Artificial Intelligence A (2024 Spring)

• 课堂：每周五13:30-16:10，H4101
• 主讲教师：陈智能
• 助教：张辉、梁月潇、叶兴松、王思尹
• 讨论交流：微信群、github仓库PR
• 期末考试：2024-06-18 13:00-15:00 [闭卷]

课程实践

• PJ1 基于LR、SVM的蛋白质结构分类 [3.22 - 4.7]
• PJ2 基于CNN的图像分类 [4.12 - 4.26]
• PJ3 人工智能算法挑战赛 [4.26 - 6.2]

Paper Recommendation

LM Recommendation

1. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding (2018)

• 科研团队： Devlin, Chang, Lee, and Toutanova

• 相关研究： 掩码语言模型（MLM）、双向变压器、编码器架构

• 研究概要： 这篇论文介绍了BERT模型，其通过掩码语言模型和双向变压器的预训练，显著提升了自然语言理解任务的性能。

2. Improving Language Understanding by Generative Pre-Training (2018)

• 科研团队： Radford and Narasimhan

• 相关研究： 解码器架构、自回归模型、下一个单词预测、GPT

• 研究概要： 该研究提出了GPT模型，通过生成预训练方法改善语言理解能力，使用自回归解码器进行下一个单词预测。

3. BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension (2019)

• 科研团队： Lewis, Liu, Goyal, Ghazvininejad, Mohamed, Levy, Stoyanov, and Zettlemoyer

• 相关研究： 编码器-解码器架构、去噪预训练、自然语言生成

• 研究概要： BART模型通过去噪预训练和序列到序列架构，在自然语言生成、翻译和理解任务中表现优异。

4. Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond (2023)

• 科研团队： Yang, Jin, Tang, Han, Feng, Jiang, Yin, and Hu

• 相关研究： LLM架构演变、预训练和微调数据、效率提升

• 研究概要： 这篇综述文章探讨了大型语言模型（LLM）的架构演变、预训练和微调方法，以及如何提升其效率。

5. FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness (2022)

• 科研团队： Dao, Fu, Ermon, Rudra, and Ré

• 相关研究： 快速注意力机制、内存效率、IO感知

• 研究概要： FlashAttention提出了一种快速且内存高效的注意力机制，通过IO感知优化性能。

6. Cramming: Training a Language Model on a Single GPU in One Day (2022)

• 科研团队： Geiping and Goldstein

• 相关研究： 掩码语言模型、单GPU训练、训练效率

• 研究概要： 该研究展示了如何在单个GPU上使用一天时间训练语言模型，从而显著提高训练效率。

7. LoRA: Low-Rank Adaptation of Large Language Models (2021)

• 科研团队： Hu, Shen, Wallis, Allen-Zhu, Li, L Wang, S Wang, and Chen

• 相关研究： 参数效率、微调、低秩适应

• 研究概要： LoRA模型通过低秩适应方法，提高了大型语言模型的参数效率和微调效果。

8. Scaling Down to Scale Up: A Guide to Parameter-Efficient Fine-Tuning (2022)

• 科研团队： Lialin, Deshpande, and Rumshisky

• 相关研究： 参数高效微调、前缀调整、适配器

• 研究概要： 本文介绍了参数高效微调方法，包括前缀调整和适配器技术，以优化大型语言模型的性能。

9. Training Compute-Optimal Large Language Models (2022)

• 科研团队： Hoffmann, Borgeaud, Mensch, Buchatskaya, Cai, Rutherford, de Las Casas, Hendricks, Welbl, Clark, Hennigan, Noland, Millican, van den Driessche, Damoc, Guy, Osindero, Simonyan, Elsen, Rae, Vinyals, and Sifre

• 相关研究： Chinchilla模型、生成任务、线性缩放定律

• 研究概要： 该研究提出了Chinchilla模型，基于计算最优的原则，通过线性缩放定律优化生成任务的性能。

10. Pythia: A Suite for Analyzing Large Language Models Across Training and Scaling (2023)

• 科研团队： Biderman, Schoelkopf, Anthony, Bradley, O'Brien, Hallahan, Khan, Purohit, Prashanth, Raff, Skowron, Sutawika, and van der Wal

• 相关研究： LLM套件、训练过程分析、架构改进

• 研究概要： Pythia是一套用于分析大型语言模型在训练和扩展过程中的工具，帮助研究者改进模型架构。

11. Training Language Models to Follow Instructions with Human Feedback (2022)

• 科研团队： Ouyang, Wu, Jiang, Almeida, Wainwright, Mishkin, Zhang, Agarwal, Slama, Ray, Schulman, Hilton, Kelton, Miller, Simens, Askell, Welinder, Christiano, Leike, and Lowe

• 相关研究： 人类反馈、强化学习、InstructGPT

• 研究概要： 该研究通过人类反馈和强化学习训练语言模型，使其更好地遵循指令，提出了InstructGPT模型。

12. Constitutional AI: Harmlessness from AI Feedback (2022)

• 科研团队： Yuntao, Saurav, Sandipan, Amanda, Jackson, Jones, Chen, Anna, Mirhoseini, McKinnon, Chen, Olsson, Olah, Hernandez, Drain, Ganguli, Li, Tran-Johnson, Perez, Kerr, Mueller, Ladish, Landau, Ndousse, Lukosuite, Lovitt, Sellitto, Elhage, Schiefer, Mercado, DasSarma, Lasenby, Larson, Ringer, Johnston, Kravec, El Showk, Fort, Lanham, Telleen-Lawton, Conerly, Henighan, Hume, Bowman, Hatfield-Dodds, Mann, Amodei, Joseph, McCandlish, Brown, Kaplan

• 相关研究： 人工智能对齐、无害系统、自我训练机制

• 研究概要： Constitutional AI通过人工智能反馈和自我训练机制，确保AI系统的无害性和对齐性。

13. Self-Instruct: Aligning Language Model with Self Generated Instruction (2022)

• 科研团队： Wang, Kordi, Mishra, Liu, Smith, Khashabi, and Hajishirzi

• 相关研究： 自我指导、指令微调、LLM对齐

• 研究概要： Self-Instruct方法通过自我生成指令对语言模型进行微调，提升模型的对齐能力。

14. InstructGPT: Aligning Language Models with Human Intent (2022)

• 科研团队： Ouyang, Wu, Jiang, Almeida, Wainwright, Mishkin, Zhang, Agarwal, Slama, Ray, Schulman, Hilton, Kelton, Miller, Simens, Askell, Welinder, Christiano, Leike, Lowe

• 相关研究： 指令对齐、人类反馈、InstructGPT

• 研究概要： InstructGPT通过与人类意图对齐和人类反馈训练，使模型更好地理解和执行指令。

15. LIMA: Less Is More for Alignment (2023)

• 科研团队： Zhou, Qiu, Zhou, Zhang, Hsiao, Chung, Le, and Devlin

• 相关研究： 简化对齐过程、模型效率

• 研究概要： LIMA

研究了简化对齐过程的方法，提高了模型的效率和效果。

16. RWKV: Reinventing RNNs for the Transformer Era (2023)

• 科研团队： Peng, Yan, and Chen

• 相关研究： RNN和Transformer结合、性能优化

• 研究概要： RWKV模型结合了RNN和Transformer的优点，优化了模型性能。

17. ResiDual: Transformer with Dual Residual Connections (2023)

• 科研团队： Yuan, Chan, and Wang

• 相关研究： 残差连接、模型架构创新

• 研究概要： ResiDual通过双重残差连接的创新架构，提升了Transformer模型的性能。

18. LLaMA: Open and Efficient Foundation Language Models (2023)

• 科研团队： Touvron, Lavril, Izacard, Martinet, Lachaux, Lacroix, Roziere, Goyal, Hambro, Azhar, Rodriguez, Joulin, Grave, and Lample

• 相关研究： 开源语言模型、高效架构

• 研究概要： LLaMA是一个开源且高效的基础语言模型，旨在提升模型性能和效率。

19. MixReview: Alleviating Memorization in Large Language Models with Active Review (2023)

• 科研团队： Lee, Xu, Deshpande, Taylor, Jia, and Zhang

• 相关研究： 记忆力减轻、主动复习

• 研究概要： MixReview通过主动复习机制，减轻了大型语言模型的记忆负担，提升了模型的泛化能力。

20. Q-LoRA: Efficient Finetuning of Quantized LLMs (2023)

• 科研团队： Dettmers, Pagnoni, Holtzman, and Zettlemoyer

• 相关研究： 量化、低秩适应、高效微调

• 研究概要： Q-LoRA提出了一种高效的量化语言模型微调方法，通过低秩适应优化模型性能。

AI4S Recommendation

AI+ 生物医药

1. AdaDR 在药物重定位方面的性能优于多个基准方法

• 科研团队： 中南大学李敏研究团队

• 相关研究： Gdataset 数据集、Cdataset 数据集、Ldataset 数据集、LRSSL 数据集、GCNs 框架、AdaDR

• 发布期刊： Bioinformatics, 2024.01

• 论文链接： Drug repositioning with adaptive graph convolutional networks

2. 基于蛋白质口袋的 3D 分子生成模型——ResGen

• 科研团队： 浙大侯廷军研究团队

• 相关研究： CrossDock2020 数据集、全局自回归、原子自回归、并行多尺度建模、SBMG。比最优技术快 8 倍

• 发布期刊： Nature Machine Intelligence, 2023.09

• 论文链接： ResGen is a pocket-aware 3D molecular generation model based on parallel multiscale modelling

• https://www.science.org/doi/10.1126/science.adg7492)

3. 基于图神经网络 (GNN) 开发气味分析 AI

• 科研团队： Google Research 的分支 Osmo 公司

• 相关研究： GS-LF 数据库、GNN、贝叶斯优化算法。在 53% 的化学分子、55% 的气味描述词判断中优于人类

• 发布期刊： Science, 2023.08

• 论文链接： A principal odor map unifies diverse tasks in olfactory perception

• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10248027)

AI+ 医疗健康

1. 视网膜图像基础模型 RETFound，预测多种系统性疾病

• 科研团队： 伦敦大学学院和 Moorfields 眼科医院的在读博士周玉昆等人

• 相关研究： 自监督学习、MEH-MIDAS 数据集、EyePACS 数据集、SL-ImageNet、SSL-ImageNet、SSL-Retinal。RETFound 模型预测 4 种疾病的性能均超越对比模型

• 发布期刊： Nature, 2023.08

• 论文链接： A foundation model for generalizable disease detection from retinal images

2. SVM 优化触觉传感器，盲文识别率达 96.12%

• 科研团队： 浙江大学的杨赓和徐凯臣课题组

• 相关研究： SVM 算法、机器学习、CNN、自适应矩估计算法。优化后的传感器能准确识别 6 种动态触摸模式

• 发布期刊： Advanced Science, 2023.09

• 论文链接： Machine Learning-Enabled Tactile Sensor Design for Dynamic Touch Decoding

• https://cardiab.biomedcentral.com/articles/10.1186/s12933-023-01854-z)

3. AI 新脑机技术让失语患者「开口说话」

• 科研团队： 加州大学团队

• 相关研究： nltk Twitter 语料库、多模态语音神经假体、脑机接口、深度学习模型、Cornell 电影语料库、合成语音算法、机器学习

• 发布期刊： Nature, 2023.08

• 论文链接： A high-performance neuroprosthesis for speech decoding and avatar control

• https://www.nature.com/articles/s41591-023-02640-w)

AI+ 材料化学

1. 高通量计算框架 33 分钟生成 12 万种新型 MOFs 候选材料

• 科研团队： 美国阿贡国家实验室 Eliu A. Huerta 研究团队

• 相关研究： hMOFs 数据集、生成式 AI、GHP-MOFsassemble、MMPA、DiffLinker、CGCNN、GCMC

• 发布期刊： Nature, 2024.02

• 论文链接： A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture

• https://www.nature.com/articles/s41467-023-40756-2)

2. 深度学习工具 GNoME 发现 220 万种新晶体

• 科研团队： 谷歌 DeepMind 研究团队

• 相关研究： GNoME 数据库、GNoME、SOTA GNN 模型、深度学习、Materials Project、OQMD、WBM、ICSD

• 发布期刊： Nature, 2023.11

• 论文链接： Scaling deep learning for materials discovery

3. 深度神经网络+自然语言处理，开发抗蚀合金

• 科研团队： 德国马克思普朗克铁研究所的研究人员

• 相关研究： DNN、NLP。读取有关合金加工和测试方法的文本数据，有预测新元素的能力

• 发布期刊： Science Advances, 2023.08

• 论文链接： Enhancing corrosion-resistant alloy design through natural language processing and deep learning

AI+ 动植物科学

1. SBeA 基于少样本学习框架进行动物社会行为分析

• 科研团队： 中科院深圳先进院蔚鹏飞研究团队

• 相关研究： PAIR-R24M 数据集、双向迁移学习、非监督式学习、人工神经网络、身份识别模型。在多动物身份识别方面的准确率超过 90%

• 发布期刊： Nature Machine Intelligence, 2024.01

• 论文链接： Multi-animal 3D social pose estimation, identification and behaviour embedding with a few-shot learning framework

2. 利用无人机采集植物表型数据的系统化流程，预测最佳采收日期

• 科研团队： 东京大学和千叶大学的研究人员

• 相关研究： 利润预测模型、分割模型、交互式标注、LabelMe、非线性回归模型、BiSeNet 模型

• 发布期刊： Plant Phenomics, 2023.09

• 论文链接： Drone-Based Harvest Data Prediction Can Reduce On-Farm Food Loss and Improve Farmer Income

3. 综述：借助 AI 更高效地开启生物信息学研究

• 主要内容： AI 在同源搜索、多重比对及系统发育构建、基因组序列分析、基因发现等生物学领域中，都有丰富的应用案例。作为一名生物学研究人员，能熟练地将机器学习工具整合到数据分析中，必将加速科学发现、提升科研效率。

AI+ 农林畜牧业

1. 利用卷积神经网络，对水稻产量进行迅速、准确的统计

• 科研团队： 京都大学的研究人员

• 相关研究： 卷积神经网络。CNN 模型可以对不同拍摄角度、时间和时期下得到的农田照片准确分析，得到稳定的产量预测结果

• 发布期刊： Plant Phenomics, 2023.07

• 论文链接： Deep Learning Enables Instant and Versatile Estimation of Rice Yield Using Ground-Based RGB Images

2. 结合实验室观测与机器学习，证明番茄与烟草植物在胁迫环境下发出的超声波能在空气中传播

• 科研团队： 以色列特拉维夫大学的研究人员

• 相关研究： 机器学习模型、SVM、Basic、MFCC、Scattering network、神经网络模型、留一法交叉验证。识别准确率高达 99.7%、4-6 天时番茄尖叫声最大

• 发布期刊： Cell，2023.03

• 论文链接： Sounds emitted by plants under stress are airborne and informative

3. 计算机视觉+深度学习开发奶牛跛行检测系统

• 科研团队： 纽卡斯尔大学及费拉科学有限公司的研究人员

• 相关研究： 计算机视觉、深度学习、Mask-RCNN 算法、SORT 算法、CatBoost 算法。准确度可达 94%-100%

• 发布期刊： Nature, 2023.03

• 论文链接： Deep learning pose estimation for multi-cattle lameness detection

AI+ 气象研究

1. 综述：数据驱动的机器学习天气预报模型

• 主要内容： 数值天气预报是天气预报的主流方法。它通过数值积分，对地球系统的状态进行逐网格的求解，是一个演绎推理的过程。 2022 年以来，天气预报领域的机器学习模型取得了一系列突破，部分成果可以与欧洲中期天气预报中心的高精度预测匹敌。

AI+ 天文学

1. PRIMO 算法学习黑洞周围的光线传播规律，重建出更清晰的黑洞图像

• 科研团队： 普林斯顿高等研究院研究团队

• 相关研究： PRIMO 算法、PCA、GRMHD。PRIMO 重建黑洞图像

• 发布期刊： The Astrophysical Journal Letters, 2023.04

• 论文链接： The Image of the M87 Black Hole Reconstructed with PRIMO

2. 利用模拟数据训练计算机视觉算法，对天文图像进行锐化「还原」

• 科研团队： 清华大学及美国西北大学研究团队

• 相关研究： Galsim、COSMOS、计算机视觉算法、CNN、Richardson-Lucy 算法、unrolled-ADMM 神经网络

• 发布期刊： 皇家天文学会月刊，2023.06

• 论文链接： Galaxy image deconvolution for weak gravitational lensing with unrolled plug-and-play ADMM

AI+ 能源环境

1. 强化学习算法提前 300 毫秒预测等离子体撕裂风险

• 科研团队： 普林斯顿大学 Egemen Kolemen 研究团队

• 相关研究： OpenAI Gym 库、DNN、AI controller、EFIT、强化学习

• 发布期刊： Nature, 2024.02

• 论文链接： Avoiding fusion plasma tearing instability with deep reinforcement learning

2. ECA-Net 模型预测中国未来 70 年的风能利用潜力

• 科研团队： 北师大黄国和研究团队

• 相关研究： ERA5 数据集、月度风速数据、GCM、CNN、ECA-Net

• 发布期刊： ACS publications, 2024.01

• 论文链接： Assessing Climate Change Impacts on Wind Energy Resources over China Based on CMIP6 Multimodel Ensemble

3. 轻量级模型检测光伏电池缺陷，准确率达 91.74%

• 科研团队： 东南大学自动化学院张金霞教授团队

• 相关研究： NAS、Knowledge Distillation、Normal cells、Reduction cells、DARTS、Teacher-Student 模式

• 发布期刊： Nature, 2024.03

• 论文链接： A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation

AI+ 自然灾害

1. 机器学习预测未来 40 年的地面沉降风险

• 科研团队： 中南大学柳建新研究团队

• 相关研究： SAR 数据集、机器学习模型、XGBR、LSTM

• 发布期刊： Journal of Environmental Management, 2024.02

• 论文链接： Machine learning-based techniques for land subsidence simulation in an urban area

2. 语义分割模型 SCDUNet++ 用于滑坡测绘

• 科研团队： 成都理工大学刘瑞研究团队

• 相关研究： Sentinel-2 多光谱数据、NASADEM 数据、滑坡数据、GLFE、CNN、DSSA、DSC、DTL、Transformer、深度迁移学习。交并比提高了 1.91% - 24.42%，F1 提高了 1.26% - 18.54%

• 发布期刊： International Journal of Applied Earth Observation and Geoinformation, 2024.01

• 论文链接： A deep learning system for predicting time to progression of diabetic retinopathy

其他

1. TacticAI 足球助手战术布局实用性高达 90%

• 科研团队： 谷歌 DeepMind 与利物浦足球俱乐部

• 相关研究： Geometric deep learning、GNN、predictive model、generative model。射球机会提升 13%

• 发布期刊： Nature, 2024.03

• 论文链接： TacticAI: an AI assistant for football tactics

2. 去噪扩散模型 SPDiff 实现长程人流移动模拟

• 科研团队： 清华大学电子工程系城市科学与计算研究中心、清华大学深圳国际研究生院深圳市泛在数据赋能重点实验室、鹏城实验室的研究人员

• 相关研究： GC 数据集、UCY 数据集、条件去噪扩散模型、SPDiff、GN、EGCL、LSTM、多帧推演训练算法。5% 训练数据量即可达到最优性能

• 发布期刊： Nature, 2024.02

• 论文链接： Social Physics Informed Diffusion Model for Crowd Simulation

3. 大语言模型 ChipNeMo 辅助工程师完成芯片设计

• 科研团队： 英伟达研究团队

• 相关研究： 领域自适应技术、NVIDIA NeMo、domain-adapted retrieval models、RAG、supervised fine-tuning with domain-specific instructions、DAPT、SFT、Tevatron、LLM

• 发布期刊： Journals & Magazines, 2024.03

• 论文链接： ChipNeMo: Domain-Adapted LLMs for Chip Design

4. AlphaGeometry 可解决几何学问题

• 科研团队： 谷歌 DeepMind 研究团队

• 相关研究： neural language model、symbolic deduction engine、语言模型

• 发布期刊： Nature, 2024.01

• 论文链接： Solving olympiad geometry without human demonstrations

5. 强化学习用于城市空间规划

• 科研团队： 清华大学李勇研究团队

• 相关研究： 深度强化学习、human–artificial intelligence collaborative 框架、城市规划模型、策略网络、价值网络、GNN。在服务和生态指标上击败了 8 名专业人类规划师

• 发布期刊： Nature Computational Science, 2023.09

• 论文链接： Spatial planning of urban communities via deep reinforcement learning

6. Ithaca 协助金石学家进行文本修复、时间归因和地域归因的工作

• 科研团队： DeepMind 和威尼斯福斯卡里大学的研究人员

• 相关研究： I.PHI 数据集、Ithaca 模型、Kullback-Leibler 散度、交叉熵损失函数。文本修复工作的准确率达到 62%，时间归因误差在 30 年内，地域归因准确率达到 71%

• 发布期刊： Nature, 2020.03

• 论文链接： Restoring and attributing ancient texts using deep neural networks

For more, reach hyperai/awesome-ai4s.