Четыре способа использования программы «Помощь в эмпирических исследованиях» учеными Google Research.

С момента запуска функции «Помощь в эмпирических исследованиях» осенью ученые Google Research используют ее для решения реальных задач в эпидемиологии, космологии, мониторинге атмосферы и нейробиологии, что свидетельствует о трансформационных возможностях ИИ в ускорении научных открытий.

Быстрые ссылки

• Сообщение в блоге ERA
• Статья ERA
• Центр прогнозов FluSight
• Центр прогнозирования COVID-19
• Статья по космологии
• Презентация по CO2
• Статья по нейробиологии
• Делиться
  • Скопировать ссылку ×

Возможности ИИ в продвижении научных открытий растут с каждой неделей, и результаты обещают не только способствовать прорывным открытиям, но и трансформировать сам процесс научных исследований. В сентябре мы опубликовали препринт, представляющий Empirical Research Assistance (ERA), призванный помочь ученым создавать экспертное эмпирическое программное обеспечение. В него вошли новые решения шести разнообразных и сложных эталонных задач в областях от клеточной биологии до нейробиологии.

С тех пор ученые Google и наши академические партнеры разрабатывают и используют ERA для проверки его возможностей и изучения потенциальных применений. Эти усилия выходят за рамки проверки концепции и охватывают реальные сценарии в эпидемиологии, геопространственном анализе и других областях, демонстрируя, как ИИ может демократизировать доступ к возможностям вычислительного моделирования, находить решения нерешенных проблем, извлекать более глубокие знания из существующих наборов данных и выходить за рамки моделирования «черного ящика», чтобы находить интерпретируемые, механистически точные решения.

Было очень вдохновляюще наблюдать за энтузиазмом научных сотрудников Google, приглашенных преподавателей и академических коллег, экспериментирующих с ERA. Мы рады видеть, как эти возможности расширяются по мере приближения к более широкому распространению, что позволит поддерживать научные открытия с помощью ИИ на благо всего мира.

Общественное здравоохранение: прогнозы госпитализации в связи с гриппом, COVID-19 и респираторно-синцитиальным вирусом.

В препринте авторы использовали ERA для прогнозирования госпитализаций в США из-за COVID-19, показав, что этот метод способен ретроспективно соответствовать или превосходить существующие инструменты Центров по контролю и профилактике заболеваний (CDC) и ведущих исследовательских учреждений. В качестве дальнейшего направления работы команда расширила свою деятельность, чтобы генерировать прогнозы не только для COVID, но и для гриппа и респираторно-синцитиального вируса (РСВ), и еженедельно предоставляет перспективные прогнозы в режиме реального времени.

Когда в ноябре открылся долгосрочный конкурс прогнозирования гриппа CDC на сезон 2025-2026 годов, Google начал еженедельно предоставлять прогнозы для каждого штата США на всех временных горизонтах, вплоть до четырех недель вперед. В конце прошлого года Google также присоединился к круглогодичным прогнозам CDC по госпитализациям с COVID-19 на уровне штатов, а также к недавно запущенному CDC центру прогнозирования респираторно-синцитиального вируса (РСВ). Публичные рейтинги по гриппу и COVID-19, составленные Николасом Райхом, профессором биостатистики в Массачусетском университете в Амхерсте и консультантом этого проекта, показывают, что Google занимал лидирующие позиции в обоих рейтингах в течение всего времени, пока предоставлял прогнозы для каждого проекта (см. рисунок). Хотя публичного рейтинга по РСВ нет, внутренний анализ показывает аналогично высокие результаты.

Инструмент на основе искусственного интеллекта, способный достичь или превзойти точность прогнозирования ведущих инструментов агентств общественного здравоохранения, обещает огромную пользу для общественного здравоохранения в отслеживании новых заболеваний и на более широкой территории, демократизируя доступ к компьютерному моделированию эпидемиологии для более широкого спектра инфекций и географических регионов.

Слева: На графиках показаны прогнозируемые Google госпитализации в Калифорнии из-за гриппа, COVID-19 и РСВ, начиная с ноября 2025 года. Черная линия показывает фактическое количество госпитализаций. Справа: Прогнозы ранжированы на основе их взвешенного интервального показателя (Weighted Interval Score) , меры точности прогноза, вычисляемой на логарифмически преобразованных наблюдаемых значениях. Прогнозы Google показаны розовым цветом. Прогнозы, разработанные CDC, показаны черными столбцами, а прогнозы других исследовательских групп — серым.

Космология: Космические струны и гравитационное энергетическое излучение

Космические струны — это теоретические дефекты в ткани пространства-времени, которые, как считается, образовались в ранней Вселенной и, согласно прогнозам, испускают гравитационное излучение. Расчет спектра этой испускаемой энергии остается нерешенной проблемой, главным образом потому, что управляющие уравнения содержат сингулярности — математические точки, где значения стремятся к бесконечности, и традиционные модели перестают работать. Прошлой осенью в статье использовался алгоритм GPT-5 от OpenAI для нахождения частичного решения для гравитационной энергии, излучаемой космическими струнами, но только для простейшего случая квадратной петли, где угол α = π/2, или 90 градусов. Единое точное решение — единая, полная математическая формула, которая идеально решает интеграл, — оставалось открытой проблемой.

Для решения этой проблемы мы объединили ERA с Gemini Deep Think. Систематически исследуя математические методы, способные преодолевать эти сингулярности, мы успешно вывели шесть общих решений и краткую формулу для асимптотического предела, которой поделились в марте. Это демонстрирует мощный потенциал сочетания ERA с передовыми LLM для получения точных, новых решений на переднем крае космологии.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Компьютерная симуляция космических струн в расширяющейся Вселенной. Число в правом нижнем углу (например, 0,3654) — это радиус Хаббла , размер наблюдаемой Вселенной. Белые струны длиннее наблюдаемой Вселенной. Красные и желтые петли, как та, что показана в правом верхнем углу, — это структуры, которые могут отрываться от струн, колебаться, сливаться и коллапсировать, высвобождая гравитационную энергию, которая должна быть наблюдаемой. Автор: Крис Рингевал

Климат и устойчивое развитие: использование метеорологических спутников для мониторинга CO2

Регулярные наблюдения за углекислым газом (CO2) начались в обсерватории Мауна-Лоа на Гавайях в конце 1950-х годов, в результате чего появилась знаменитая кривая Килинга, документирующая рост глобальной концентрации CO2 в атмосфере Земли. Для картирования выбросов парниковых газов, производимых человеком, и понимания того, как растения, деревья, почвы и океаны поглощают эти выбросы, необходимо отслеживать изменения концентрации CO2 в разных регионах и во времени. Современные космические датчики CO2, такие как орбитальная углеродная обсерватория-2 (OCO-2) НАСА, были разработаны для высокоточных наблюдений, но они охватывают лишь крошечную часть поверхности Земли и возвращаются в каждую точку только раз в 16 дней. Геостационарные спутники, такие как спутник GOES East, предназначенный для поддержки прогнозирования погоды, вращаются вокруг Земли на гораздо большей высоте и могут сканировать все полушарие каждые 10 минут. Однако ни один из существующих геостационарных спутников не был предназначен для картирования CO2.

Исследователи Google использовали ERA для разработки однопиксельной нейронной сети, управляемой физическими принципами, для извлечения усредненного по столбу атмосферы сигнала CO2 из существующих наблюдений GOES East. Для этого модель объединяет данные из 16 диапазонов длин волн с GOES-East с метеорологическими данными нижней тропосферы, углами падения солнечных лучей и днем года. После обучения на разреженных данных наблюдений OCO-2 и OCO-3 модель смогла получить оценки усредненного по столбу атмосферы CO2 повсюду и каждые 10 минут.

Результаты исследований, представленные на Международном семинаре по измерениям парниковых газов из космоса, показывают, что разработанная с помощью ИИ модель способна использовать высокую пространственную и временную плотность наблюдений GOES East для отслеживания усредненной по столбу CO2 с беспрецедентным пространственным и временным разрешением. Сравнения с независимыми данными за дополнительные годы наблюдений OCO-2, а также с данными наземной сети наблюдений за общим содержанием углерода в столбе атмосферы подтверждают способность модели улавливать реальную изменчивость CO2.

Эти результаты показывают, как алгоритм искусственного интеллекта может извлечь дополнительную пользу из существующих инструментов наблюдения, особенно для ресурсоемких спутниковых исследовательских миссий. Этот проект входит в число нескольких вопросов, связанных с климатом и парниковыми газами, которые исследователи Google изучают с помощью ERA.

Концентрация CO₂ в атмосфере над районом Лос-Анджелеса 18 октября 2024 года, данные со спутников GOES-East ( слева ) и Orbiting Carbon Observatory-2 ( справа ). Разработанная с помощью ИИ модель слева использует данные метеорологического спутника GOES-East и объединяет их с другой информацией для оценки усредненной по столбу атмосферы концентрации CO₂ каждые 10 минут во всех точках, чтобы выявить пространственные закономерности выбросов CO₂ в городе . На панели справа показаны ограниченные данные наблюдений OCO-2, доступные за тот же день.

Нейробиология: Изучение механизмов нейронных цепей

Хотя сейчас мы можем картировать десятки тысяч нейронов в живом мозге, следующим шагом является расшифровка функциональных цепей. Исследователи Google использовали ERA для решения этой задачи как на реальных, так и на смоделированных данио-рерио — популярном модельном организме для изучения того, как позвоночные распознают стимулы, обрабатывают информацию и реагируют. В естественных условиях свет, проходящий через рябь на поверхности воды, создает узоры из светлых и темных полос на морском дне или дне реки. Данио-рерио эволюционировали таким образом, что инстинктивно реагируют на изменения этих полос, чтобы оставаться на мелководье и избегать уноса течением.

В новом исследовании мы изучили нейронную цепь рыбки данио, соответствующую этому внешнему стимулу. Мы предоставили ERA схему связей simZFish, упрощенного симулятора тела и мозга рыбки данио. Руководствуясь этой информацией — раскрывающей существующие клеточные связи, но опускающей математические правила, которые ими управляют, — ERA смогла предложить цепи, связывающие стимул с нейронной активностью и двигательной реакцией. Тестирование этих гипотетических цепей, созданных с помощью ИИ, на новых визуальных стимулах показало, что это не просто статистические упрощения, а точные нейронные механизмы, которые обобщаются на другие подобные ситуации.

а: эксперимент, в котором смоделированная рыбка данио реагирует на полосы. б: ERA итеративно строит и тестирует модели для выявления лежащих в их основе нейронных цепей. в: сравнение матриц эффективной связности, показывающее, как нейроны влияют друг на друга (синий = тормозящие, красный = возбуждающие). На правой панели сравниваются фактические механизмы моделирования с моделями ИИ, построенными с учетом и без учета структурной информации, демонстрируя, что управляемый поиск успешно восстанавливает истинные значения.

Это подтверждает результаты, представленные в препринте, который показал, что разработанные с помощью ИИ модели могут превзойти базовые методы в прогнозировании активности более 70 000 нейронов, зафиксированных в наборе данных ZAPBench (Zebrafish Activity Prediction Benchmark), содержащем нейронную активность, полученную в экспериментах, имитирующих типичные стимулы окружающей среды.

Хотя ZAPBench продемонстрировал способность ERA находить самые современные прогностические решения, смоделированная среда показывает, как она может выйти за рамки моделирования «черного ящика». Обладая структурной информацией, ERA обнаружила интерпретируемые, механистически точные решения, предоставив мощную модель для решения важнейших научных задач в области изучения живого мозга.

Заключение: Наука с использованием ИИ

Эти четыре проекта входят в растущий список результатов, демонстрирующих, как системы, поддерживаемые LLM, могут продвигать науку и ускорять темпы открытий. Эти примеры представляют широкий спектр областей и типов проблем, от теоретической математики до прогнозирования данных, анализа данных с наблюдательных приборов и результатов моделирования. Они также демонстрируют потенциал науки с использованием ИИ для решения открытых проблем, демократизации доступа к вычислительному моделированию и максимального использования существующих наблюдательных данных. Мы рады прогрессу, достигаемому с помощью ERA и других инструментов Google, включая co-scientist и PAT, разработанных для ускорения научных открытий.

Благодарности

Мы хотели бы поблагодарить наших коллег по разработке ERA , а также всех ученых, которые одними из первых внедрили эту технологию. Работу по эпидемиологическому прогнозированию возглавляют Захра Шамси, Сара Мартинсон, Николас Райх, Мартина Пломецка и Брайан Уильямс. Статья по космологическим вопросам написана Майклом Бреннером, Винсентом Коэн-Аддадом и Дэвидом Вудраффом. Исследования по мониторингу углекислого газа возглавляют Аарон Сонабенд-В, Шон Кэмпбелл, Рене Джонстон, Вишал Батчу, Карл Элкин, Кристофер Ван Арсдейл, Джон Платт и Анна Михалак. Статья о нейронных цепях написана Яном-Маттисом Люкманном, Виреном Джейном и Михалом Янушевским. Мы также выражаем благодарность за поддержку со стороны Джона Платта, Майкла Бреннера, Лиззи Дорфман, Випа Гупты, Элисон Ленц, Эрики Бранд, Кэтрин Чоу, Ронит Левави Морад, Йосси Матиаса и Джеймса Маника.

Источник: research.google