Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Gemini Adv | Llama 3:

Resumen:

1.-El taller sobre Ciencia Fundamental en la Era de la IA en ICLR se llevó a cabo virtualmente

2.-François Lanusse discutió la combinación de aprendizaje profundo y modelado físico para la cuantificación de incertidumbre en cosmología usando el Legacy Survey del Observatorio Rubin.

3.-Lorenzo Zanisi presentó trabajo sobre la aplicación de detección fuera de distribución a imágenes astronómicas usando razones de verosimilitud de redes neuronales bayesianas.

4.-Ryan Rees-Griffiths introdujo un conjunto de datos de código abierto de fotoswitches moleculares para habilitar el diseño de nuevas moléculas prometedoras mediante aprendizaje automático.

5.-El panel discutió si los campos de estadística y aprendizaje automático se fusionarán, técnicas bayesianas en ciencia, y los peligros de que la IA haga que los científicos se vuelvan complacientes.

6.-Charles An presentó una red convolucional temporal invariante para clasificar curvas de luz de estrellas variables periódicas que es invariante a desplazamientos de fase.

7.-John Lin discutió el cálculo de puntuaciones de importancia de transformación para entender qué ha aprendido un modelo de aprendizaje automático completamente entrenado.

8.-El panel debatió sobre desconocidos en física, si la IA puede automatizar el descubrimiento científico, la explicabilidad de los modelos, y el sesgo en los datos.

9.-Ashwin Samudre presentó una arquitectura de red densa para la clasificación de galaxias de radio usando aprendizaje por transferencia y tasas de aprendizaje cíclicas con datos limitados.

10.-Sooraj Bhat construyó un emulador de proceso gaussiano para acelerar la inferencia de parámetros cosmológicos para el lente gravitacional débil usando compresión extrema de datos.

11.-Nikita Kosolapov utilizó un ensamble GAN de Wasserstein para estimar la dirección de polarización de fotones de rayos X y reconstruir ubicaciones de absorción en detectores de píxeles de gas.

12.-Héctor Javier Hortúa utilizó redes neuronales bayesianas e inferencia variacional para restringir los parámetros de la historia de reionización a partir de señales de 21cm.

13.-Konstantin Vayser propuso el uso de autoencoders variacionales para comprimir datos de física de partículas y superar las limitaciones de lectura de detectores y habilitar simulaciones más rápidas.

14.-Austin Tripp presentó MOLSTO, una biblioteca de aprendizaje activo que proporciona etiquetas de propiedades químicas a partir de simulaciones para permitir que no expertos usen conjuntos de datos de química.

15.-Ryan Rees-Griffiths comparó diferentes estrategias de aprendizaje activo en moléculas y encontró que la representación óptima depende de la tarea específica.

16.-Anais Möller discutió aplicaciones de aprendizaje profundo bayesiano en astronomía de dominio temporal para detección fuera de distribución y cuantificación de incertidumbre.

17.-Pablo Villanueva-Domingo incrustó simetrías en redes neuronales para resolver ecuaciones diferenciales de dinámica de fluidos estelares en entornos supervisados y no supervisados.

18.-Benjamin Nachman habló sobre inferencia basada en simulación, cuantificación de incertidumbres y aprendizaje a partir de eventos de colisionadores no etiquetados en física de partículas con aprendizaje profundo.

19.-Sean Chevalier comparó diferentes métodos de cuantificación de incertidumbre en aprendizaje profundo y encontró que se necesita más variación de datos de entrenamiento para obtener buenas incertidumbres aleatorias.

20.-Nathan Musoke presentó un marco de emulador de aprendizaje continuo que cuantifica los errores introducidos en el posterior al emular estadísticamente simulaciones cosmológicas hacia adelante.

21.-El panel examinó si la IA puede ayudar a la ciencia fundamental a lograr un mayor bien social a través de la automatización, accesibilidad y colaboración interdisciplinaria.

22.-Marc Huertas-Company utilizó un GAN de Wasserstein para detectar eficientemente sutiles anomalías de fusiones galácticas en grandes encuestas astronómicas donde los métodos clásicos fallan.

23.-Pavlos Protopapas discutió las similitudes entre transitorios astronómicos y medicina personalizada en cuanto a la necesidad de un seguimiento rápido.

24.-Pavlos también presentó la transformación de la función de estructura dmdt de curvas de luz irregulares en imágenes para clasificación con redes neuronales convolucionales.

25.-Anais Möller mencionó los desafíos de la cuantificación de incertidumbre en altas dimensiones, especialmente para incertidumbres sistemáticas que van más allá de los datos de entrenamiento.

26.-Sebastian dijo que el aprendizaje automático puede enseñar a los campos científicos a tener publicaciones completamente abiertas, compartir código y usar revisiones abiertas.

27.-Benjamin Nachman sugirió que la ciencia fundamental tiene el potencial de avanzar en la inferencia basada en simulación usando simuladores de alta fidelidad para generar datos de entrenamiento etiquetados infinitos.

28.-Ashish Mahabal presentó un atlas de datos de imágenes para establecer un léxico y ontología para escáneres de TC de detección de cáncer de pulmón.

29.-Ashish también examinó la neovascularización en RM de mama para potencialmente predecir la progresión del cáncer y separar la estructura vascular específica del paciente.

30.-Ashish concluyó discutiendo proyectos de ciencia de datos relacionados con COVID-19, como el análisis de mutaciones del genoma del virus y la determinación de criterios seguros de reapertura.

Bóveda de Conocimiento construida porDavid Vivancos 2024