Vier Wege, wie Google-Forschungswissenschaftler das Tool zur empirischen Forschungsunterstützung nutzen
Google/DeepMind
OpenAI
Wissenschaftler von Google Research haben das Tool zur empirischen Forschungsunterstützung (ERA) auf reale Probleme in Epidemiologie, Kosmologie, Atmosphärenüberwachung und Neurowissenschaften angewendet. ERA half dabei, wettbewerbsfähige Vorhersagen für Grippe, COVID-19 und RSV zu generieren; Lösungen für kosmische Stringstrahlung abzuleiten; CO2-Daten von geostationären Satelliten zu extrahieren und interpretierbare neuronale Schaltkreise im Zebrafisch zu entdecken. Diese Bemühungen zeigen das Potenzial von KI, die computergestützte Modellierung zu demokratisieren, offene Probleme zu lösen und den Wert vorhandener Daten zu maximieren.
Seit der Einführung von Empirical Research Assistance (ERA) im September setzen Google-Forscher es für reale Anwendungen jenseits von Machbarkeitsstudien ein. In der Epidemiologie erzeugte ERA Prognosen für Influenza, COVID-19 und RSV und trat damit in Konkurrenz zu den Werkzeugen der Centers for Disease Control and Prevention (CDC). Google reicht nun wöchentliche Grippeprognosen für alle US-Bundesstaaten und Zeiträume von bis zu vier Wochen ein und hat sich den COVID-19- und RSV-Prognose-Hubs der CDC angeschlossen, wobei es in den öffentlichen Ranglisten auf den vorderen Plätzen liegt. In der Kosmologie kombinierte ERA mit Gemini Deep Think und leitete sechs allgemeine Lösungen sowie eine prägnante asymptotische Formel für Gravitationsstrahlung von kosmischen Saiten ab, womit ein offenes Problem gelöst wurde, für das zuvor nur eine Teillösung für einen Spezialfall existierte. Für die Überwachung der Atmosphäre entwickelte ERA ein einzelpixelbasiertes, physikgesteuertes neuronales Netz, das aus den Beobachtungen des Satelliten GOES East den säulengemittelten CO2-Gehalt extrahiert. Dabei wird eine beispiellose räumliche und zeitliche Auflösung erzielt, indem Daten aus 16 Wellenlängenbändern, Meteorologie, Sonnenwinkel und Jahreszeit kombiniert werden, trainiert auf spärlichen OCO-2- und OCO-3-Daten. In der Neurowissenschaft nutzte ERA das Verschaltungsdiagramm eines vereinfachten Zebrafisch-Gehirnsimulators (simZFish), um neuronale Schaltkreise vorzuschlagen, die Stimulus mit motorischer Reaktion verbinden. Diese ließen sich auf neue Reize verallgemeinern und boten interpretierbare, mechanistisch genaue Lösungen. Dies baut auf früheren Ergebnissen auf, bei denen ERA Grundlinien bei der Vorhersage von über 70.000 Neuronen in ZAPBench übertraf. Diese Projekte zeigen das Potenzial von ERA, Wissenschaft voranzubringen, indem es offene Probleme löst, Computermodellierung demokratisiert und den Nutzen vorhandener Beobachtungsdaten maximiert.
Quelle: Google Research —
Original