Четыре способа, которыми ученые Google Research используют Empirical Research Assistance

С момента введения Empirical Research Assistance осенью ученые Google Research используют ее для решения реальных приложений в области эпидемиологии, космологии, атмосферного мониторинга и нейробиологии, предоставляя намек на трансформационные возможности ИИ для ускорения научных открытий.

Возможности ИИ для продвижения научных открытий растут с каждой неделей, с результатами, которые обещают не только позволить прорывные открытия, но и изменить то, как делается наука. В сентябре мы выпустили препринт, представляющий EMPirical Research Assistance (ERA), чтобы помочь ученым создать эмпирическое программное обеспечение на уровне экспертов. Это включало в себя новые решения шести разнообразных и сложных эталонных проблем в областях, начиная от клеточной биологии и заканчивая нейробиологией.

С тех пор ученые Google и наши академические сотрудники разрабатывают и используют ERA для проверки его возможностей и изучения потенциальных приложений. Эти усилия выходят за рамки тестов на доказательство концепции к реальным сценариям в области эпидемиологии, геопространственного анализа и многого другого, раскрывая, как ИИ может демократизировать доступ к силе вычислительного моделирования, найти решения нерешенных проблем, разблокировать более глубокие идеи из существующих сборов данных и выйти за рамки моделирования черного ящика, чтобы найти интерпретируемые, механистически точные решения.

Было вдохновляюще видеть волнение ученых-исследователей Google, приглашенных исследователей факультета и академических сотрудников, когда они экспериментируют с ERA. Мы очень рады видеть, что эти возможности расширяются, поскольку они приближаются к более широкой доступности для поддержки научных открытий с помощью ИИ для глобальной выгоды.

Общественное здравоохранение: прогнозы госпитализации по гриппу, COVID-19 и RSV

В препринте авторы использовали ERA для прогнозирования госпитализаций в США по COVID-19, показывая, что он смог ретроспективно соответствовать или превосходить существующие инструменты из Центров по контролю и профилактике заболеваний (CDC) и ведущих исследовательских институтов. В качестве последующих усилий команда теперь расширилась, чтобы генерировать прогнозы не только для COVID, но и для гриппа и респираторно-синцитиального вируса (RSV), и представляет прогнозы в режиме реального времени каждую неделю.

Когда в ноябре открылся долгосрочный прогноз CDC на сезон 2025-26 годов, Google начал представлять еженедельные прогнозы для каждого штата США и на всех временных горизонтах, вплоть до четырех недель в будущем. В конце прошлого года Google также присоединился к круглогодичным прогнозам CDC по госпитализациям COVID-19 на государственном уровне, а также к недавно запущенному центру CDC для прогнозирования RSV. Публичные таблицы лидеров по гриппу и COVID-19, которыми руководит Николас Райх, профессор биостатистики в Университете Массачусетса в Амхерсте и консультант по этому проекту, показывают, что Google выступает в верхней части обоих таблиц лидеров в то время, когда они представляли прогнозы для каждого проекта (см. диаграмму). Хотя нет публичной таблицы лидеров для RSV, внутренний анализ показывает такую же высокую производительность.

Инструмент на основе ИИ, который может соответствовать или превышать точность прогнозирования ведущих инструментов агентства общественного здравоохранения, обещает огромную пользу для общественного здравоохранения для отслеживания новых условий и в более широких местах, демократизируя доступ к вычислительному моделированию для эпидемиологии для более широкого спектра инфекций и географических регионов.

Слева: графики показывают прогнозируемые госпитализации Google по всей Калифорнии по гриппу, COVID-19 и RSV, начиная с ноября 2025 года. Черная линия показывает реальные госпитализации. Справа: прогнозы ранжируются на основе их взвешенного интервального балла, меры точности прогноза, рассчитанной на наблюдаемых значениях, преобразованных в журнале. Прогнозы Google показаны в розовом цвете. Разработанные CDC прогнозы показаны как черные полосы, а другие исследовательские группы серые.

Космология: Космические струны и гравитационное энергетическое излучение

Космические струны - это теоретические дефекты в ткани пространства-времени, которые, как полагают, сформировались в ранней Вселенной и предсказаны испускающие гравитационное излучение. Расчет спектра этой испускаемой энергии является нерешенной проблемой, в основном потому, что управляющие уравнения содержат сингулярности — математические точки, где значения приближаются к бесконечности, а традиционные модели разрушаются. Прошлой осенью газета использовала GPT-5 OpenAI, чтобы найти частичное решение для гравитационной энергии, исходящей от космических струн, но только для простейшего случая квадратной петли, где угол ? = ?/2 или 90 градусов. Единое точное решение — единая, полная математическая формула, которая идеально решила интеграл — оставалась открытой задачей.

Чтобы решить эту проблему, мы объединили ERA с Gemini Deep Think. Систематически изучая математические методы, способные ориентироваться в этих сингулярностях, мы успешно получили шесть общих решений и краткую формулу асимптотического предела, который мы разделили в марте. Это иллюстрирует мощный потенциал сопряжения ERA с передовыми LLM для открытия точных, новых решений на границе космологии.

Компьютерная симуляция космических струн в расширяющейся Вселенной. Число в правом нижнем углу (например, 0,3654) — радиус Хаббла, размер наблюдаемой Вселенной. Белые струны длиннее наблюдаемой Вселенной. Красные и желтые петли, как и в правом верхнем углу, являются особенностями, которые могут отщипывать струны, колебаться, сливаться и коллапсировать, высвобождая гравитационную энергию, которая должна быть наблюдаемой. Фото: Крис Рингеваль

Климат и устойчивость: использование метеорологических спутников для мониторинга CO2

Регулярные наблюдения за углекислым газом (CO 22) начались в гавайской обсерватории Мауна-Лоа в конце 1950-х годов, что привело к культовой кривой Килинг, которая документирует рост глобальных концентраций CO2 в атмосфере Земли. Картирование выбросов парниковых газов человека и понимание того, как растения, деревья, почвы и океаны поглощают эти выбросы, требует от нас отслеживания того, как CO2 варьируется в зависимости от регионов и с течением времени. Современные космические датчики CO2, такие как орбитальная углеродная обсерватория НАСА-2 (OCO-2), были разработаны для проведения высокоточных наблюдений, но они отображают только крошечную часть поверхности Земли и возвращаются в каждое место только один раз в 16 дней. Геостационарные спутники, такие как спутник GOES East, предназначенный для поддержки прогнозирования погоды, вращаются вокруг Земли с гораздо большей высоты и могут сканировать все полушарие каждые 10 минут. Однако ни один из существующих геостационарных спутников не был разработан для картирования CO 22.

Исследователи Google использовали ERA для разработки однопиксельной, управляемой физикой нейронной сети для дистилляции сигнала CO 2 в среднем колонке из существующих наблюдений GOES East. Для этого модель объединяет данные из 16 полос длин волн GOES-East с метеорологией с низкой тропосферой, солнечными углами и днем в году. После обучения скудным наблюдениям OCO-2 и OCO-3 модель смогла получить оценки колоночного усреднения CO 2 везде и каждые 10 минут.

Исследования, опубликованные в Международном семинаре по измерениям парниковых газов в космосе, показывают, что разработанная ИИ модель способна использовать высокую пространственную и временную плотность наблюдений GOES East для отслеживания колоночного среднестатистического CO 2 с беспрецедентным пространственным и временным разрешением. Сравнения с независимыми данными из дополнительных лет наблюдений OCO-2 и из наземной сети наблюдения за общим колоночным углеродом подтверждают способность модели фиксировать реальную 2изменчивость CO2.

Эти результаты показывают, как алгоритм ИИ может извлечь дополнительную ценность из существующих инструментов наблюдения, особенно для ресурсоемких спутниковых исследовательских миссий. Этот проект является одним из нескольких вопросов, связанных с климатом и парниковыми газами, которые исследователи Google изучают с использованием ERA.

Атмосферная концентрация CO 2 над районом Лос-Анджелеса 18 октября 2024 года, как видно из GOES-East (слева) leftи орбитальной углеродной обсерватории-2 (справа). Разработанная ИИ модель слева берет спутниковые данные GOES-East и объединяет их с другой информацией для оценки концентрации CO 2 в колонке каждые 10 минут во всех местах, чтобы выявить пространственные закономерности выбросов CO 2 2в городах. Справа панель показывает ограниченные наблюдения OCO-2, доступные для того же дня.

Нейронаука: открытие механизмов нейронных цепей

Хотя теперь мы можем нанести на карту десятки тысяч нейронов в живом мозге, распутывание функциональных цепей является следующим шагом. Исследователи Google использовали ERA для решения этой проблемы как в реальной, так и в моделируемой рыбе-зебре, популярном модельном организме для изучения того, как позвоночный обнаруживает стимулы, обрабатывает информацию и реагирует. В естественных условиях свет, проходящий через рябь на поверхности воды, создает узоры светлых и темных полос на морском дне или русле реки. Зебрафиши эволюционировали, чтобы инстинктивно реагировать на изменения в этих полосах, чтобы оставаться на мелководье и избегать сметенности.

В новом исследовании мы рассмотрели нейронную цепь зебрафиш, соответствующую этому экологическому стимулу. Мы предоставили ERA схему проводки simZFish, упрощенного тела зебрафиша и симулятора мозга. Руководствуясь этой информацией — раскрывая, какие клеточные соединения существуют, но опуская математические правила, которые ими управляют, — ERA смогла предложить схемы, которые соединяют стимул с нейронной активностью с двигательной реакцией. Тестирование этих ИИ-гипотезированных схем против новых визуальных стимулов показало, что они были не просто статистическими ярлыками, а точными нейронными механизмами, которые обобщаются на другие подобные ситуации.

а: эксперимент, в котором смоделированная зебрафиш реагирует на полосы. b: ERA итеративно строит и тестирует модели для обнаружения лежащих в основе нейронных цепей. c: сравнение эффективных матриц подключения, показывающих, как нейроны влияют друг на друга (синий = ингибирующий, красный = возбуждающий). Правая панель сравнивает фактические механизмы моделирования с моделями ИИ, построенными с структурной информацией и без нее, демонстрируя, что управляемый поиск успешно восстанавливает основную истину.

Это основано на результатах preprintпрепринта, который показал, что модели, разработанные ИИ, могут превзойти базовые методы при прогнозировании активности более 70,000 нейронов, захваченных в Benchmark Zebrasish Activity Prediction Bench, ZAPBench, набор данных нейронной активности из экспериментов, которые имитируют типичные стимулы окружающей среды.

В то время как ZAPBench доказал способность ERA находить современные предсказательные решения, моделируемая среда показывает, как она может выйти за рамки моделирования черного ящика. Оснащенная структурной информацией, ERA обнаружила интерпретируемые, механистически точные решения, обеспечивающие мощный план для решения научных больших проблем в живом мозге.

Вывод: наука с помощью ИИ

Эти четыре проекта входят в растущий список результатов, которые показывают, как системы, поддерживаемые LLM, могут продвигать науку и ускорять темпы открытий. Эти примеры представляют собой целый ряд полей, а также типы проблем, от теоретической математики до прогнозирования данных до анализа данных из инструментов наблюдения и результатов моделирования. Они также демонстрируют потенциал науки с поддержкой ИИ для решения открытых проблем, демократизации доступа к вычислительному моделированию и максимизации полезности существующих данных наблюдений. Мы в восторге от прогресса, который разблокируется ERA и другими инструментами Google, включая соученика и PAT, предназначенных для ускорения научных открытий.

Благодарности

Мы хотели бы поблагодарить наших сотрудников по разработке ERA и всех ученых, которые являются одними из первых последователей. Работа по эпидемиологическому прогнозированию возглавляют Захра Шамси, Сара Мартинсон, Николас Райх, Мартина Пломечка и Брайан Уильямс. Авторами космологической книги являются Майкл Бреннер, Винсент Коэн-Аддад и Дэвид Вудрафф. Исследование мониторинга углекислого газа возглавляется Аароном Сонабендом-В, Шоном Кэмпбеллом, Рене Джонстон, Вишалом Батчу, Карлом Элкином, Кристофером Ван Арсдейлом, Джоном Платтом и Анной Мичалак. Статья о нейронных цепях была написана Яном-Маттисом Люкманом, Виреном Джайном и Михал Янушевским. Мы также признаем поддержку руководства со стороны Джона Платта, Майкла Бреннера, Лиззи Дорфман, Вип Гупты, Элисон Ленц, Эрики Брэнд, Кэтрин Чоу, Ронита Левави Морада, Йосси Матиаса и Джеймса Маньики.

Телеграм: t.me/ainewsline

Источник: research.google

Комментарии: