeichnen Sie Aufmerksamkeitsnetzwerke auf. In International Conference on Learning Representations (2018).

Hamilton, WL, Ying, Z. & Leskovec, J. Induktives Repräsentationslernen auf großen Graphen. In Advances in Neural Information Processing Systems 30, 1024–1034 (2017).

Gilmer, J. et al. Neuronale Nachrichtenübermittlung für die Quantenchemie. In International Conference on Machine Learning 1263–1272 (2017).

Li, MM, Huang, K. & Zitnik, M. Lernen von Graphdarstellungen in der Biomedizin und im Gesundheitswesen. Nat. Biomed. Ing. 6, 1353–1369 (2022).

Satorras, VG, Hoogeboom, E. & Welling, M. E(n) äquivariante graphische neuronale Netze. In International Conference on Machine Learning 9323–9332 (2021). Diese Studie integriert Prinzipien der Physik in den Entwurf neuronaler Modelle und treibt so das Gebiet des äquivarianten maschinellen Lernens voran.

Thomas, N. et al. Tensorfeldnetzwerke: Rotations- und Translationsäquivariante neuronale Netzwerke für 3D-Punktwolken. Vorabdruck unter https://arxiv.org/abs/1802.08219 (2018).

Finzi, M. et al. Verallgemeinerung von Faltungs-Neuronalen Netzen für Äquivarianz, um Gruppen auf beliebigen kontinuierlichen Daten zu lügen. In International Conference on Machine Learning 3165–3176 (2020).

Fuchs, F. et al. SE(3)-Transformatoren: Äquivariante 3D-Roto-Translations-Aufmerksamkeitsnetzwerke. In Advances in Neural Information Processing Systems 33, 1970-1981 (2020).

Zaheer, M. et al. Tiefe Sätze. In Advances in Neural Information Processing Systems 30, 3391–3401 (2017). Bei diesem Artikel handelt es sich um eine frühe Studie, die die Verwendung tiefer neuronaler Architekturen für festgelegte Daten untersucht, die aus einer ungeordneten Liste von Elementen bestehen.

Cohen, TS et al. Sphärische CNNs. In International Conference on Learning Representations (2018).

Gordon, J. et al. Permutationsäquivariante Modelle zur kompositorischen Generalisierung in der Sprache. In International Conference on Learning Representations (2019).

Finzi, M., Welling, M. & Wilson, AG Eine praktische Methode zur Konstruktion äquivarianter mehrschichtiger Perzeptrone für beliebige Matrixgruppen. In International Conference on Machine Learning 3318–3328 (2021).

Dijk, DV et al. Wiederherstellung von Geninteraktionen aus Einzelzelldaten mittels Datendiffusion. Zelle 174, 716–729 (2018).

Artikel PubMed PubMed Central Google Scholar

Gainza, P. et al. Entschlüsselung von Interaktionsfingerabdrücken von Proteinmoleküloberflächen mithilfe von geometrischem Deep Learning. Nat. Methoden 17, 184–192 (2020).

Artikel CAS PubMed Google Scholar

Hatfield, PW et al. Die datengesteuerte Zukunft der Physik mit hoher Energiedichte. Natur 593, 351–361 (2021).

Artikel ADS CAS PubMed Google Scholar

Bapst, V. et al. Enthüllung der Vorhersagekraft der statischen Struktur in Glassystemen. Nat. Physik. 16, 448–454 (2020).

Artikel CAS Google Scholar

Zhang, R., Zhou, T. & Ma, J. Multiskalige und integrative Einzelzell-Hi-C-Analyse mit Higashi. Nat. Biotechnologie. 40, 254–261 (2022).

Artikel CAS PubMed Google Scholar

Sammut, S.-J. et al. Multiomischer maschineller Lernprädiktor für das Ansprechen auf die Brustkrebstherapie. Natur 601, 623–629 (2022).

Artikel ADS CAS PubMed Google Scholar

DeZoort, G. et al. Zeichnen Sie neuronale Netze am Large Hadron Collider. Nat. Rev. Phys. 5, 281–303 (2023).

Liu, S. et al. Molekulargraphdarstellung vor dem Training mit 3D-Geometrie. In International Conference on Learning Representations (2022).

Die wissenschaftliche Zusammenarbeit von LIGO. et al. Eine Gravitationswellen-Standardsirenenmessung der Hubble-Konstante. Natur 551, 85–88 (2017).

Artikel Google Scholar

Reichstein, M. et al. Deep Learning und Prozessverständnis für die datengesteuerte Erdsystemwissenschaft. Natur 566, 195–204 (2019).

Artikel ADS CAS PubMed Google Scholar

Goenka, SD et al. Beschleunigte Identifizierung krankheitsverursachender Varianten durch ultraschnelle Nanoporen-Genomsequenzierung. Nat. Biotechnologie. 40, 1035–1041 (2022).

Bengio, Y. et al. Gieriges schichtweises Training tiefer Netzwerke. In Advances in Neural Information Processing Systems 19, 153–160 (2006).

Hinton, GE, Osindero, S. & Teh, Y.-W. Ein schnell lernender Algorithmus für tiefe Glaubensnetze. Neuronale Berechnung. 18, 1527–1554 (2006).

Artikel MathSciNet PubMed MATH Google Scholar

Jordan, MI & Mitchell, TM Maschinelles Lernen: Trends, Perspektiven und Aussichten. Wissenschaft 349, 255–260 (2015).

Artikel ADS MathSciNet CAS PubMed MATH Google Scholar

Devlin, J. et al. BERT: Vorschulung tiefer bidirektionaler Transformatoren für das Sprachverständnis. Im nordamerikanischen Kapitel der Association for Computational Linguistics 4171–4186 (2019).

Rives, A. et al. Biologische Strukturen und Funktionen entstehen durch die Skalierung des unbeaufsichtigten Lernens auf 250 Millionen Proteinsequenzen. Proz. Natl Acad. Wissenschaft. USA 118, e2016239118 (2021).

Elnaggar, A. et al. ProtTrans: Fortschritte beim Knacken der Sprache des Lebenscodes durch selbstüberwachtes Deep Learning und Hochleistungsrechnen. In IEEE Transactions on Pattern Analysis and Machine Intelligence (2021).

Hie, B. et al. Erlernen der Sprache der viralen Evolution und Flucht. Science 371, 284–288 (2021). Dieser Artikel modellierte die Virusflucht mit maschinellen Lernalgorithmen, die ursprünglich für die natürliche Sprache des Menschen entwickelt wurden.

Artikel ADS MathSciNet CAS PubMed MATH Google Scholar

Biswas, S. et al. Low-N-Protein-Engineering mit dateneffizientem Deep Learning. Nat. Methoden 18, 389–396 (2021).

Artikel CAS PubMed Google Scholar

Ferruz, N. & Höcker, B. Kontrollierbares Proteindesign mit Sprachmodellen. Nat. Mach. Intel. 4, 521–532 (2022).

Hsu, C. et al. Lernen der umgekehrten Faltung aus Millionen vorhergesagter Strukturen. In International Conference on Machine Learning 8946–8970 (2022).

Baek, M. et al. Genaue Vorhersage von Proteinstrukturen und -interaktionen mithilfe eines dreispurigen neuronalen Netzwerks. Wissenschaft 373, 871–876 (2021). Inspiriert von AlphaFold2 berichtete diese Studie über RoseTTAFold, ein neuartiges dreispuriges neuronales Modul, das in der Lage ist, gleichzeitig die Sequenz, den Abstand und die Koordinaten von Proteinen zu verarbeiten.

Artikel ADS CAS PubMed PubMed Central Google Scholar

Weininger, D. SMILES, ein chemisches Sprach- und Informationssystem. 1. Einführung in die Methodik und Kodierungsregeln. J. Chem. Inf. Berechnen. Wissenschaft. 28, 31–36 (1988).

Artikel CAS Google Scholar

Lin, T.-S. et al. BigSMILES: eine strukturbasierte Liniennotation zur Beschreibung von Makromolekülen. ACS Cent. Wissenschaft. 5, 1523–1531 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Krenn, M. et al. SELFIES und die Zukunft molekularer String-Darstellungen. Muster 3, 100588 (2022).

Flam-Shepherd, D., Zhu, K. & Aspuru-Guzik, A. Sprachmodelle können komplexe molekulare Verteilungen lernen. Nat. Komm. 13, 3293 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Skinnider, MA et al. Chemische Sprachmodelle ermöglichen die Navigation im dünn besiedelten chemischen Raum. Nat. Mach. Intel. 3, 759–770 (2021).

Artikel Google Scholar

Chithrananda, S., Grand, G. & Ramsundar, B. ChemBERTa: groß angelegtes selbstüberwachtes Vortraining zur Vorhersage molekularer Eigenschaften. Im Workshop „Maschinelles Lernen für Moleküle“ bei NeurIPS (2020).

Schwaller, P. et al. Vorhersage retrosynthetischer Wege mithilfe transformatorbasierter Modelle und einer Hypergraph-Explorationsstrategie. Chem. Wissenschaft. 11, 3316–3325 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Tetko, IV et al. Hochmoderne erweiterte NLP-Transformatormodelle für die direkte und einstufige Retrosynthese. Nat. Komm. 11, 5575 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Schwaller, P. et al. Kartierung des Raums chemischer Reaktionen mithilfe aufmerksamkeitsbasierter neuronaler Netze. Nat. Mach. Intel. 3, 144–152 (2021).

Artikel Google Scholar

Kovács, DP, McCorkindale, W. & Lee, AA Quantitative Interpretation erklärt Modelle des maschinellen Lernens für die Vorhersage chemischer Reaktionen und deckt Verzerrungen auf. Nat. Komm. 12, 1695 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Pesciullesi, G. et al. Transferlernen ermöglicht es dem molekularen Transformator, regio- und stereoselektive Reaktionen an Kohlenhydraten vorherzusagen. Nat. Komm. 11, 4874 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Vaswani, A. et al. Aufmerksamkeit ist alles, was Sie brauchen. In Advances in Neural Information Processing Systems 30, 5998–6008 (2017). In diesem Artikel wurde der Transformer vorgestellt, eine moderne neuronale Netzwerkarchitektur, die sequenzielle Daten parallel verarbeiten kann und so die Verarbeitung natürlicher Sprache und die Sequenzmodellierung revolutioniert.

Mousavi, SM et al. Erdbebentransformator – ein aufmerksames Deep-Learning-Modell zur gleichzeitigen Erdbebenerkennung und Phasenauswahl. Nat. Komm. 11, 3952 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Avsec, Ž. et al. Effektive Genexpressionsvorhersage aus der Sequenz durch Integration weitreichender Interaktionen. Nat. Methoden 18, 1196–1203 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Meier, J. et al. Sprachmodelle ermöglichen eine Zero-Shot-Vorhersage der Auswirkungen von Mutationen auf die Proteinfunktion. In Advances in Neural Information Processing Systems 34, 29287–29303 (2021).

Kamienny, P.-A. et al. Durchgehende symbolische Regression mit Transformatoren. In Advances in Neural Information Processing Systems 35, 10269–10281 (2022).

Jaegle, A. et al. Wahrnehmender: allgemeine Wahrnehmung mit iterativer Aufmerksamkeit. In International Conference on Machine Learning 4651–4664 (2021).

Chen, L. et al. Entscheidungstransformator: Verstärkungslernen durch Sequenzmodellierung. In Advances in Neural Information Processing Systems 34, 15084–15097 (2021).

Dosovitskiy, A. et al. Ein Bild sagt mehr als 16 x 16 Worte: Transformatoren für die Bilderkennung im Maßstab. In International Conference on Learning Representations (2020).

Choromanski, K. et al. Aufmerksamkeit bei Künstlern neu denken. In International Conference on Learning Representations (2021).

Li, Z. et al. Fourier-Neuronaloperator für parametrische partielle Differentialgleichungen. In International Conference on Learning Representations (2021).

Kovachki, N. et al. Neuronaler Operator: Lernkarten zwischen Funktionsräumen. J. Mach. Lernen. Res. 24, 1–97 (2023).

Russell, JL Keplers Gesetze der Planetenbewegung: 1609–1666. Br. J. Hist. Wissenschaft. 2, 1–24 (1964).

Artikel Google Scholar

Huang, K. et al. Künstliche Intelligenz als Grundlage für die therapeutische Wissenschaft. Nat. Chem. Biol. 18, 1033–1036 (2022).

Guimerà, R. et al. Ein Bayesianischer Maschinenwissenschaftler, der bei der Lösung anspruchsvoller wissenschaftlicher Probleme hilft. Wissenschaft. Adv. 6, eaav6971 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Liu, G. et al. Deep-Learning-gestützte Entdeckung eines Antibiotikums gegen Acinetobacter baumannii. Nat. Chem. Biol. https://doi.org/10.1038/s41589-023-01349-8 (2023).

Gómez-Bombarelli, R. et al. Entwurf effizienter molekularer organischer Leuchtdioden durch einen virtuellen Hochdurchsatz-Screening- und experimentellen Ansatz. Nat. Mater. 15, 1120–1127 (2016). In diesem Artikel wird vorgeschlagen, einen Black-Box-KI-Prädiktor zu verwenden, um das Hochdurchsatz-Screening von Molekülen in der Materialwissenschaft zu beschleunigen.

Artikel ADS PubMed Google Scholar

Sadybekov, AA et al. Synthon-basierte Ligandenentdeckung in virtuellen Bibliotheken von über 11 Milliarden Verbindungen. Natur 601, 452–459 (2022).

Artikel ADS CAS PubMed Google Scholar

Der NNPDF-Kollaborationsnachweis für intrinsische Charm-Quarks im Proton. Natur 606, 483–487 (2022).

Artikel Google Scholar

Graff, DE, Shakhnovich, EI & Coley, CW Beschleunigung des virtuellen Hochdurchsatz-Screenings durch molekularpoolbasiertes aktives Lernen. Chem. Wissenschaft. 12, 7866–7881 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Janet, JP et al. Präzises Multiobjektiv-Design in einem Raum von Millionen von Übergangsmetallkomplexen mit neuronaler Netzwerk-gesteuerter effizienter globaler Optimierung. ACS Cent. Wissenschaft. 6, 513–524 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Bacon, F. New Organon Vol. 1620 (2000).

Schmidt, M. & Lipson, H. Destillation freier Naturgesetze aus experimentellen Daten. Wissenschaft 324, 81–85 (2009).

Artikel ADS CAS PubMed Google Scholar

Petersen, BK et al. Tiefe symbolische Regression: Wiederherstellung mathematischer Ausdrücke aus Daten über risikosuchende Politikgradienten. In International Conference on Learning Representations (2020).

Zhavoronkov, A. et al. Deep Learning ermöglicht die schnelle Identifizierung wirksamer DDR1-Kinase-Inhibitoren. Nat. Biotechnologie. 37, 1038–1040 (2019). Dieser Artikel beschreibt einen Reinforcement-Learning-Algorithmus zum Navigieren in molekularen kombinatorischen Räumen und validiert erzeugte Moleküle mithilfe von Nasslaborexperimenten.

Artikel CAS PubMed Google Scholar

Zhou, Z. et al. Optimierung von Molekülen durch Deep Reinforcement Learning. Wissenschaft. Rep. 9, 10752 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Sie, J. et al. Netzwerk für Faltungsrichtlinien für Graphen zur zielgerichteten Generierung molekularer Graphen. In Advances in Neural Information Processing Systems 31, 6412–6422 (2018).

Bengio, Y. et al. GFlowNet-Grundlagen. Vorabdruck unter https://arxiv.org/abs/2111.09266 (2021). In diesem Artikel wird ein generatives Flussnetzwerk beschrieben, das Objekte generiert, indem es sie aus einer für das Arzneimitteldesign optimierten Verteilung entnimmt.

Jain, M. et al. Biologisches Sequenzdesign mit GFlowNets. In International Conference on Machine Learning 9786–9801 (2022).

Malkin, N. et al. Flugbahnbilanz: Verbesserte Kreditzuweisung in GFlowNets. In Advances in Neural Information Processing Systems 35, 5955–5967 (2022).

Borkowski, O. et al. Groß angelegte, durch aktives Lernen gesteuerte Erforschung zur Optimierung der In-vitro-Proteinproduktion. Nat. Komm. 11, 1872 (2020). Diese Studie führte einen dynamischen Programmieransatz ein, um die optimalen Standorte und Kapazitäten von Wasserkraftdämmen im Amazonasbecken zu bestimmen und dabei ein Gleichgewicht zwischen Energieproduktion und Umweltauswirkungen herzustellen.

Artikel ADS CAS PubMed PubMed Central Google Scholar

Flecker, AS et al. Reduzierung der negativen Auswirkungen des Ausbaus der Wasserkraft im Amazonasgebiet. Science 375, 753–760 (2022). Diese Studie führte einen dynamischen Programmieransatz ein, um die optimalen Standorte und Kapazitäten von Wasserkraftdämmen im Amazonasbecken zu bestimmen und so ein Gleichgewicht zwischen den Vorteilen der Energieerzeugung und den potenziellen Umweltauswirkungen zu erreichen.

Artikel ADS CAS PubMed Google Scholar

Pion-Tonachini, L. et al. Lernen von lernenden Maschinen: eine neue Generation von KI-Technologie, um den Anforderungen der Wissenschaft gerecht zu werden. Vorabdruck unter https://arxiv.org/abs/2111.13786 (2021).

Kusner, MJ, Paige, B. & Hernández-Lobato, JM Grammar Variational Autoencoder. In der Internationalen Konferenz über maschinelles Lernen 1945–1954 (2017). In diesem Artikel wird ein grammatikalischer Variations-Autoencoder beschrieben, der neuartige symbolische Gesetze und Arzneimittelmoleküle generiert.

Brunton, SL, Proctor, JL & Kutz, JN Entdecken maßgebender Gleichungen aus Daten durch spärliche Identifizierung nichtlinearer dynamischer Systeme. Proz. Natl Acad. Wissenschaft. USA 113, 3932–3937 (2016).

Artikel ADS MathSciNet CAS PubMed PubMed Central MATH Google Scholar

Liu, Z. & Tegmark, M. Maschinelles Lernen versteckter Symmetrien. Physik. Rev. Lett. 128, 180201 (2022).

Artikel ADS MathSciNet CAS PubMed Google Scholar

Gabbard, H. et al. Bayesianische Parameterschätzung unter Verwendung bedingter Variations-Autoencoder für die Gravitationswellenastronomie. Nat. Physik. 18, 112–117 (2022).

Artikel CAS Google Scholar

Chen, D. et al. Automatisierung der Kristallstruktur-Phasenzuordnung durch Kombination von Deep Learning mit Constraint Reasoning. Nat. Mach. Intel. 3, 812–822 (2021).

Artikel Google Scholar

Gómez-Bombarelli, R. et al. Automatisches chemisches Design mithilfe einer datengesteuerten kontinuierlichen Darstellung von Molekülen. ACS Cent. Wissenschaft. 4, 268–276 (2018).

Anishchenko, I. et al. De-novo-Proteindesign durch tiefe Netzwerkhalluzination. Natur 600, 547–552 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Fu, T. et al. Differenzierbarer Gerüstbaum zur molekularen Optimierung. In International Conference on Learning Representations (2021).

Sanchez-Lengeling, B. & Aspuru-Guzik, A. Inverses molekulares Design mit maschinellem Lernen: generative Modelle für die Materietechnik. Wissenschaft 361, 360–365 (2018).

Artikel ADS CAS PubMed Google Scholar

Huang, K. et al. Therapeutics Data Commons: Datensätze und Aufgaben für maschinelles Lernen für die Arzneimittelforschung und -entwicklung. In NeurIPS-Datensätze und Benchmarks (2021). Diese Studie beschreibt eine Initiative mit offenen KI-Modellen, Datensätzen und Bildungsprogrammen, um Fortschritte in der Therapiewissenschaft in allen Phasen der Arzneimittelforschung und -entwicklung zu ermöglichen.

Tanz, A. Laborgefahr. Natur 458, 664–665 (2009).

Artikel CAS PubMed Google Scholar

Segler, MHS, Preuss, M. & Waller, MP Planung chemischer Synthesen mit tiefen neuronalen Netzen und symbolischer KI. Natur 555, 604–610 (2018). In diesem Artikel wird ein Ansatz beschrieben, der tiefe neuronale Netze mit der Monte-Carlo-Baumsuche kombiniert, um die chemische Synthese zu planen.

Artikel ADS CAS PubMed Google Scholar

Gao, W., Raghavan, P. & Coley, CW Autonome Plattformen für datengesteuerte organische Synthese. Nat. Komm. 13, 1075 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kusne, AG et al. On-the-fly-Materialentdeckung im geschlossenen Regelkreis durch Bayes'sches aktives Lernen. Nat. Komm. 11, 5966 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Gormley, AJ & Webb, MA Maschinelles Lernen in der kombinatorischen Polymerchemie. Nat. Rev. Mater. 6, 642–644 (2021).

Artikel ADS CAS PubMed Google Scholar

Ament, S. et al. Autonome Materialsynthese durch hierarchisches aktives Lernen von Nichtgleichgewichtsphasendiagrammen. Wissenschaft. Adv. 7, eabg4930 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Degrave, J. et al. Magnetische Kontrolle von Tokamak-Plasmen durch tiefes Verstärkungslernen. Nature 602, 414–419 (2022). In diesem Artikel wird ein Ansatz zur Steuerung von Tokamak-Plasmen beschrieben, bei dem ein Reinforcement-Learning-Agent verwendet wird, um Spulen zu steuern und physikalische und betriebliche Einschränkungen zu erfüllen.

Artikel ADS CAS PubMed PubMed Central Google Scholar

Melnikov, AA et al. Aktive Lernmaschine lernt, neue Quantenexperimente zu erstellen. Proz. Natl Acad. Wissenschaft. USA 115, 1221–1226 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Smith, JS, Isayev, O. & Roitberg, AE ANI-1: ein erweiterbares neuronales Netzwerkpotential mit DFT-Genauigkeit bei Kraftfeld-Rechenkosten. Chem. Wissenschaft. 8, 3192–3203 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Wang, D. et al. Effiziente Probenahme hochdimensionaler Freienergielandschaften mithilfe adaptiver verstärkter Dynamik. Nat. Berechnen. Wissenschaft. 2, 20–29 (2022). Dieser Artikel beschreibt ein neuronales Netzwerk für zuverlässige Unsicherheitsschätzungen in der Molekulardynamik, das eine effiziente Abtastung hochdimensionaler freier Energielandschaften ermöglicht.

Artikel CAS Google Scholar

Wang, W. & Gómez-Bombarelli, R. Grobkörnige Auto-Encoder für die Molekulardynamik. npj-Berechnung. Mater. 5, 125 (2019).

Artikel ADS Google Scholar

Hermann, J., Schätzle, Z. & Noé, F. Deep-Neuronale-Netzwerk-Lösung der elektronischen Schrödinger-Gleichung. Nat. Chem. 12, 891–897 (2020). Dieser Artikel beschreibt eine Methode zum Erlernen der Wellenfunktion von Quantensystemen unter Verwendung tiefer neuronaler Netze in Verbindung mit Variationsquanten-Monte-Carlo.

Artikel CAS PubMed Google Scholar

Carleo, G. & Troyer, M. Lösung des Quanten-Vielteilchenproblems mit künstlichen neuronalen Netzen. Wissenschaft 355, 602–606 (2017).

Artikel ADS MathSciNet CAS PubMed MATH Google Scholar

Em Karniadakis, G. et al. Physikbasiertes maschinelles Lernen. Nat. Rev. Phys. 3, 422–440 (2021).

Artikel Google Scholar

Li, Z. et al. Physikalischer neuronaler Operator zum Lernen partieller Differentialgleichungen. Vorabdruck unter https://arxiv.org/abs/2111.03794 (2021).

Kochkov, D. et al. Maschinelles Lernen – beschleunigte numerische Strömungsmechanik. Proz. Natl Acad. Wissenschaft. USA 118, e2101784118 (2021). In diesem Artikel wird ein Ansatz zur Beschleunigung der rechnergestützten Fluiddynamik beschrieben, indem ein neuronales Netzwerk darauf trainiert wird, von groben zu feinen Gittern zu interpolieren und auf unterschiedliche Antriebsfunktionen und Reynolds-Zahlen zu verallgemeinern.

Ji, W. et al. Stiff-PINN: Physikinformiertes neuronales Netzwerk für steife chemische Kinetik. J. Phys. Chem. A 125, 8098–8106 (2021).

Artikel CAS PubMed Google Scholar

Smith, JD, Azizzadenesheli, K. & Ross, ZE EikoNet: Lösung der Eikonal-Gleichung mit tiefen neuronalen Netzen. IEEE Trans. Geosci. Remote Sens. 59, 10685–10696 (2020).

Artikel ADS Google Scholar

Waheed, UB et al. PINNeik: Eikonal-Lösung unter Verwendung physikinformierter neuronaler Netze. Berechnen. Geosci. 155, 104833 (2021).

Artikel Google Scholar

Chen, RTQ et al. Neuronale gewöhnliche Differentialgleichungen. In Advances in Neural Information Processing Systems 31, 6572–6583 (2018). In diesem Artikel wurde eine Verbindung zwischen neuronalen Netzen und Differentialgleichungen hergestellt, indem die adjungierte Methode eingeführt wurde, um zeitkontinuierliche dynamische Systeme aus Daten zu lernen und die Backpropagation zu ersetzen.

Raissi, M., Perdikaris, P. & Karniadakis, GE Physikbasierte neuronale Netze: ein Deep-Learning-Framework zur Lösung von Vorwärts- und Umkehrproblemen mit nichtlinearen partiellen Differentialgleichungen. J. Comput. Physik. 378, 686–707 (2019). Dieser Artikel beschreibt einen Deep-Learning-Ansatz zur Lösung von Vorwärts- und Umkehrproblemen in nichtlinearen partiellen Differentialgleichungen und kann Lösungen für Differentialgleichungen aus Daten finden.

Artikel ADS MathSciNet MATH Google Scholar

Lu, L. et al. Lernen nichtlinearer Operatoren über DeepONet basierend auf dem universellen Approximationssatz von Operatoren. Nat. Mach. Intel. 3, 218–229 (2021).

Artikel Google Scholar

Brandstetter, J., Worrall, D. & Welling, M. Message-Passing neuronaler PDE-Löser. In International Conference on Learning Representations (2022).

Noé, F. et al. Boltzmann-Generatoren: Probenahme von Gleichgewichtszuständen von Vielteilchensystemen mit Deep Learning. Wissenschaft 365, eaaw1147 (2019). In diesem Artikel wird ein effizienter Sampling-Algorithmus vorgestellt, der normalisierende Strömungen verwendet, um Gleichgewichtszustände in Vielteilchensystemen zu simulieren.

Rezende, D. & Mohamed, S. Variationsinferenz mit normalisierenden Flüssen. In International Conference on Machine Learning 37, 1530–1538, (2015).

Dinh, L., Sohl-Dickstein, J. & Bengio, S. Dichteschätzung unter Verwendung von echtem NVP. In International Conference on Learning Representations (2017).

Nicoli, KA et al. Schätzung thermodynamischer Observabler in Gitterfeldtheorien mit tiefen generativen Modellen. Physik. Rev. Lett. 126, 032001 (2021).

Artikel ADS MathSciNet CAS PubMed Google Scholar

Kanwar, G. et al. Äquivariante strömungsbasierte Probenahme für die Gittereichtheorie. Physik. Rev. Lett. 125, 121601 (2020).

Artikel ADS MathSciNet CAS PubMed Google Scholar

Gabrié, M., Rotskoff, GM & Vanden-Eijnden, E. Adaptives Monte Carlo, ergänzt durch normalisierende Flüsse. Proz. Natl Acad. Wissenschaft. USA 119, e2109420119 (2022).

Artikel MathSciNet PubMed PubMed Central Google Scholar

Jasra, A., Holmes, CC & Stephens, DA Markov-Ketten-Monte-Carlo-Methoden und das Label-Switching-Problem in der Bayes'schen Mischungsmodellierung. Stat. Wissenschaft. 20, 50–67 (2005).

Bengio, Y. et al. Bessere Durchmischung durch tiefe Darstellungen. In International Conference on Machine Learning 552–560 (2013).

Pompe, E., Holmes, C. & Łatuszyński, K. Ein Rahmen für adaptives MCMC, das auf multimodale Verteilungen abzielt. Ann. Stat. 48, 2930–2952 (2020).

Artikel MathSciNet MATH Google Scholar

Townshend, RJL et al. ATOM3D: Aufgaben zu Molekülen in drei Dimensionen. In NeurIPS-Datensätze und Benchmarks (2021).

Kearnes, SM et al. Die offene Reaktionsdatenbank. Marmelade. Chem. Soc. 143, 18820–18826 (2021).

Artikel CAS PubMed Google Scholar

Chanussot, L. et al. Open Catalyst 2020 (OC20)-Datensatz und Community-Herausforderungen. ACS Catal. 11, 6059–6072 (2021).

Artikel CAS Google Scholar

Brown, N. et al. GuacaMol: Benchmarking-Modelle für De-novo-Moleküldesign. J. Chem. Inf. Modell. 59, 1096–1108 (2019).

Artikel ADS CAS PubMed Google Scholar

Notin, P. et al. Tranzeption: Vorhersage der Proteinfitness mit autoregressiven Transformatoren und Abruf der Inferenzzeit. In International Conference on Machine Learning 16990–17017 (2022).

Mitchell, M. et al. Modellkarten für die Modellberichterstattung. In der Konferenz über Fairness, Rechenschaftspflicht und Transparenz220–229 (2019).

Gebru, T. et al. Datenblätter für Datensätze. Komm. ACM 64, 86–92 (2021).

Artikel Google Scholar

Bai, X. et al. Weiterentwicklung der COVID-19-Diagnose durch datenschutzfreundliche Zusammenarbeit im Bereich der künstlichen Intelligenz. Nat. Mach. Intel. 3, 1081–1089 (2021).

Artikel Google Scholar

Warnat-Herresthal, S. et al. Schwarmlernen für dezentrales und vertrauliches klinisches maschinelles Lernen. Natur 594, 265–270 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hie, B., Cho, H. & Berger, B. Verwirklichung privater und praktischer pharmakologischer Zusammenarbeit. Wissenschaft 362, 347–350 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Rohrbach, S. et al. Digitalisierung und Validierung einer Literaturdatenbank zur chemischen Synthese in der ChemPU. Wissenschaft 377, 172–180 (2022).

Artikel ADS CAS PubMed Google Scholar

Gysi, DM et al. Netzwerkmedizinischer Rahmen zur Identifizierung von Möglichkeiten zur Wiederverwendung von Arzneimitteln für COVID-19. Proz. Natl Acad. Wissenschaft. USA 118, e2025581118 (2021).

Artikel CAS Google Scholar

King, RD et al. Die Automatisierung der Wissenschaft. Wissenschaft 324, 85–89 (2009).

Artikel ADS CAS PubMed Google Scholar

Mirdita, M. et al. ColabFold: Proteinfaltung für alle zugänglich machen. Nat. Methoden 19, 679–682 (2022).

Doerr, S. et al. TorchMD: ein Deep-Learning-Framework für molekulare Simulationen. J. Chem. Theorieberechnung. 17, 2355–2363 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Schoenholz, SS & Cubuk, ED JAX MD: ein Rahmen für differenzierbare Physik. In Advances in Neural Information Processing Systems 33, 11428–11441 (2020).

Peters, J., Janzing, D. & Schölkopf, B. Elements of Causal Inference: Foundations and Learning Algorithms (MIT Press, 2017).

Bengio, Y. et al. Ein Metatransferziel zum Lernen, kausale Mechanismen zu entwirren. In International Conference on Learning Representations (2020).

Schölkopf, B. et al. Auf dem Weg zum kausalen Repräsentationslernen. Proz. IEEE 109, 612–634 (2021).

Artikel Google Scholar

Goyal, A. & Bengio, Y. Induktive Vorurteile für tiefes Lernen von Kognitionen auf höherer Ebene. Proz. R. Soc. A 478, 20210068 (2022).

Deleu, T. et al. Bayesianisches Strukturlernen mit generativen Flussnetzwerken. In Conference on Uncertainty in Artificial Intelligence 518–528 (2022).

Geirhos, R. et al. Shortcut-Lernen in tiefen neuronalen Netzen. Nat. Mach. Intel. 2, 665–673 (2020).

Artikel Google Scholar

Koh, PW et al. WILDS: ein Maßstab für Verbreitungsverschiebungen in freier Wildbahn. In International Conference on Machine Learning 5637–5664 (2021).

Luo, Z. et al. Kennzeichnen Sie effizientes Lernen übertragbarer Darstellungen über Domänen und Aufgaben hinweg. In Advances in Neural Information Processing Systems 30, 165–177 (2017).

Mahmood, R. et al. Wie viele weitere Daten benötige ich? Abschätzen des Bedarfs für nachgelagerte Aufgaben. In der IEEE-Konferenz zu Computer Vision und Mustererkennung 275–284 (2022).

Coley, CW, Eyke, NS & Jensen, KF Autonome Entdeckung in den chemischen Wissenschaften Teil II: Ausblick. Angew. Chem. Int. Ed. 59, 23414–23436 (2020).

Artikel CAS Google Scholar

Gao, W. & Coley, CW Die durch generative Modelle vorgeschlagene Synthetisierbarkeit von Molekülen. J. Chem. Inf. Modell. 60, 5714–5723 (2020).

Artikel CAS PubMed Google Scholar

Kogler, R. et al. Jet-Unterstruktur am Large Hadron Collider. Rev. Mod. Physik. 91, 045003 (2019).

Artikel ADS CAS Google Scholar

Acosta, JN et al. Multimodale biomedizinische KI. Nat. Med. 28, 1773–1784 (2022).

Alayrac, J.-B. et al. Flamingo: ein visuelles Sprachmodell für das Lernen mit wenigen Schüssen. In Advances in Neural Information Processing Systems 35, 23716–23736 (2022).

Elmarakeby, HA et al. Biologisch informiertes tiefes neuronales Netzwerk zur Entdeckung von Prostatakrebs. Natur 598, 348–352 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Qin, Y. et al. Eine mehrskalige Karte der Zellstruktur, die Proteinbilder und Interaktionen vereint. Natur 600, 536–542 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Schaffer, LV & Ideker, T. Kartierung der Multiskalenstruktur biologischer Systeme. Zellsysteme 12, 622–635 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Stiglic, G. et al. Interpretierbarkeit von auf maschinellem Lernen basierenden Vorhersagemodellen im Gesundheitswesen. Wiley Interdisziplinär. Rev. Daten Min. Wissen. Entdeckung. 10, e1379 (2020).

Artikel Google Scholar

Erion, G. et al. Ein kostenbewusstes Framework für die Entwicklung von KI-Modellen für Anwendungen im Gesundheitswesen. Nat. Biomed. Ing. 6, 1384–1398 (2022).

Lundberg, SM et al. Erklärbare Vorhersagen durch maschinelles Lernen zur Prävention von Hypoxämie während der Operation. Nat. Biomed. Ing. 2, 749–760 (2018).

Artikel PubMed PubMed Central Google Scholar

Sanders, LM et al. Jenseits der erdnahen Umlaufbahn: biologische Forschung, künstliche Intelligenz und selbstfahrende Labore. Vorabdruck unter https://arxiv.org/abs/2112.12582 (2021).

Gagne, DJ II et al. Interpretierbares Deep Learning zur räumlichen Analyse schwerer Hagelstürme. Mo. Weather Rev. 147, 2827–2845 (2019).

Artikel ADS Google Scholar

Rudin, C. Hören Sie auf, Black-Box-Modelle für maschinelles Lernen für Entscheidungen mit hohem Risiko zu erklären, und verwenden Sie stattdessen interpretierbare Modelle. Nat. Mach. Intel. 1, 206–215 (2019).

Artikel PubMed PubMed Central Google Scholar

Koh, PW & Liang, P. Black-Box-Vorhersagen mithilfe von Einflussfunktionen verstehen. In International Conference on Machine Learning 1885–1894 (2017).

Mirzasoleiman, B., Bilmes, J. & Leskovec, J. Coresets für dateneffizientes Training maschineller Lernmodelle. In International Conference on Machine Learning 6950–6960 (2020).

Kim, B. et al. Interpretierbarkeit über die Merkmalszuordnung hinaus: quantitatives Testen mit Konzeptaktivierungsvektoren (TCAV). In International Conference on Machine Learning 2668–2677 (2018).

Silver, D. et al. Das Go-Spiel ohne menschliches Wissen meistern. Natur 550, 354–359 (2017).

Artikel ADS CAS PubMed Google Scholar

Baum, ZJ et al. Künstliche Intelligenz in der Chemie: aktuelle Trends und zukünftige Richtungen. J. Chem. Inf. Modell. 61, 3197–3212 (2021).

Artikel CAS PubMed Google Scholar

Finlayson, SG et al. Kontroverse Angriffe auf medizinisches maschinelles Lernen. Science 363, 1287–1289 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Urbina, F. et al. Doppelte Nutzung der durch künstliche Intelligenz betriebenen Arzneimittelforschung. Nat. Mach. Intel. 4, 189–191 (2022).

Artikel PubMed PubMed Central Google Scholar

Norgeot, B. et al. Mindestinformationen zur klinischen Modellierung künstlicher Intelligenz: die MI-CLAIM-Checkliste. Nat. Med. 26, 1320–1324 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

MZ dankt den National Institutes of Health unter R01HD108794, der US Air Force unter FA8702-15-D-0001 und den Auszeichnungen der Harvard Data Science Initiative, Amazon Faculty Research, Google Research Scholar Program, Bayer Early Excellence in Science und AstraZeneca Research , Roche Alliance with Distinguished Scientists und Kempner Institute for the Study of Natural and Artificial Intelligence. CPG und YD danken dem US Air Force Office of Scientific Research für die Unterstützung im Rahmen des Multidisciplinary University Research Initiatives Program (MURI) FA9550-18-1-0136, des Defence University Research Instrumentation Program (DURIP) FA9550-21-1-0316 und für Auszeichnungen vom Scientific Autonomous Reasoning Agent (SARA) und AI for Discovery Assistant (AIDA). Alle in diesem Material geäußerten Meinungen, Erkenntnisse, Schlussfolgerungen oder Empfehlungen sind die der Autoren und spiegeln nicht unbedingt die Ansichten der Geldgeber wider. Wir danken D. Hassabis, A. Davies, S. Mohamed, Z. Li, K. Ma, Z. Qiao, E. Weinstein, AV Weller, Y. Zhong und AM Brandt für die Diskussionen zum Artikel.

Hanchen Wang

Aktuelle Adresse: Department of Research and Early Development, Genentech Inc, South San Francisco, CA, USA

Hanchen Wang

Aktuelle Adresse: Department of Computer Science, Stanford University, Stanford, CA, USA

Diese Autoren haben gleichermaßen beigetragen: Hanchen Wang, Tianfan Fu, Yuanqi Du

Fakultät für Ingenieurwissenschaften, Universität Cambridge, Cambridge, Großbritannien

Hanchen Wang & Joan Lasenby

Abteilung für Informatik und Mathematische Wissenschaften, California Institute of Technology, Pasadena, CA, USA

Hanchen Wang & Anima Anandkumar

Abteilung für Computerwissenschaft und Ingenieurwesen, Georgia Institute of Technology, Atlanta, GA, USA

Tianfan Fu

Institut für Informatik, Cornell University, Ithaca, NY, USA

Yuanqi Du & Carla P. Gomes

Abteilung für Chemieingenieurwesen, Massachusetts Institute of Technology, Cambridge, MA, USA

Wenhao Gao & Connor W. Coley

Fakultät für Informatik, Stanford University, Stanford, CA, USA

Kexin Huang & Jure Leskovec

Fakultät für Physik, Massachusetts Institute of Technology, Cambridge, MA, USA

Ziming Liu

Harvard-MIT-Programm für Gesundheitswissenschaften und Technologie, Cambridge, MA, USA

Payal Chandak

Mila – Quebec AI Institute, Montreal, Quebec, Kanada

Shengchao Liu, Andreea Deac, Jian Tang und Yoshua Bengio

Universität Montreal, Montreal, Quebec, Kanada

Shengchao Liu, Andreea Deac und Yoshua Bengio

Abteilung für Erd-, Umwelt- und Planetenwissenschaften, Brown University, Providence, Rhode Island, USA

Peter Van Katwyk & Karianne Bergen

Data Science Institute, Brown University, Providence, Rhode Island, USA

Peter Van Katwyk & Karianne Bergen

NVIDIA, Santa Clara, Kalifornien, USA

Anima Anandkumar

Zentrum für Computational Astrophysics, Flatiron Institute, New York, NY, USA

Shirley Ho

Abteilung für Astrophysikalische Wissenschaften, Princeton University, Princeton, NJ, USA

Shirley Ho

Fachbereich Physik, Carnegie Mellon University, Pittsburgh, PA, USA

Shirley Ho

Fachbereich Physik und Center for Data Science, New York University, New York, NY, USA

Shirley Ho & Petar Velickovic

Google DeepMind, London, Großbritannien

Pushmeet Kohli

Microsoft Research, Peking, China

Tie-Yan Liu

Abteilung für Biomedizinische Informatik, Harvard Medical School, Boston, MA, USA

Arjun Manrai & Marinka Zitnik

Abteilung für Systembiologie, Harvard Medical School, Boston, MA, USA

Debora Marks

Broad Institute of MIT und Harvard, Cambridge, MA, USA

Debora Marks & Marinka Zitnik

Deep Forest Sciences, Palo Alto, CA, USA

Bharath Ramsundar

BioMap, Peking, China

Und Lied

Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, Vereinigte Arabische Emirate

Und Lied

Universität von Illinois in Urbana-Champaign, Champaign, IL, USA

Jimeng Sun

HEC Montréal, Montreal, Quebec, Kanada

Jian Tang

CIFAR AI Chair, Toronto, Ontario, Kanada

Jian Tang

Institut für Informatik und Technologie, Universität Cambridge, Cambridge, Großbritannien

Petar Velickovic

Universität Amsterdam, Amsterdam, Niederlande

Max Welling

Microsoft Research Amsterdam, Amsterdam, Niederlande

Max Welling

DP Technology, Peking, China

Linfeng Zhang

AI for Science Institute, Peking, China

Linfeng Zhang

Fakultät für Elektrotechnik und Informatik, Massachusetts Institute of Technology, Cambridge, MA, USA

Connor W. Coley

Harvard Data Science Initiative, Cambridge, MA, USA

Marinka Zitnik

Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University, Cambridge, MA, USA

Marinka Zitnik

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren trugen zur Gestaltung und zum Verfassen des Papiers bei, halfen bei der Gestaltung der Forschung, gaben kritisches Feedback und kommentierten das Papier und seine Überarbeitungen. HW, TF, YD und MZ konzipierten die Studie und waren für die Gesamtleitung und Planung verantwortlich. WG, KH und ZL haben zu gleichen Teilen zu dieser Arbeit beigetragen (gleiche Zweitautorenschaft) und sind alphabetisch aufgeführt.

Korrespondenz mit Marinka Zitnik.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature dankt Brian Gallagher und Benjamin Nachman für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Springer Nature oder sein Lizenzgeber (z. B. eine Gesellschaft oder ein anderer Partner) besitzen die ausschließlichen Rechte an diesem Artikel im Rahmen einer Veröffentlichungsvereinbarung mit dem Autor bzw. den Autoren oder anderen Rechteinhabern. Die Selbstarchivierung der akzeptierten Manuskriptversion dieses Artikels durch den Autor unterliegt ausschließlich den Bedingungen dieser Veröffentlichungsvereinbarung und geltendem Recht.

Nachdrucke und Genehmigungen

Wang, H., Fu, T., Du, Y. et al. Wissenschaftliche Entdeckung im Zeitalter der künstlichen Intelligenz. Natur 620, 47–60 (2023). https://doi.org/10.1038/s41586-023-06221-2

Zitat herunterladen

Eingegangen: 30. März 2022

Angenommen: 16. Mai 2023

Veröffentlicht: 02. August 2023

Ausgabedatum: 03. August 2023

DOI: https://doi.org/10.1038/s41586-023-06221-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.