AI與各個(gè)科學(xué)領(lǐng)域結(jié)合后，正在發(fā)生著一場(chǎng)充滿潛力和挑戰(zhàn)的科技革命。

通過(guò)探索理論、設(shè)計(jì)實(shí)驗(yàn)、分析數(shù)據(jù)，人工智能將為我們所熟知的科學(xué)發(fā)現(xiàn)提供超級(jí)動(dòng)力。

圖片

8月2日，谷歌團(tuán)隊(duì)研究人員在Nature上發(fā)表了一項(xiàng)研究——人工智能時(shí)代的科學(xué)發(fā)現(xiàn)，總結(jié)了AI在科學(xué)發(fā)現(xiàn)中的應(yīng)用和進(jìn)展。

圖片

論文地址：https://www.nature.com/articles/s41586-023-06221-2

如何收集、轉(zhuǎn)換和理解數(shù)據(jù)為形成科學(xué)見解和理論奠定了基礎(chǔ)。

2010年代初興起的深度學(xué)習(xí)，極大地?cái)U(kuò)展了這些科學(xué)發(fā)現(xiàn)過(guò)程的范圍和雄心。

人工智能越來(lái)越多地應(yīng)用于各個(gè)科學(xué)學(xué)科，以整合海量數(shù)據(jù)集、完善測(cè)量、指導(dǎo)實(shí)驗(yàn)、探索與數(shù)據(jù)相匹配的理論空間，以及提供與科學(xué)工作流程相結(jié)合的可操作的可靠模型，從而實(shí)現(xiàn)自主發(fā)現(xiàn)。

圖片

數(shù)據(jù)收集和分析是科學(xué)理解和發(fā)現(xiàn)的基礎(chǔ)，也是科學(xué)的兩大核心目標(biāo)、定量方法和新興技術(shù)。

20世紀(jì)50年代，數(shù)字化的引入為計(jì)算機(jī)在科學(xué)研究中的普遍應(yīng)用鋪平了道路。

自2010年代以來(lái)，數(shù)據(jù)科學(xué)的興起使AI能夠從大型數(shù)據(jù)集中識(shí)別出與科學(xué)相關(guān)的模式，從而提供有價(jià)值的指導(dǎo)。

盡管科學(xué)實(shí)踐和過(guò)程在科學(xué)研究的各個(gè)階段各不相同，但人工智能算法的發(fā)展跨越了傳統(tǒng)上孤立的學(xué)科。

這種算法可以增強(qiáng)科學(xué)研究的設(shè)計(jì)和執(zhí)行，正在成為研究人員不可或缺的工具。

圖片

科學(xué)發(fā)現(xiàn)是一個(gè)多方面的過(guò)程，涉及幾個(gè)相互關(guān)聯(lián)的階段，包括假設(shè)形成、實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)采集和分析

近來(lái)，AI在科學(xué)方面最新的進(jìn)展，就包括解開50年前的蛋白質(zhì)折疊問(wèn)題，以及人工智能驅(qū)動(dòng)的數(shù)百萬(wàn)粒子的分子系統(tǒng)模擬，證明了人工智能解決具有挑戰(zhàn)性的科學(xué)問(wèn)題的潛力。

與任何新技術(shù)一樣，AI4Science 的成功取決于，我們是否有能力將其融入日常實(shí)踐并了解其潛力和局限性。

在科學(xué)發(fā)現(xiàn)過(guò)程中，廣泛采用人工智能的障礙包括發(fā)現(xiàn)過(guò)程每個(gè)階段特有的內(nèi)部和外部因素，以及對(duì)方法、理論、軟件和硬件的實(shí)用性和潛在濫用的擔(dān)憂。

論文中，研究人員將探討人工智能科學(xué)的發(fā)展并解決關(guān)鍵問(wèn)。

AI輔助科學(xué)研究數(shù)據(jù)采集與管理

實(shí)驗(yàn)平臺(tái)收集的數(shù)據(jù)集規(guī)模和復(fù)雜程度不斷增加，導(dǎo)致科學(xué)研究越來(lái)越依賴實(shí)時(shí)處理和高性能計(jì)算，以選擇性地存儲(chǔ)和分析高速生成的數(shù)據(jù)。

數(shù)據(jù)選擇

一個(gè)典型的粒子碰撞實(shí)驗(yàn)每秒產(chǎn)生超過(guò)100 TB的數(shù)據(jù)。這類科學(xué)實(shí)驗(yàn)正在挑戰(zhàn)現(xiàn)有數(shù)據(jù)傳輸和存儲(chǔ)技術(shù)的極限。

在這些物理實(shí)驗(yàn)中，99.99%以上的原始儀器數(shù)據(jù)都是背景事件，必須實(shí)時(shí)檢測(cè)并丟棄，以管理數(shù)據(jù)速率。

為了識(shí)別罕見事件，便于未來(lái)的科學(xué)研究，深度學(xué)習(xí)方法用「搜索離群信號(hào)」的算法取代了預(yù)先編程的硬件事件觸發(fā)器，以檢測(cè)壓縮過(guò)程中可能遺漏的意外或罕見現(xiàn)象。

背景過(guò)程可使用深度自動(dòng)編碼器生成模型。

自動(dòng)編碼器會(huì)為以前未見過(guò)的、不屬于背景分布的信號(hào)（罕見事件）返回較高的損失值（異常得分）。與有監(jiān)督異常檢測(cè)不同，無(wú)監(jiān)督異常檢測(cè)不需要標(biāo)注，已廣泛應(yīng)用于物理學(xué)、神經(jīng)科學(xué)、地球科學(xué)、海洋學(xué)和天文學(xué)。

數(shù)據(jù)標(biāo)注

訓(xùn)練有監(jiān)督模型需要帶有標(biāo)注的數(shù)據(jù)集，這些標(biāo)注可提供有監(jiān)督信息，以指導(dǎo)模型訓(xùn)練，并根據(jù)輸入估計(jì)目標(biāo)變量的函數(shù)或條件分布。

在生物學(xué)領(lǐng)域，為新表征的分子分配功能和結(jié)構(gòu)標(biāo)簽的技術(shù)對(duì)于監(jiān)督模型的下游訓(xùn)練至關(guān)重要，因?yàn)閷?shí)驗(yàn)生成標(biāo)簽非常困難。

例如，盡管下一代測(cè)序技術(shù)不斷發(fā)展，但只有不到1%的測(cè)序蛋白質(zhì)標(biāo)注了生物學(xué)功能。

另一種數(shù)據(jù)標(biāo)注策略，是利用在人工標(biāo)注數(shù)據(jù)上訓(xùn)練的智能體模型來(lái)標(biāo)注未標(biāo)注的樣本，并利用這些預(yù)測(cè)的偽標(biāo)簽來(lái)監(jiān)督下游預(yù)測(cè)模型。

相比之下，標(biāo)簽傳播則是通過(guò)基于特征嵌入構(gòu)建的相似性圖將標(biāo)簽擴(kuò)散到未標(biāo)記的樣本中。

除了自動(dòng)標(biāo)注外，主動(dòng)學(xué)習(xí)還能確定需要人工標(biāo)注的信息量最大的數(shù)據(jù)點(diǎn)或需要進(jìn)行的信息量最大的實(shí)驗(yàn)。

通過(guò)這種方法，可以用較少的專家提供的標(biāo)簽來(lái)訓(xùn)練模型。數(shù)據(jù)標(biāo)注的另一種策略是利用領(lǐng)域知識(shí)制定標(biāo)注規(guī)則。

數(shù)據(jù)生成

隨著訓(xùn)練數(shù)據(jù)集的質(zhì)量、多樣性和規(guī)模的提高，深度學(xué)習(xí)的性能也在不斷改善。

創(chuàng)建更好模型的一個(gè)有效方法是，通過(guò)自動(dòng)數(shù)據(jù)增強(qiáng)和深度生成模型，生成額外的合成數(shù)據(jù)點(diǎn)來(lái)增強(qiáng)訓(xùn)練數(shù)據(jù)集。

除了人工設(shè)計(jì)此類數(shù)據(jù)擴(kuò)增外，強(qiáng)化學(xué)習(xí)方法還能發(fā)現(xiàn)一種自動(dòng)數(shù)據(jù)擴(kuò)增策略，這種策略既靈活又與下游模型無(wú)關(guān)。

深度生成模型，包括變異自動(dòng)編碼器、生成對(duì)抗網(wǎng)絡(luò)、歸一化流和擴(kuò)散模型，可以學(xué)習(xí)底層數(shù)據(jù)分布，并從優(yōu)化的分布中采樣訓(xùn)練點(diǎn)。

生成式對(duì)抗網(wǎng)絡(luò)已被證明可用于科學(xué)圖像，因?yàn)樗鼈兛梢院铣稍S多領(lǐng)域的逼真圖像。

概率編程是生成模型中的一種新興技術(shù)，并將數(shù)據(jù)生成模型表達(dá)為計(jì)算機(jī)程序。

學(xué)習(xí)科學(xué)數(shù)據(jù)有意義的表示

深度學(xué)習(xí)可以提取不同抽象程度的科學(xué)數(shù)據(jù)的有意義表征，并對(duì)其進(jìn)行優(yōu)化以指導(dǎo)研究，通常是通過(guò)端到端學(xué)習(xí)。

高質(zhì)量的表征應(yīng)盡可能多地保留數(shù)據(jù)信息，同時(shí)保持簡(jiǎn)單易懂。

有科學(xué)意義的表征應(yīng)結(jié)構(gòu)緊湊、有鑒別性、能區(qū)分潛在的變異因素，并能編碼可在多項(xiàng)任務(wù)中通用的潛在機(jī)制。

在此，研究人員將介紹滿足這些要求的3種新興策略：幾何先驗(yàn)、自監(jiān)督學(xué)習(xí)、語(yǔ)言建模。

幾何先驗(yàn)

由于幾何和結(jié)構(gòu)在科學(xué)領(lǐng)域發(fā)揮著核心作用，因此在學(xué)習(xí)表征中整合「幾何先驗(yàn)」已被證明是有效的。

對(duì)稱是幾何學(xué)中一個(gè)被廣泛研究的概念。它可以用不變性和等差性來(lái)描述來(lái)數(shù)學(xué)函數(shù)的行為，以表示神經(jīng)特征編碼器在一組變換下的行為。

在科學(xué)圖像分析中，物體在圖像中平移時(shí)不會(huì)發(fā)生變化，這意味著圖像分割掩碼是平移等變的，因?yàn)楫?dāng)輸入像素平移時(shí)，它們會(huì)發(fā)生等效變化。

通過(guò)增加訓(xùn)練樣本，將對(duì)稱性納入模型可使AI在有限的標(biāo)注數(shù)據(jù)中受益，并可改善對(duì)與模型訓(xùn)練過(guò)程中遇到的輸入明顯不同的輸入的外推預(yù)測(cè)。

幾何深度學(xué)習(xí)

圖神經(jīng)網(wǎng)絡(luò)，已成為對(duì)具有潛在幾何和關(guān)系結(jié)構(gòu)的數(shù)據(jù)集進(jìn)行深度學(xué)習(xí)的主要方法。

從廣義上講，幾何深度學(xué)習(xí)包括，發(fā)現(xiàn)關(guān)系模式 ，并通過(guò)神經(jīng)信息傳遞算法，以圖形和變換組的形式編碼的局部信息。

圖片

學(xué)習(xí)科學(xué)數(shù)據(jù)有意義的表征

自監(jiān)督學(xué)習(xí)

當(dāng)只有少數(shù)標(biāo)記樣本可用于模型訓(xùn)練，或當(dāng)為特定任務(wù)標(biāo)記數(shù)據(jù)成本過(guò)高時(shí)，監(jiān)督學(xué)習(xí)可能是不夠的。

在這種情況下，利用標(biāo)記和未標(biāo)記數(shù)據(jù)可以提高模型性能和學(xué)習(xí)能力。

自監(jiān)督學(xué)習(xí)是一種技術(shù)，讓模型能夠在不依賴顯式標(biāo)簽的情況下學(xué)習(xí)數(shù)據(jù)集的一般特征。

自監(jiān)督學(xué)習(xí)是一個(gè)重要的預(yù)處理步驟，它可以在大型無(wú)標(biāo)簽數(shù)據(jù)集中學(xué)習(xí)可轉(zhuǎn)移的特征，然后在小型有標(biāo)簽數(shù)據(jù)集中微調(diào)模型，以執(zhí)行下游任務(wù)。

這種對(duì)科學(xué)領(lǐng)域有廣泛的了解的預(yù)訓(xùn)練模型，是通用預(yù)測(cè)器，可適用于各種任務(wù)，從而提高標(biāo)注效率，超越純監(jiān)督方法。

語(yǔ)言建模

掩碼語(yǔ)言建模是一種流行的方法，用于自監(jiān)督學(xué)習(xí)自然語(yǔ)言和生物序列。

隨著自然語(yǔ)言和生物序列處理的不斷發(fā)展，它們?yōu)楸舜说陌l(fā)展提供了信息。

在訓(xùn)練過(guò)程中，目標(biāo)是預(yù)測(cè)序列中的下一個(gè)token，而在基于掩碼的訓(xùn)練 中，自監(jiān)督任務(wù)是使用雙向序列上下文恢復(fù)序列中的掩碼token。

蛋白質(zhì)語(yǔ)言模型可以，編碼氨基酸序列以捕獲結(jié)構(gòu)和功能特性，并評(píng)估病毒變體的進(jìn)化適應(yīng)性。

Transformer架構(gòu)

Transformers是一種神經(jīng)結(jié)構(gòu)模型，可以通過(guò)靈活模擬任意token對(duì)之間的相互作用，來(lái)處理token序列，超越了早期使用遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行序列建模的努力。

雖然Transformers統(tǒng)一了圖神經(jīng)網(wǎng)絡(luò)和語(yǔ)言模型，但Transformers的運(yùn)行時(shí)間和內(nèi)存占用可能與序列長(zhǎng)度成二次方關(guān)系，從而導(dǎo)致遠(yuǎn)程建模，和線性化注意機(jī)制在效率方面面臨挑戰(zhàn)。

因此，無(wú)監(jiān)督或自監(jiān)督生成式預(yù)訓(xùn)練變換器被廣泛使用，隨后進(jìn)行參數(shù)高效微調(diào)。

神經(jīng)算子

標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型可能無(wú)法滿足科學(xué)應(yīng)用的需要，因?yàn)樗鼈兗俣〝?shù)據(jù)離散度是固定的。

這種方法不適用于以不同分辨率，和網(wǎng)格收集的許多科學(xué)數(shù)據(jù)集。

此外，數(shù)據(jù)通常是從連續(xù)域中的潛在物理現(xiàn)象中采樣的，神經(jīng)算子通過(guò)學(xué)習(xí)函數(shù)空間之間的映射來(lái)學(xué)習(xí)，不受離散化影響的表征。

神經(jīng)算子保證離散化不變，這意味著它們可以處理任何離散化的輸入，并在網(wǎng)格細(xì)化時(shí)收斂到一個(gè)極限。

神經(jīng)算子一旦訓(xùn)練完成，就可以在任何分辨率下進(jìn)行評(píng)估，無(wú)需重新訓(xùn)練。相比之下，當(dāng)部署過(guò)程中的數(shù)據(jù)分辨率與模型訓(xùn)練時(shí)的數(shù)據(jù)分辨率發(fā)生變化時(shí)，標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的性能就會(huì)下降。

基于人工智能的科學(xué)假設(shè)生成

可檢驗(yàn)的假設(shè)是科學(xué)發(fā)現(xiàn)的核心。

科學(xué)假設(shè)的黑盒預(yù)測(cè)器

為科學(xué)探究確定有希望的假設(shè)，需要有效地檢查許多候選方案，并選擇那些可以最大限度地提高下游模擬和實(shí)驗(yàn)產(chǎn)量的假設(shè)。

在藥物發(fā)現(xiàn)中，高通量篩選可以評(píng)估數(shù)千到數(shù)百萬(wàn)個(gè)分子，算法可以優(yōu)先考慮實(shí)驗(yàn)研究哪些分子。模型可以被訓(xùn)練來(lái)預(yù)測(cè)實(shí)驗(yàn)的效用，例如相關(guān)的分子特性，或符合觀察結(jié)果的符號(hào)公式。

然而，對(duì)于許多分子來(lái)說(shuō)，這些預(yù)測(cè)因子的實(shí)驗(yàn)事實(shí)數(shù)據(jù)可能不可用。

因此，弱監(jiān)督學(xué)習(xí)方法可以用來(lái)訓(xùn)練這些模型，其中嘈雜、有限或不精確的監(jiān)督被用作訓(xùn)練信號(hào)。

這些方法可以經(jīng)濟(jì)有效地替代人類專家的標(biāo)注、昂貴的硅學(xué)計(jì)算或更高保真的實(shí)驗(yàn)。

圖片

人工智能引導(dǎo)的科學(xué)假設(shè)生成

在高保真模擬上訓(xùn)練的AI方法已被用于高效篩選大型分子庫(kù)。

為了進(jìn)一步提高這些過(guò)程的效率，AI選擇的候選方案可以被送到中等或低吞吐量實(shí)驗(yàn)中，以便使用實(shí)驗(yàn)反饋對(duì)候選物進(jìn)行持續(xù)細(xì)化。

結(jié)果可以使用主動(dòng)學(xué)習(xí)和貝葉斯優(yōu)化反饋到AI模型中，使算法能夠改進(jìn)其預(yù)測(cè)，并專注于最有前途的候選方案。

當(dāng)假設(shè)涉及分子等復(fù)雜對(duì)象時(shí)，人工智能方法就變得非常有價(jià)值。

例如，在蛋白質(zhì)折疊方面，AlphaFold2可以根據(jù)氨基酸序列預(yù)測(cè)蛋白質(zhì)的三維原子坐標(biāo)，其精確度甚至可以達(dá)到原子級(jí)別，即使蛋白質(zhì)的結(jié)構(gòu)與訓(xùn)練數(shù)據(jù)集中的任何蛋白質(zhì)都不同。

這一突破促進(jìn)了各種人工智能驅(qū)動(dòng)的蛋白質(zhì)折疊方法的發(fā)展，如RoseTTAFold106。

除了正向問(wèn)題，人工智能方法也越來(lái)越多地用于逆向問(wèn)題，旨在了解產(chǎn)生一組觀測(cè)數(shù)據(jù)的因果因素。

逆向問(wèn)題，如逆向折疊或固定骨架設(shè)計(jì)，可以使用在數(shù)百萬(wàn)個(gè)蛋白質(zhì)結(jié)構(gòu)上訓(xùn)練過(guò)的黑盒預(yù)測(cè)器，根據(jù)蛋白質(zhì)骨架三維原子坐標(biāo)預(yù)測(cè)氨基酸序列。

然而，此類黑盒人工智能預(yù)測(cè)器需要大量訓(xùn)練數(shù)據(jù)集，盡管減少了對(duì)現(xiàn)有科學(xué)知識(shí)的依賴，但可解釋性有限。

導(dǎo)航組合假設(shè)空間

盡管對(duì)所有與數(shù)據(jù)相匹配的假設(shè)進(jìn)行采樣是一件令人生畏的事情，但一個(gè)可以管理的目標(biāo)是尋找一個(gè)好的假設(shè)，這可以表述為一個(gè)優(yōu)化問(wèn)題。

與依賴人工設(shè)計(jì)規(guī)則的傳統(tǒng)方法相比，人工智能策略可用于估算每次搜索的回報(bào)，并優(yōu)先選擇價(jià)值較高的搜索方向。

通常采用強(qiáng)化學(xué)習(xí)算法訓(xùn)練的智能體來(lái)學(xué)習(xí)策略。

該智能體學(xué)會(huì)在搜索空間中采取使獎(jiǎng)勵(lì)信號(hào)最大化的行動(dòng)，獎(jiǎng)勵(lì)信號(hào)可定義為反映所生成假設(shè)的質(zhì)量或其他相關(guān)標(biāo)準(zhǔn)。

為了解決優(yōu)化問(wèn)題，可以使用進(jìn)化算法來(lái)解決符號(hào)回歸任務(wù)。該算法生成隨機(jī)符號(hào)定律作為初始解決方案集。

在每一代中，候選解決方案會(huì)有輕微變化。

算法會(huì)檢查任何修改所產(chǎn)生的符號(hào)定律是否比之前的解決方案更適合觀測(cè)結(jié)果，并將最好的解決方案保留到下一代。

不過(guò)，強(qiáng)化學(xué)習(xí)方法正逐漸取代這一標(biāo)準(zhǔn)策略。

強(qiáng)化學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò)，通過(guò)添加預(yù)定義詞匯表中的數(shù)學(xué)符號(hào)，并利用所學(xué)策略決定下一步添加哪個(gè)符號(hào)，從而依次生成數(shù)學(xué)表達(dá)式。

數(shù)學(xué)公式表示為一棵解析樹。學(xué)習(xí)策略將解析樹作為輸入，以決定擴(kuò)展哪個(gè)葉節(jié)點(diǎn)和添加哪個(gè)符號(hào)。

使用神經(jīng)網(wǎng)絡(luò)解決數(shù)學(xué)問(wèn)題的另一種方法是，將數(shù)學(xué)公式轉(zhuǎn)化為二進(jìn)制符號(hào)序列。

然后，神經(jīng)網(wǎng)絡(luò)策略可以按概率順序每次增加一個(gè)二進(jìn)制字符。

通過(guò)設(shè)計(jì)一個(gè)獎(jiǎng)勵(lì)來(lái)衡量反駁猜想的能力，這種方法可以在沒有數(shù)學(xué)問(wèn)題的先驗(yàn)知識(shí)的情況下，找到對(duì)數(shù)學(xué)猜想的反駁方法。

組合優(yōu)化也適用于發(fā)現(xiàn)具有理想藥物性質(zhì)的分子等任務(wù)，其中分子設(shè)計(jì)中的每一步，都是一個(gè)離散的決策過(guò)程。

在這個(gè)過(guò)程中，部分生成的分子圖被給出作為學(xué)習(xí)策略的輸入，對(duì)在哪里添加新原子以及在分子中的選定位置添加哪個(gè)原子做出離散的選擇。

通過(guò)迭代執(zhí)行這個(gè)過(guò)程，該策略可以生成一系列可能的分子結(jié)構(gòu)，根據(jù)它們對(duì)目標(biāo)屬性的適應(yīng)性進(jìn)行評(píng)估。

AI智能體學(xué)習(xí)的策略能預(yù)見一些行動(dòng)，這些行動(dòng)最初似乎不合常規(guī)，但事實(shí)證明是有效的。

例如，在數(shù)學(xué)中，監(jiān)督模型可以識(shí)別數(shù)學(xué)對(duì)象之間的模式和關(guān)系，并幫助指導(dǎo)直覺并提出猜想。

這些分析指向了以前未知的模式，甚至是世界的新模型。

然而，強(qiáng)化學(xué)習(xí)方法可能無(wú)法在模型訓(xùn)練期間很好地泛化到看不見的數(shù)據(jù)，因?yàn)橐坏┲悄荏w找到一系列運(yùn)行良好的動(dòng)作，它可能會(huì)陷入局部最優(yōu)。

為了提高泛化，需要一些探索策略來(lái)收集更廣泛的搜索軌跡，這些軌跡可以幫助智能體在新的和修改的設(shè)置中表現(xiàn)得更好。

優(yōu)化可微分假設(shè)空間

科學(xué)假設(shè)通常采用離散對(duì)象的形式，例如物理學(xué)中的符號(hào)公式或制藥和材料科學(xué)中的化合物。

盡管組合優(yōu)化技術(shù)在其中一些問(wèn)題上取得了成功，但可微空間也可以用于優(yōu)化，因?yàn)樗m合基于梯度的方法，可以有效地找到局部最優(yōu)。

為了能夠使用基于梯度的優(yōu)化方法，有兩種方法經(jīng)常被使用。

第一種是使用VAE等模型，將離散的候選假設(shè)映射到潛在可變空間中的點(diǎn)。

第二種方法是將離散假設(shè)松弛為可在可微分空間中優(yōu)化的可微分對(duì)象。

這種松弛可以采取不同的形式，例如用連續(xù)變量替換離散變量，或使用原始約束條件的軟版本。

物理學(xué)中的符號(hào)回歸應(yīng)用使用語(yǔ)法VAE。這些模型使用上下文無(wú)關(guān)語(yǔ)法將離散符號(hào)表達(dá)式表示為解析樹，并將解析樹映射到可微分的潛在空間中。

然后采用貝葉斯優(yōu)化法優(yōu)化符號(hào)定律的潛在空間，同時(shí)確保表達(dá)式在語(yǔ)法上有效。

在許多科學(xué)學(xué)科中，假設(shè)空間可能遠(yuǎn)遠(yuǎn)大于實(shí)驗(yàn)所能考察的范圍。

因此，我們迫切需要一種方法，在這些基本未開發(fā)的區(qū)域中高效搜索并識(shí)別高質(zhì)量的候選解決方案。

AI驅(qū)動(dòng)的實(shí)驗(yàn)與模擬

通過(guò)實(shí)驗(yàn)評(píng)估科學(xué)假設(shè)對(duì)于科學(xué)發(fā)現(xiàn)至關(guān)重要。

然而，實(shí)驗(yàn)室實(shí)驗(yàn)的成本可能過(guò)于高昂且不切實(shí)際。

計(jì)算機(jī)模擬作為一種有前景的替代方案已經(jīng)出現(xiàn)，對(duì)比實(shí)驗(yàn)它具有更高效靈活的優(yōu)勢(shì)。

雖然模擬依賴于手工制定的參數(shù)和開創(chuàng)式的方法來(lái)模擬真實(shí)場(chǎng)景，但與物理實(shí)驗(yàn)相比，還需要在準(zhǔn)確性和速度之間進(jìn)行權(quán)衡，需要理解其中的基本機(jī)制。

然而，隨著深度學(xué)習(xí)的出現(xiàn)，通過(guò)識(shí)別和優(yōu)化假設(shè)以進(jìn)行高效測(cè)試，并賦予計(jì)算機(jī)模擬聯(lián)結(jié)觀察結(jié)果與假設(shè)的能力，這些挑戰(zhàn)正在得到解決。

高效評(píng)估科學(xué)假設(shè)

AI系統(tǒng)提供了實(shí)驗(yàn)設(shè)計(jì)和優(yōu)化工具，可以增強(qiáng)傳統(tǒng)的科學(xué)方法，減少所需實(shí)驗(yàn)的數(shù)量并節(jié)省資源。

具體而言，AI系統(tǒng)可以協(xié)助實(shí)驗(yàn)測(cè)試的兩個(gè)重要步驟：計(jì)劃和引導(dǎo)。

在傳統(tǒng)方法中，這些步驟往往需要反復(fù)試驗(yàn)，這可能是低效的、昂貴的，甚至有時(shí)可能危及生命。

AI計(jì)劃提供了一種系統(tǒng)化的方法來(lái)設(shè)計(jì)實(shí)驗(yàn)，優(yōu)化其效率，并探索未知領(lǐng)域。

同時(shí)，AI引導(dǎo)將實(shí)驗(yàn)過(guò)程導(dǎo)向到高產(chǎn)出的假設(shè)，使系統(tǒng)能夠從先前的觀察中學(xué)習(xí)并調(diào)整實(shí)驗(yàn)過(guò)程。

這些AI方法可以基于模擬和先驗(yàn)知識(shí)來(lái)進(jìn)行模型建立，也可以基于純機(jī)器學(xué)習(xí)算法進(jìn)行模型構(gòu)建。

AI系統(tǒng)可以通過(guò)優(yōu)化資源使用和減少不必要的調(diào)查來(lái)協(xié)助實(shí)驗(yàn)計(jì)劃。與假設(shè)搜索不同，實(shí)驗(yàn)計(jì)劃涉及到科學(xué)實(shí)驗(yàn)設(shè)計(jì)中涉及的程序和步驟。

一個(gè)例子是化學(xué)合成計(jì)劃。化學(xué)合成計(jì)劃涉及到找到一系列步驟，通過(guò)這些步驟可以將目標(biāo)化合物從現(xiàn)有化合物合成出來(lái)。

AI系統(tǒng)可以設(shè)計(jì)合成路徑以得到所需的化合物，從而減少人工干預(yù)的需求。

主動(dòng)學(xué)習(xí)也被用于材料發(fā)現(xiàn)和合成。主動(dòng)學(xué)習(xí)涉及與實(shí)驗(yàn)反饋進(jìn)行迭代交互，以改進(jìn)假設(shè)。材料合成是一個(gè)復(fù)雜而資源密集型的過(guò)程，需要對(duì)高維參數(shù)空間進(jìn)行高效的探索。

主動(dòng)學(xué)習(xí)利用不確定性估計(jì)來(lái)探索參數(shù)空間，并盡可能少地減少不確定性。

在進(jìn)行實(shí)驗(yàn)過(guò)程中，決策常常需要實(shí)時(shí)調(diào)整。然而，當(dāng)只依靠人類經(jīng)驗(yàn)和直覺時(shí)，這個(gè)過(guò)程可能難以進(jìn)行或者容易出錯(cuò)。強(qiáng)化學(xué)習(xí)提供了一種替代方法，可以持續(xù)地對(duì)不斷變化的環(huán)境做出反應(yīng)，并最大化實(shí)驗(yàn)的安全和保證成功率。

例如，在磁控托卡馬克等離子體的實(shí)驗(yàn)中，強(qiáng)化學(xué)習(xí)方法通過(guò)與托卡馬克模擬器進(jìn)行交互來(lái)優(yōu)化控制過(guò)程的策略（如下圖）。

圖片

在另一項(xiàng)研究中，一個(gè)強(qiáng)化學(xué)習(xí)代理根據(jù)實(shí)時(shí)反饋（如風(fēng)速和太陽(yáng)高度）來(lái)控制平流層氣球，并尋找有利的風(fēng)流用于導(dǎo)航。

在量子物理學(xué)中，實(shí)驗(yàn)設(shè)計(jì)需要根據(jù)未來(lái)復(fù)雜實(shí)驗(yàn)的最佳選擇進(jìn)行動(dòng)態(tài)調(diào)整，而強(qiáng)化學(xué)習(xí)方法可以通過(guò)迭代地設(shè)計(jì)實(shí)驗(yàn)并從中獲得反饋來(lái)克服這個(gè)問(wèn)題。

例如，強(qiáng)化學(xué)習(xí)算法已經(jīng)被用于優(yōu)化量子系統(tǒng)的測(cè)量和控制，從而提高實(shí)驗(yàn)效率和準(zhǔn)確性。

利用模擬從假設(shè)中推導(dǎo)觀測(cè)量

計(jì)算機(jī)模擬是一種強(qiáng)大的工具，可以從假設(shè)中推導(dǎo)觀測(cè)量，實(shí)現(xiàn)對(duì)那些不直接可測(cè)試的假設(shè)進(jìn)行評(píng)估。

然而，現(xiàn)有的模擬技術(shù)在很大程度上依賴于人類對(duì)所研究系統(tǒng)底層機(jī)制的理解和知識(shí)，這可能使得模擬不夠優(yōu)化和高效。

AI系統(tǒng)可以通過(guò)更準(zhǔn)確高效地學(xué)習(xí)來(lái)增強(qiáng)計(jì)算機(jī)模擬，更好地?cái)M合復(fù)雜系統(tǒng)的關(guān)鍵參數(shù)，解決控制復(fù)雜系統(tǒng)的微分方程，并對(duì)復(fù)雜系統(tǒng)的狀態(tài)進(jìn)行建模。

科學(xué)家通常通過(guò)創(chuàng)建涉及參數(shù)化形式的模型來(lái)研究復(fù)雜系統(tǒng)，這需要專業(yè)領(lǐng)域的知識(shí)來(lái)識(shí)別參數(shù)的初始符號(hào)表達(dá)式。

比如，分子力場(chǎng)是可解釋的，但在表示各種函數(shù)方面能力有限，并且需要強(qiáng)大的歸納偏見或科學(xué)知識(shí)來(lái)生成。

為了提高分子模擬的準(zhǔn)確性，已經(jīng)開發(fā)了一種基于AI的神經(jīng)勢(shì)能，它適合昂貴但準(zhǔn)確的量子力學(xué)數(shù)據(jù)，取代傳統(tǒng)的力場(chǎng)。

此外，不確定性量化已被用于在高維自由能面中定位能量障礙，從而提高分子動(dòng)力學(xué)的效率169（下圖）。

圖片

對(duì)于粗粒化分子動(dòng)力學(xué)，AI模型可以通過(guò)確定系統(tǒng)需要從學(xué)習(xí)的隱藏復(fù)雜結(jié)構(gòu)中粗粒化的程度，來(lái)減少大系統(tǒng)的計(jì)算成本。

在量子物理學(xué)中，由于其靈活性和準(zhǔn)確擬合數(shù)據(jù)的能力，神經(jīng)網(wǎng)絡(luò)已經(jīng)取代了手動(dòng)估計(jì)的波函數(shù)或密度泛函的符號(hào)形式。

微分方程對(duì)于模擬空間和時(shí)間中復(fù)雜系統(tǒng)的動(dòng)態(tài)是至關(guān)重要的。與數(shù)值代數(shù)求解器相比，基于AI的神經(jīng)求解器更加無(wú)縫地融合數(shù)據(jù)和物理。

這些神經(jīng)求解器通過(guò)將神經(jīng)網(wǎng)絡(luò)基于領(lǐng)域知識(shí)進(jìn)行建模，將物理與深度學(xué)習(xí)的靈活性相結(jié)合（下圖）。

圖片

AI方法已被應(yīng)用于各個(gè)領(lǐng)域的微分方程求解，包括計(jì)算流體動(dòng)力學(xué)，預(yù)測(cè)玻璃體系的結(jié)構(gòu)，解決難解化學(xué)動(dòng)力學(xué)問(wèn)題，以及解決Eikonal方程以表征地震波的傳播時(shí)間。

在動(dòng)力學(xué)建模中，神經(jīng)常微分方程可以對(duì)連續(xù)時(shí)間進(jìn)行建模。神經(jīng)網(wǎng)絡(luò)可以通過(guò)物理信息損失對(duì)Navier-Stokes方程的解在時(shí)空域中進(jìn)行參數(shù)化。

然而，標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)于解的細(xì)粒度特征建模能力有限。這個(gè)問(wèn)題可以通過(guò)學(xué)習(xí)用神經(jīng)網(wǎng)絡(luò)對(duì)函數(shù)之間的映射進(jìn)行建模的運(yùn)算符來(lái)解決。

此外，求解器必須能夠適應(yīng)不同的域和邊界條件，這可以通過(guò)將神經(jīng)微分方程與圖神經(jīng)網(wǎng)絡(luò)相結(jié)合來(lái)通過(guò)圖劃分實(shí)現(xiàn)。

統(tǒng)計(jì)建模是一種強(qiáng)大的工具，可以通過(guò)對(duì)復(fù)雜系統(tǒng)中狀態(tài)的分布進(jìn)行建模來(lái)提供對(duì)復(fù)雜系統(tǒng)的全面定量描述。

歸一化流可以使用一系列可逆神經(jīng)網(wǎng)絡(luò)將任何復(fù)雜分布映射到先驗(yàn)分布（例如簡(jiǎn)單的高斯分布），并進(jìn)行反向映射。

雖然計(jì)算成本較高（通常需要數(shù)百或數(shù)千個(gè)神經(jīng)層），但歸一化流提供了精確的密度函數(shù)，從而實(shí)現(xiàn)了采樣和訓(xùn)練。

與傳統(tǒng)模擬不同，歸一化流可以通過(guò)直接從先驗(yàn)分布中進(jìn)行采樣并應(yīng)用神經(jīng)網(wǎng)絡(luò)來(lái)生成平衡狀態(tài)，這樣計(jì)算成本就是固定的。

這增強(qiáng)了格點(diǎn)場(chǎng)和規(guī)范理論中的采樣，改進(jìn)了馬爾可夫鏈蒙特卡洛方法，否則可能由于模態(tài)混合而無(wú)法收斂。

重大挑戰(zhàn)

為了利用科學(xué)數(shù)據(jù)，模型必須建立在人類專業(yè)知識(shí)之上，再利用上模擬來(lái)加強(qiáng)模型的表現(xiàn)。

這種整合為科學(xué)發(fā)現(xiàn)開辟了新的契機(jī)。

然而，為了進(jìn)一步提升AI在科學(xué)領(lǐng)域的影響，需要在理論、方法、軟件和硬件基礎(chǔ)設(shè)施方面取得重大進(jìn)展。

跨學(xué)科的合作對(duì)于實(shí)現(xiàn)通過(guò)AI推進(jìn)科學(xué)的全面和實(shí)用方法至關(guān)重要。

實(shí)踐考慮

由于測(cè)量技術(shù)的限制會(huì)產(chǎn)生不完整的數(shù)據(jù)集、有偏差或相互沖突的讀數(shù)，并且由于隱私和安全問(wèn)題的限制，導(dǎo)致了的數(shù)據(jù)可訪問(wèn)性不足，科學(xué)數(shù)據(jù)集通常不太適合用來(lái)做AI分析。

需要標(biāo)準(zhǔn)化和透明的格式來(lái)減輕數(shù)據(jù)處理的工作量。

模型卡片和數(shù)據(jù)表是一些努力的例子，用于記錄科學(xué)數(shù)據(jù)集和模型的操作特性。

此外，聯(lián)邦學(xué)習(xí)和加密算法可以用于防止將具有高商業(yè)價(jià)值的敏感數(shù)據(jù)公開發(fā)布到公共領(lǐng)域。

利用開放的科學(xué)文獻(xiàn)，自然語(yǔ)言處理和知識(shí)圖譜技術(shù)可以促進(jìn)文獻(xiàn)挖掘，有助于材料發(fā)現(xiàn)，化學(xué)合成和治療科學(xué)的進(jìn)步。

深度學(xué)習(xí)的使用對(duì)于人類參與的AI驅(qū)動(dòng)設(shè)計(jì)、發(fā)現(xiàn)和評(píng)估提出了復(fù)雜的挑戰(zhàn)。

為了自動(dòng)化科學(xué)工作流程，優(yōu)化大規(guī)模模擬代碼和操作儀器，自主機(jī)器人控制可以利用預(yù)測(cè)并在高通量合成和測(cè)試線上進(jìn)行實(shí)驗(yàn)，創(chuàng)建自主實(shí)驗(yàn)室。

在材料探索中早期應(yīng)用生成模型表明，可以識(shí)別出數(shù)百萬(wàn)種，具有期望性能和功能的可能材料，并對(duì)其可合成性進(jìn)行評(píng)估。

例如，King等人將邏輯AI和機(jī)器人技術(shù)結(jié)合起來(lái)，自主生成關(guān)于酵母的功能基因組學(xué)假設(shè)，并使用實(shí)驗(yàn)室自動(dòng)化來(lái)實(shí)驗(yàn)性地測(cè)試這些假設(shè)。

在化學(xué)合成中，AI優(yōu)化候選合成路徑，然后機(jī)器人根據(jù)預(yù)測(cè)的合成路徑引導(dǎo)化學(xué)反應(yīng)。

實(shí)施AI系統(tǒng)涉及復(fù)雜的軟件和硬件工程，需要一系列相互依賴的步驟，從數(shù)據(jù)篩選和處理到算法實(shí)現(xiàn)和用戶應(yīng)用界面設(shè)計(jì)。

實(shí)現(xiàn)中的微小差異可能導(dǎo)致性能上的顯著變化，并影響將AI模型整合到科學(xué)實(shí)踐中的成功。

因此，需要考慮數(shù)據(jù)和模型的標(biāo)準(zhǔn)化。由于模型訓(xùn)練的隨機(jī)性、模型參數(shù)的變化和不斷變化的訓(xùn)練數(shù)據(jù)集，AI方法可能存在可重復(fù)性問(wèn)題，這些問(wèn)題既與數(shù)據(jù)相關(guān)又與任務(wù)相關(guān)。

標(biāo)準(zhǔn)化的基準(zhǔn)測(cè)試和實(shí)驗(yàn)設(shè)計(jì)可以減輕這些問(wèn)題。改善可重復(fù)性的另一個(gè)方向是通過(guò)發(fā)布開放模型、數(shù)據(jù)集和教育項(xiàng)目的開源倡議。

算法創(chuàng)新

為了對(duì)科學(xué)理解做出貢獻(xiàn)或自主地獲取科學(xué)理解，需要進(jìn)行算法創(chuàng)新，建立一個(gè)在整個(gè)科學(xué)過(guò)程中使用最優(yōu)算法的基礎(chǔ)生態(tài)系統(tǒng)。

超出分布范圍的泛化問(wèn)題是AI研究的前沿。

在特定范圍的數(shù)據(jù)上訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可能會(huì)發(fā)現(xiàn)不適用于不同范圍的數(shù)據(jù)的規(guī)律，因?yàn)楹笳叩幕A(chǔ)分布發(fā)生了偏移。

雖然許多科學(xué)定律并不是普遍適用的，但一般來(lái)說(shuō)也會(huì)具有廣泛的適用性。而與最先進(jìn)的AI相比，人類大腦可以更好、更快地適應(yīng)修改后的環(huán)境。

有一個(gè)很有意思的假設(shè)是這么說(shuō)的，人類不僅根據(jù)自己觀察到的內(nèi)容建立的統(tǒng)計(jì)模型，而且還建立了一個(gè)因果模型。

這是一個(gè)由所有可能的干預(yù)（例如，不同的初始狀態(tài)、不同的代理的行為或不同的情況）來(lái)進(jìn)行索引的統(tǒng)計(jì)模型集合。

將因果性納入AI仍然是一個(gè)尚待研究的領(lǐng)域，還有很多工作要做。

自監(jiān)督學(xué)習(xí)等技術(shù)在科學(xué)問(wèn)題上具有巨大潛力，因?yàn)樗鼈兛梢岳么罅课礃?biāo)記的數(shù)據(jù)，并將里面包含的知識(shí)轉(zhuǎn)移給低數(shù)據(jù)領(lǐng)域。

然而，目前的遷移學(xué)習(xí)方案可能是特定情況下的臨時(shí)解決方案，缺乏理論指導(dǎo)，并且容易受到基礎(chǔ)分布的變化的影響。

雖然一些初步嘗試已經(jīng)解決了這一挑戰(zhàn)，但還需要進(jìn)一步探索，以系統(tǒng)地衡量跨領(lǐng)域的可遷移性，并防止負(fù)面遷移。

此外，為了解決科學(xué)家關(guān)心的困難，AI方法的開發(fā)和評(píng)估必須在現(xiàn)實(shí)世界的情況下進(jìn)行，例如在藥物設(shè)計(jì)中可能實(shí)現(xiàn)的合成路徑，并在將其轉(zhuǎn)移到實(shí)際應(yīng)用之前包括經(jīng)過(guò)良好校準(zhǔn)的不確定性估計(jì)來(lái)評(píng)估模型的可靠性。

科學(xué)數(shù)據(jù)是多模態(tài)的，包括圖像（例如宇宙學(xué)中的黑洞圖像）、自然語(yǔ)言（例如科學(xué)文獻(xiàn)）、時(shí)間序列（例如材料的熱黃變）、序列（例如生物序列）、圖（例如復(fù)雜系統(tǒng)）和結(jié)構(gòu)（例如3D蛋白-配體構(gòu)象）。

AI方法通常作為黑盒操作，意味著用戶無(wú)法完全理解輸出是如何生成的，以及在生成輸出時(shí)哪些輸入是關(guān)鍵的。

黑盒模型可能會(huì)降低用戶對(duì)預(yù)測(cè)的信任，并且在必須在實(shí)現(xiàn)之前理解模型輸出的領(lǐng)域中應(yīng)用有限，例如在人類太空探索中，在預(yù)測(cè)指導(dǎo)政策的領(lǐng)域中，比如在氣候科學(xué)中。

盡管有大量的解釋技術(shù)，透明的深度學(xué)習(xí)模型仍然難以實(shí)現(xiàn)。

然而，人類大腦能夠綜合高層次的解釋，即使不完美，也能說(shuō)服其他人類。

這提供了希望，通過(guò)在類似高層次抽象的現(xiàn)象模擬下，未來(lái)的AI模型將提供至少與人類大腦提供的一樣有價(jià)值的解釋和理解。

這也表明，研究高級(jí)認(rèn)知可能會(huì)激發(fā)未來(lái)的深度學(xué)習(xí)模型，將當(dāng)前的深度學(xué)習(xí)能力與操縱可言述抽象、因果推理和超出分布泛化的能力結(jié)合起來(lái)。

AI對(duì)于科學(xué)研究事業(yè)的影響

展望未來(lái)，對(duì)AI專業(yè)知識(shí)的需求將受到兩種力量的影響。

首先，一些領(lǐng)域馬上就能能從AI應(yīng)用中受益，比如自主實(shí)驗(yàn)室。

其次，智能工具能夠提升最先進(jìn)技術(shù)水平，并創(chuàng)造新機(jī)會(huì)，比如研究在實(shí)驗(yàn)中無(wú)法觀測(cè)到的生物、化學(xué)或物理過(guò)程的長(zhǎng)度和時(shí)間尺度相關(guān)的研究。

基于這兩個(gè)力量，我們預(yù)計(jì)研究團(tuán)隊(duì)的組成將發(fā)生變化，包括AI專家、軟件和硬件工程師，以及涉及各級(jí)政府、教育機(jī)構(gòu)和公司的新形式合作。

最近最先進(jìn)的深度學(xué)習(xí)模型不斷增長(zhǎng)10,234。這些模型由數(shù)百萬(wàn)甚至數(shù)十億個(gè)參數(shù)組成，并且每年的規(guī)模增長(zhǎng)了十倍。

訓(xùn)練這些模型涉及通過(guò)復(fù)雜參數(shù)化的數(shù)學(xué)運(yùn)算傳遞數(shù)據(jù)，參數(shù)更新以將模型輸出推向所需的值。

然而，計(jì)算和數(shù)據(jù)要求以計(jì)算這些更新是巨大的，導(dǎo)致了巨大的能源消耗和高昂的計(jì)算成本。

因此，大型科技公司已經(jīng)大量投資于計(jì)算基礎(chǔ)設(shè)施和云服務(wù)，推動(dòng)了規(guī)模和效率的極限。

雖然盈利和非學(xué)術(shù)組織擁有大規(guī)模計(jì)算基礎(chǔ)設(shè)施，但高等教育機(jī)構(gòu)在跨學(xué)科整合方面可能更為優(yōu)勢(shì)。

此外，學(xué)術(shù)機(jī)構(gòu)往往擁有獨(dú)特的歷史數(shù)據(jù)庫(kù)和測(cè)量技術(shù)，這些可能在其他地方不存在，但對(duì)于AI4Science是必要的。

這些互補(bǔ)的資產(chǎn)促進(jìn)了新型產(chǎn)學(xué)合作模式，這可以影響所選擇的研究問(wèn)題。

隨著AI系統(tǒng)逼近并超越人類的性能，將其作為例行實(shí)驗(yàn)室工作的替代品變得可行。

這種方法使研究人員能夠從實(shí)驗(yàn)數(shù)據(jù)中開發(fā)預(yù)測(cè)模型，并選擇實(shí)驗(yàn)來(lái)改進(jìn)這些模型，而無(wú)需手動(dòng)執(zhí)行繁重和重復(fù)的任務(wù)。

為了支持這種范式轉(zhuǎn)變，教育計(jì)劃正在涌現(xiàn)，培訓(xùn)科學(xué)家在設(shè)計(jì)、實(shí)施和應(yīng)用實(shí)驗(yàn)室自動(dòng)化和AI在科學(xué)研究中。這些計(jì)劃幫助科學(xué)家了解何時(shí)使用AI是合適的，并防止對(duì)AI分析的錯(cuò)誤解釋。

結(jié)論

AI系統(tǒng)可以為科學(xué)理解做出貢獻(xiàn)，使我們能夠研究那些以其他方式無(wú)法可視化或探測(cè)的過(guò)程和對(duì)象，并通過(guò)從數(shù)據(jù)中構(gòu)建模型并結(jié)合模擬和可擴(kuò)展計(jì)算，來(lái)系統(tǒng)地激發(fā)創(chuàng)意。

為了實(shí)現(xiàn)這一潛力，必須通過(guò)負(fù)責(zé)任和深思熟慮的技術(shù)部署來(lái)解決使用AI所帶來(lái)的安全問(wèn)題。

在科學(xué)研究中負(fù)責(zé)任地使用AI，科學(xué)研究需要確定AI系統(tǒng)的不確定性、誤差和效用水平。

這種理解對(duì)于準(zhǔn)確解釋AI輸出并確保我們不過(guò)分依賴可能存在缺陷的結(jié)果至關(guān)重要。

隨著AI系統(tǒng)不斷發(fā)展，優(yōu)先考慮可靠的實(shí)施并采取適當(dāng)?shù)谋Ｕ洗胧┦亲畲笙薅冉档惋L(fēng)險(xiǎn)和最大化收益的關(guān)鍵。

AI有潛力揭示以前無(wú)法觸及的科學(xué)發(fā)現(xiàn)。

參考資料：

https://www.nature.com/articles/s41586-023-06221-2