谷歌 DeepMind 实验室推出的天气预测大模型，已在 Science 杂志发表。

谷歌 DeepMind 实验室推出的天气预测大模型，已在 Science 杂志发表。 只需要不到 1 分钟，它就能直接预测出未来 10 天的天气。准确度上，它在 90% 的指标上超越了最先进的人类系统，在 AI 气象模型中属首次！ 东方汇娱乐丨福利频道 TG中文大全丨TG最全资源 【福利来手摇快3(送彩金388)】 【福利来PC28(送彩金388)】

突破性人工智能利用大脑数据预测小鼠运动 准确率高达95%

突破性人工智能利用大脑数据预测小鼠运动 准确率高达95% 一种用于预测行为状态的新型"端到端"深度学习方法使用了无需预处理或预先指定特征的全皮层功能成像。该方法由医科学生梶冈武弘（AJIOKA Takehiro）和神户大学高见彻（TAKUMI Toru）领导的团队开发，他们还能确定哪些大脑区域与算法最相关（如图）。提取这些信息的能力为未来开发脑机接口奠定了基础。资料来源：梶冈武弘要制作脑机接口，就必须了解大脑信号和受影响的动作之间的关系。这就是所谓的"神经解码"，这一领域的大部分研究都是通过植入大脑的电极来测量脑细胞的电活动。另一方面，功能成像技术，如核磁共振成像或钙成像，可以监测整个大脑，并通过代理数据使活跃的大脑区域清晰可见。其中，钙成像速度更快，空间分辨率更高。但在神经解码工作中，这些数据源仍未得到利用。其中一个特别的障碍是需要对数据进行预处理，如去除噪音或确定感兴趣的区域，因此很难为多种不同行为的神经解码设计出通用的程序。神户大学医科学生 Ajioka Takehiro 利用神经科学家 Takumi Toru 领导的团队的跨学科专业知识解决了这一问题。Ajioka 说："我们在基于 VR 的小鼠实时成像和运动跟踪系统以及深度学习技术方面的经验，让我们能够探索'端到端'深度学习方法，这意味着它们不需要预处理或预先指定的特征，从而可以评估整个皮层的神经解码信息。他们将两种不同的深度学习算法（一种针对空间模式，一种针对时间模式）结合到小鼠在跑步机上休息或奔跑的全皮层胶片数据中，并训练他们的人工智能模型从皮层图像数据中准确预测小鼠是在移动还是在休息。"神户大学的研究人员在《PLoS 计算生物学》杂志上报告说，他们的模型预测动物真实行为状态的准确率高达 95%，而无需去除噪声或预先定义感兴趣的区域。此外，他们的模型仅凭 0.17 秒的数据就做出了这些准确的预测，这意味着他们可以达到接近实时的速度。而且，这种方法适用于五个不同的个体，这表明该模型可以过滤掉个体特征。然后，神经科学家们通过删除部分数据并观察模型在该状态下的表现，确定图像数据中哪些部分对预测起主要作用。预测结果越差，数据就越重要。梶冈武弘释说："我们的模型能够识别行为分类的关键皮层区域，这尤其令人兴奋，因为它打开了深度学习技术'黑盒'的盖子。"神户大学团队建立了一种可通用的技术，从整个皮层功能成像数据中识别行为状态，并开发了一种技术来识别预测是基于数据的哪些部分。这项研究为进一步开发能够利用无创脑成像进行近实时行为解码的脑机接口奠定了基础。编译自:ScitechDaily ... PC版： 手机版：

深度学习准确实现季节性预测南极海冰迅速减少的情况

深度学习准确实现季节性预测南极海冰迅速减少的情况 利用先进的深度学习模型对 2024 年 2 月的南极海冰进行了预测，结果与实际观测结果非常吻合，这肯定了模型在当前全球变暖问题中的有效性。2018年2月4日，南极罗斯海的海冰。图片来源：刘健2023 年 11 月，南极海冰预报网络-南方（SIPN-South）项目协调了另一次夏季海冰状况预报，特别是 2024 年 2 月的预报。在中山大学和南方海洋科学与工程广东实验室（珠海）杨清华教授的带领下，研究团队利用卷积长短期记忆（ConvLSTM）神经网络构建了一个季节尺度的南极海冰预测模型。研究小组于 2023 年 12 月提交了预测结果，并经过同行评审，于 2024 年 2 月初发表在《大气科学进展》（Advances in Atmospheric Sciences）上。在预测中，研究小组预计 2024 年 2 月南极海冰仍将接近历史最低点，但创下新低的可能性较小。预测2024年2月的海冰面积（SIA）和海冰范围（SIE）分别为144.1万平方公里和210.5万平方公里，略高于2023年观测到的历史最低值。"我们对ConvLSTM模型预测南极海冰状况的有效性充满信心，因为它在八年再预报实验中的表现令人信服。"杨清华教授也有同感："不过，我们也担心潜在的'鞭打'效应。毕竟预测结果还有待于观测数据的验证。"最新的 2024 年 2 月卫星观测结果已经出炉。2024 年 2 月观测到的 SIA 和 SIE 值分别为 151.0 万平方公里和 214.2 万平方公里，接近 2023 年记录的历史最低值（151.1 万平方公里和 191.3 万平方公里）。预测值与观测值的对比显示两者非常接近，这增强了预报系统的可靠性。此外，2023 年 12 月至 2024 年 2 月的海冰面积和范围均在预测值的一个标准差范围内，这突出表明了预测系统的可靠性。预测数据与观测数据的成功对比验证了 ConvLSTM 模型的准确性及其在可靠的南极海冰预测方面的潜力。这一结果将于 2023 年 12 月提交给 SIPN-South 国际比较项目，使其成为 15 项贡献中表现最佳的预测之一。"看着这些对比结果，我们有一种如释重负的感觉，信心倍增。"杨教授反思道，"在地球进入以2023年被断定为'工业化以来最暖年份'为标志的被称为'沸腾时代'的时期，我们的成功预测不仅凸显了加强南极海冰预测研究的重要意义，也展示了深度学习方法在这一关键领域的巨大应用潜力。"编译来源：ScitechDaily ... PC版： 手机版：

天体物理学家利用模型准确预测了观测到的M87黑洞喷流的形态

天体物理学家利用模型准确预测了观测到的M87黑洞喷流的形态 自从发现喷流以来，包括诺贝尔奖获得者罗杰-彭罗斯爵士在内的许多学者都在研究这些神秘现象的形成。目前，有两种主要模型试图解释喷流的形成："BZ-喷流模型"是以研究人员布兰福德和兹纳杰克的名字命名的，也是目前最有影响力的模型，它认为喷流是通过与黑洞事件视界相连的磁场线从黑洞中提取自旋能量而形成的。与此相反，第二种模型认为喷流是通过从黑洞的吸积盘中提取旋转能量形成的。后者是在黑洞强大引力作用下围绕黑洞旋转的电离气体的集合。第二种模型可以被称为"圆盘-喷流模型"。尽管其他研究人员已经使用 BZ 射流模型模拟了广义相对论准直外流，实际上也就是射流，但还不清楚 BZ 射流模型能否解释观测到的实际射流的形态，包括其拉长的结构、宽度和边缘增亮（即射流边缘附近亮度增加）。为了研究这两个模型的有效性，中国科学院上海天文台袁峰博士领导的一个国际研究小组计算了这两个模型分别预测的位于室女座巨型星系Messier 87（M87）中心的超大质量黑洞的喷流。研究小组随后将计算结果与对M87喷流的实际观测结果进行了比较，后者被记录在事件地平线望远镜（EHT）首次捕捉到的黑洞图像中。研究小组的研究表明，BZ-喷流模型准确地预测了观测到的M87喷流的形态，而圆盘-喷流模型则难以解释观测结果。该研究发表在《科学进展》（Science Advances）上。模型预测图像与观测图像的对比研究小组首先采用了三维广义相对论磁流体力学（GRMHD）模拟来再现M87喷流的结构。为了计算模拟喷流的辐射并将辐射与观测结果进行比较，辐射电子的能谱和空间分布至关重要。研究小组假设电子加速是通过"磁重联"发生的，即磁能转化为动能、热能和粒子加速的过程。根据这一假设，研究小组结合粒子加速研究的结果，利用动力学理论求解了稳态电子能量分布方程。然后，研究小组获得了模拟射流不同区域的电子能量谱和数量密度。在距离核心的三个距离上，由基准模型预测的边缘增亮（实线）及其与观测数据的比较（虚线）将这些信息与吸积模拟（包括磁场强度、气体等离子体温度和速度）相结合，研究小组获得了可以与实际观测结果进行比较的结果。结果显示，BZ-喷流模型预测的喷流形态与观测到的M87喷流形态非常吻合，包括喷流宽度、长度、边缘增亮特征和速度。相比之下，盘状喷流模型的预测结果与观测结果不一致。此外，研究小组还分析了磁再连接过程，发现它是由于M87黑洞吸积盘中的磁场产生的磁爆发造成的。这些爆发对磁场造成了强烈的扰动，这种扰动可以传播很远的距离，从而导致喷流中的磁重联。这项工作弥合了喷流形成动态模型与各种观测到的喷流特性之间的差距，首次证明 BZ 喷射模型解决了喷流的能量问题，也解释了其他观测结果。编译来源：ScitechDaily ... PC版： 手机版：

智能手表搭配人工智能可提前30分钟预测房颤

智能手表搭配人工智能可提前30分钟预测房颤 心房颤动（房颤）是最常见的心律失常，它大大增加了急诊就诊率以及中风和痴呆等其他疾病的风险。心房颤动是指心脏上腔（心房）与下腔（心室）不同步地混乱跳动，从而产生不规则、通常非常快的心律。要让房颤患者恢复正常的窦性心律，可能需要采取强化干预措施，如心脏复苏术，通过低能量电击来"重置"心脏的传导系统。(是的，这就是医疗节目中使用的设备，伴随着一声"CLEAR！"）。因此，如果能在房颤发作前检测到它，就能进行早期干预，从而改善患者的预后。卢森堡大学卢森堡系统生物医学中心（LCSB）的研究人员发表了一项研究，他们训练了一个深度学习模型，可以提前30分钟准确预测一个人何时会出现房颤。目前，心电图（ECG）只能在房颤发生前检测到房颤，因此不能被视为一种预警系统。"相比之下，我们的工作偏离了这种方法，而是采用了一种更具前瞻性的预测模型，"LCSB系统控制小组负责人、该研究的通讯作者豪尔赫-贡卡尔维斯（Jorge Goncalves）说。"我们利用心率数据训练了一个深度学习模型，该模型可以识别不同的阶段窦性心律、房颤前期和房颤并计算出患者即将发作的'危险概率'。"该模型名为 WARN（Warning of Atrial fibRillatioN），是在中国同济医院收集的 350 名患者的 24 小时心电图记录上进行训练和测试的。这些数据被心脏病专家分为窦性心律、房颤前期和房颤。为了训练模型捕捉房颤前兆，研究人员使用了心电图上 R 波间隔（RRI）的变化作为主要数据源。使用标准心电图的 R-R 间期 (RRI) 训练深度学习模型 卢森堡大学/LCSB深度学习模型每 15 秒采集 30 秒 RRI 样本，计算即将发生房颤的概率。在测试数据（70 名患者）和两个外部验证集（33 名患者）上，WARN 平均提前 31 分钟和 33 分钟预测房颤发生，准确率分别为 83% 和 73%。研究的第一作者马里诺-加维迪亚（Marino Gavidia）说："我们的模型只使用R-to-R时间间隔，基本上只使用心率数据，就能实现很高的性能。"研究人员预计，该设备将用于智能手机，处理从智能手表获得的数据。长期目标是让患者能够持续监测自己的心律，并及早发出警告，让他们能够使用口服抗心律失常药物等治疗方法来预防房颤的发生。研究人员说，这种技术还可以实现个性化。"今后，我们将重点开发个性化模型，"Goncalves 说。"每天使用一个简单的智能手表，就能不断提供有关个人心脏动态的新信息，使我们能够不断完善和重新训练针对该患者的模型，以实现更高的性能和更早的预警。最终，这种方法甚至可以带来新的临床试验和创新的治疗干预。"这项研究发表在《模式》杂志上。 ... PC版： 手机版：

人工智能预测果蝇行为已拥有惊人准确度

人工智能预测果蝇行为已拥有惊人准确度 考利的研究小组记录了果蝇在培养皿中一系列"约会"的求偶过程，跟踪雄蝇（蓝色）看到雌蝇（红色）时的行为反应。放置在"竞技场"下方的微型麦克风捕捉到了雄性果蝇拍打翅膀发出的歌声。图片来源：考利实验室/冷泉港实验室现在，冷泉港实验室（CSHL）的一位年轻科学家发现了一条重要线索，揭示了这一原理。他是通过建立一个普通果蝇大脑的特殊人工智能模型来做到这一点的。观看雄果蝇（蓝色）向雌果蝇（红色）求爱。相应的动画捕捉了雄果蝇的视角。资料来源：CSHL人工智能与果蝇行为CSHL助理教授本杰明-考利（Benjamin Cowley）和他的团队通过一种他们开发的名为"淘汰训练"的技术训练了他们的人工智能模型。首先，他们记录了雄果蝇的求偶行为追逐雌果蝇并向其唱歌。接下来，他们从基因上沉默了雄果蝇体内特定类型的视觉神经元，并训练人工智能检测行为的任何变化。通过用多种不同类型的视觉神经元重复这一过程，他们能够让人工智能准确预测真正的果蝇在看到雌果蝇时会做出怎样的反应。考利说："我们实际上可以通过计算预测神经活动，并询问特定神经元如何对行为做出影响，这是我们以前无法做到的。"解码神经通路通过新的人工智能，考利的团队发现果蝇大脑使用"群体代码"来处理视觉数据。果蝇的行为需要许多神经元的组合，而不是像以前假设的那样，一种神经元类型将每个视觉特征与一个动作联系起来。这些神经通路的图表看起来就像一张极其复杂的地铁图，需要数年时间才能破解。尽管如此，它还是让我们找到了我们需要去的地方。它让考利的人工智能能够预测现实生活中的果蝇在受到视觉刺激时的行为。有了这个示意图，考利的团队现在就可以把注意力转移到研究他们的人工智能模型上，而不用在真正的果蝇身上进行昂贵的实验了。图片来源：考利实验室/冷泉港实验室对人类大脑研究的影响这是否意味着人工智能有一天可以预测人类行为？没那么快。果蝇的大脑包含大约 10 万个神经元。而人脑有近 1000 亿个神经元。考利在提到地铁图时说："小小的果蝇就已经是这样，你可以想象我们人类的视觉系统是什么样的。"尽管如此，考利仍希望他的人工智能模型有朝一日能帮助我们解码人类视觉系统的基础计算。他说："这将是持续几十年的工作。但如果我们能搞清楚这个问题，通过学习[苍蝇]的计算，我们可以建立一个更好的人工视觉系统。更重要的是，我们将更详细地了解视觉系统的紊乱"。至于好了多少，我们必须亲眼目睹才能相信。编译来源：ScitechDaily ... PC版： 手机版：