Kail
Организатор
Организатор
- Регистрация
- 09.04.2020
- Сообщения
- 463 698
- Реакции
- 45 763
- Монеты
- 1 191
- Оплачено
- 0
- Баллы
- 0
- #SkladchinaVip
- #1
[J. Paul Liu] Generative AI for Science
- Ссылка на картинку
-
Generative AI for Science
Язык английский
Законы сохранения можно заложить в нейронную сеть, чтобы использовать её для моделирования физических процессов. Из книги J. Paul Liu вы узнаете, как строить такие модели и применять генеративный ИИ к научным задачам, а затем сможете опробовать подходы на готовых примерах кода.
Практическое руководство для студентов и исследователей
Соедините ИИ и науку с помощью этого практического руководства. Независимо от того, являетесь ли вы исследователем, изучающим ML, или инженером, который начинает работать с научными приложениями, вы создадите реальные системы для химии, биологии, физики и климатологии. Освойте трансформеры, диффузионные модели и графовые нейронные сети для научных открытий. Более 500 страниц, более 50 блокнотов Colab. Проектируйте молекулы, предсказывайте структуры белков, ускоряйте климатические модели — всё на практике, без предварительной настройки.
О книге:
Проектируйте молекулы. Предсказывайте структуры белков. Ускоряйте климатические модели. Всё это — с помощью ИИ.
Генеративный ИИ меняет процесс научных открытий. Разработанные с помощью ИИ лекарства сейчас достигают 80–90% успеха в испытаниях фазы I. Предсказания структуры белков с помощью AlphaFold были отмечены Нобелевской премией по химии 2024 года. Нейросетевые модели погоды превосходят традиционные суперкомпьютерные симуляции в 97% сценариев и работают в 1000 раз быстрее.
Эта книга научит вас самостоятельно создавать такие системы.
Generative AI for Science — подробное практическое руководство для исследователей, студентов и специалистов, которые хотят применять новейшие технологии ИИ к реальным научным задачам. На более чем 500 страницах и в 13 главах вы освоите архитектуры, лежащие в основе революции ИИ, — трансформеры, диффузионные модели, вариационные автоэнкодеры, графовые нейронные сети и нейронные сети с учётом физических законов — с помощью более чем 50 готовых к запуску блокнотов Google Colab, не требующих настройки.
Что отличает эту книгу:
Это не традиционный учебник по ИИ, перегруженный теорией и бедный практикой. Каждая концепция сопровождается работающим кодом. Каждый метод демонстрируется на реальных научных задачах. Независимо от того, являетесь ли вы учёным, изучающим ИИ, или ML-инженером, который начинает работать с научными приложениями, вы найдёте подходящий уровень глубины.
Материал проверен на практике. Он появился в курсах для аспирантов в Data Science and AI Academy, был усовершенствован на семинарах в Bioinformatics Research Center и проверен сотнями учёных, применяющих эти инструменты в собственных исследованиях.
Что вы создадите:
Работая с каждым блокнотом всего 30 минут, вы создадите:
К концу книги вы сможете:
Все 50 с лишним блокнотов и слайды PowerPoint доступны на GitHub:
Каждый пример запускается в Google Colab одним нажатием — установка, настройка и подготовка GPU не требуются.
«Генеративный ИИ не заменяет научный метод — он усиливает его. Он расширяет пространство гипотез, которые мы можем исследовать, помогает точнее планировать эксперименты и выявляет закономерности, скрытые в сложных данных. Объединяя человеческую креативность с помощью машин, мы открываем возможности для новых открытий».
— Доктор J. Paul Liu
Полное описание
Оглавление:
Оригинал
A Hands-On Guide for Students and Researchers
Bridge AI and science with this hands-on guide. Whether you're a researcher learning ML or an engineer entering scientific applications, build real systems across chemistry, biology, physics & climate. Master Transformers, Diffusion Models & GNNs for scientific discovery. 500+ pages, 50+ Colab notebooks. Design molecules, predict proteins, accelerate climate models—all hands-on, zero setup required.
About the Book:
Design molecules. Predict protein structures. Accelerate climate models. All with AI.
Generative AI is transforming scientific discovery. AI-designed drugs now achieve 80-90% success rates in Phase I trials. AlphaFold's protein structure predictions earned the 2024 Nobel Prize in Chemistry. Neural network weather models outperform traditional supercomputer simulations in 97% of scenarios—and run 1000x faster.
This book teaches you how to build these systems yourself.
Generative AI for Science is a comprehensive, hands-on guide for researchers, students, and practitioners who want to apply cutting-edge AI to real scientific problems. Across 500+ pages and 13 chapters, you'll master the architectures powering the AI revolution—Transformers, Diffusion Models, VAEs, Graph Neural Networks, and Physics-Informed Neural Networks—through 50+ runnable Google Colab notebooks that require zero setup.
What makes this book different:
This isn't a traditional AI textbook heavy on theory and light on application. Every concept is paired with working code. Every technique is demonstrated on authentic scientific problems. Whether you're a domain scientist learning AI or an ML engineer entering scientific applications, you'll find the right level of depth.
The material is battle-tested. It originated in graduate courses at the Data Science and AI Academy, was refined through workshops at the Bioinformatics Research Center, and has been validated by hundreds of scientists applying these tools to their own research.
What you'll build:
In just 30 minutes with each notebook, you'll create:
By the end of this book, you will:
All 50+ notebooks and PowerPoint slides are available on GitHub:
Every example runs in Google Colab with one click—no installation, no configuration, no GPU setup required.
"Generative AI does not replace the scientific method—it enhances it. It expands the space of hypotheses we can explore, sharpens experimental design, and reveals patterns hidden in complexity. Combine human creativity with machine assistance, and new discoveries become possible."
— Dr. J. Paul Liu
Contents:
Форматы PDF, EPUB
Язык английский
Законы сохранения можно заложить в нейронную сеть, чтобы использовать её для моделирования физических процессов. Из книги J. Paul Liu вы узнаете, как строить такие модели и применять генеративный ИИ к научным задачам, а затем сможете опробовать подходы на готовых примерах кода.
Практическое руководство для студентов и исследователей
Соедините ИИ и науку с помощью этого практического руководства. Независимо от того, являетесь ли вы исследователем, изучающим ML, или инженером, который начинает работать с научными приложениями, вы создадите реальные системы для химии, биологии, физики и климатологии. Освойте трансформеры, диффузионные модели и графовые нейронные сети для научных открытий. Более 500 страниц, более 50 блокнотов Colab. Проектируйте молекулы, предсказывайте структуры белков, ускоряйте климатические модели — всё на практике, без предварительной настройки.
О книге:
Проектируйте молекулы. Предсказывайте структуры белков. Ускоряйте климатические модели. Всё это — с помощью ИИ.
Генеративный ИИ меняет процесс научных открытий. Разработанные с помощью ИИ лекарства сейчас достигают 80–90% успеха в испытаниях фазы I. Предсказания структуры белков с помощью AlphaFold были отмечены Нобелевской премией по химии 2024 года. Нейросетевые модели погоды превосходят традиционные суперкомпьютерные симуляции в 97% сценариев и работают в 1000 раз быстрее.
Эта книга научит вас самостоятельно создавать такие системы.
Generative AI for Science — подробное практическое руководство для исследователей, студентов и специалистов, которые хотят применять новейшие технологии ИИ к реальным научным задачам. На более чем 500 страницах и в 13 главах вы освоите архитектуры, лежащие в основе революции ИИ, — трансформеры, диффузионные модели, вариационные автоэнкодеры, графовые нейронные сети и нейронные сети с учётом физических законов — с помощью более чем 50 готовых к запуску блокнотов Google Colab, не требующих настройки.
Что отличает эту книгу:
Это не традиционный учебник по ИИ, перегруженный теорией и бедный практикой. Каждая концепция сопровождается работающим кодом. Каждый метод демонстрируется на реальных научных задачах. Независимо от того, являетесь ли вы учёным, изучающим ИИ, или ML-инженером, который начинает работать с научными приложениями, вы найдёте подходящий уровень глубины.
Материал проверен на практике. Он появился в курсах для аспирантов в Data Science and AI Academy, был усовершенствован на семинарах в Bioinformatics Research Center и проверен сотнями учёных, применяющих эти инструменты в собственных исследованиях.
Что вы создадите:
Работая с каждым блокнотом всего 30 минут, вы создадите:
- Конвейеры поиска лекарств
С использованием графовых нейронных сетей и диффузионных моделей - Модели предсказания структуры белков
С использованием ESMFold и архитектур, вдохновлённых AlphaFold - Эмуляторы климата и погоды
С использованием нейросетевых суррогатных моделей - Физические симуляции
С помощью PINN, учитывающих законы сохранения - Системы анализа научной литературы
С использованием RAG и больших языковых моделей - Мультимодальные научные системы ИИ
Объединяющие изображения, текст и молекулярные графы
- Для учёных-предметников
Химиков, биологов, физиков и специалистов по наукам о Земле, которые хотят приобрести навыки ИИ для ускорения исследований - Для ML-инженеров и специалистов по анализу данных
Которые ищут значимые научные приложения - Для аспирантов
Которым нужна полная учебная программа с практическими проектами - Для специалистов индустрии
Которым нужны готовый к применению код и лучшие практики
К концу книги вы сможете:
- Понимать ключевые архитектуры, лежащие в основе научного ИИ
- Представлять молекулы, белки, последовательности и физические системы для нейронных сетей
- Применять генеративные модели в химии, биологии, физике и климатологии
- Дообучать базовые модели для задач конкретной предметной области
- Создавать мультимодальные системы, объединяющие изображения, язык и структурированные данные
- Следовать лучшим практикам этики, воспроизводимости и развёртывания
- Развить интуитивное понимание того, когда и как применять ИИ в своих исследованиях
- Базовые навыки программирования на Python
- Знание статистики на уровне бакалавриата полезно, но не обязательно
- Веб-браузер и любознательность
- Предыдущий опыт глубокого обучения не требуется
Все 50 с лишним блокнотов и слайды PowerPoint доступны на GitHub:
Каждый пример запускается в Google Colab одним нажатием — установка, настройка и подготовка GPU не требуются.
«Генеративный ИИ не заменяет научный метод — он усиливает его. Он расширяет пространство гипотез, которые мы можем исследовать, помогает точнее планировать эксперименты и выявляет закономерности, скрытые в сложных данных. Объединяя человеческую креативность с помощью машин, мы открываем возможности для новых открытий».
— Доктор J. Paul Liu
Полное описание
Оглавление:
- От автора
- Путь из аудитории в лабораторию — и теперь к вам
- Истоки
- Что отличает эту книгу
- Как пользоваться этой книгой
- Чему вы научитесь
- Замечание о сотрудничестве
- Загрузка всего кода и слайдов
- Предварительные требования
- Оговорка об использовании ИИ
- Рабочий процесс написания
- Глава 1 — Генеративный ИИ: новый рубеж научных открытий
- Новый рубеж научных открытий
- Революция ИИ в научных открытиях
- Чем генеративный ИИ отличается от традиционного ML?
- Ключевые технологии, лежащие в основе генеративного ИИ
- Революция предварительного обучения
- Генеративный ИИ в научных дисциплинах
- Математические основы и методы
- Сквозные возможности
- Новый научный партнёр
- Путь вперёд
- Источники и дополнительная литература
- Глава 2: Основы генеративного ИИ
- Введение: строительные блоки генерации
- Три опоры генеративного ИИ
- Часть I: трансформеры и большие языковые модели
- Часть II: диффузионные модели и сопоставление потоков
- Часть III: вариационные автоэнкодеры и GAN
- Часть IV: предварительное обучение и дообучение
- Часть V: математические основы
- Часть VI: типы генеративного ИИ по модальности
- Принципы проектирования научных приложений
- Практические соображения
- Итоги
- Источники
- Глава 3: Научные данные и рабочие процессы
- Введение: проблема данных в науке
- Часть I: уникальные проблемы научных данных
- Часть II: источники данных в науке
- Часть III: принципы FAIR
- Часть IV: подготовка данных для ИИ
- Часть V: интеграция ИИ в исследовательские процессы
- Часть VI: автоматическое создание рабочих процессов
- Итоги
- Источники
- Глава 4: Создание текста, кода и знаний для учёных
- Введение: проблема синтеза знаний
- Часть I: обзор и синтез литературы
- Часть II: генерация с дополнением поиском (RAG)
- Часть III: генерация гипотез
- Часть IV: генерация кода для исследований
- Часть V: помощь в написании научных текстов
- Часть VI: образовательные приложения
- Часть VII: специализированные системы на основе LLM
- Часть VIII: ограничения и лучшие практики
- Итоги
- Источники
- Глава 5: Модели преобразования данных в данные
- Введение: проблема нехватки данных
- Часть I: заполнение пропущенных данных с помощью автоэнкодеров
- Часть II: генерация синтетических данных с помощью GAN
- Часть III: вариационные автоэнкодеры
- Часть IV: пространственная интерполяция с помощью гауссовских процессов
- Часть V: заполнение пропусков во временных рядах
- Итоги и основные выводы
- Следующие шаги
- Источники
- Глава 6: ИИ с учётом физических законов и симуляции
- Введение: включение физики в нейронные сети
- Часть I: нейронные сети с учётом физических законов (PINN)
- Часть III: нейросетевые суррогатные модели для симуляций
- Часть IV: оптимизация кода с помощью ИИ
- Часть V: автоматическая генерация тестов
- Итоги
- Источники
- Глава 7: Применение в химии, биологии, физике и науках о Земле
- Введение: генеративный ИИ в науках
- Часть I: химия и материаловедение
- Итоги
- Источники
- Часть II: биология и биомедицина
- Итоги: биология и биомедицина
- Источники
- Часть III: физика и инженерия
- Итоги: физика и инженерия
- Источники
- Часть IV: науки о Земле и климатические приложения
- Итоги: науки о Земле и климатические приложения
- Источники
- Часть V: сквозные приложения глубокого обучения
- Итоги: сквозные приложения
- Источники
- Глава 8: Дообучение и адаптация к предметной области
- Введение: адаптация общих моделей к предметной области
- Часть I: почему дообучение работает в науке
- Часть II: параметрически эффективное дообучение (PEFT)
- Часть III: практические результаты — дообучение на биологических текстах
- Часть IV: подготовка обучающих данных для предметной области
- Часть V: оценка и валидация
- Примечание: набор данных обновляется в реальном времени, поэтому результаты каждого запуска могут различаться
- Часть VI: лучшие практики и извлечённые уроки
- Итоги
- Источники
- Глава 9: Мультимодальный генеративный ИИ для науки
- Введение: за пределами одномодального ИИ
- Часть I: визуально-языковые модели для науки
- Часть II: графово-текстовые модели для молекул
- Часть III: временные ряды с текстовым контекстом
- Часть IV: архитектуры мультимодального объединения
- Часть V: понимание научных документов
- Часть VI: обучение мультимодальных научных моделей
- Часть VII: практические приложения
- Итоги
- Источники
- Глава 10: Оценка, валидация и сравнительное тестирование
- Введение: доверие через строгую оценку
- Часть I: основные метрики оценки
- Часть II: стратегии валидации
- Часть III: наборы данных и задачи для сравнительного тестирования
- Часть IV: оценка людьми
- Часть V: количественная оценка неопределённости
- Часть VI: анализ ошибок
- Часть VII: тестирование устойчивости
- Итоги
- Источники
- Глава 11: Этика и ответственный ИИ для науки
- Как пользоваться этой главой
- Краткий справочник по коду
- Введение: особая ответственность научного ИИ
- Часть I: воспроизводимость и открытая наука
- Часть II: предвзятость и справедливость в научном ИИ
- Часть III: воздействие ИИ на окружающую среду
- Часть IV: двойное назначение и биобезопасность
- Часть V: конфиденциальность данных в научных исследованиях
- Часть VI: указание авторства и научная добросовестность
- Часть VII: равенство и доступность
- Итоги
- Источники
- Глава 12: Развёртывание и MLOps для научных приложений
- Введение: от блокнотов к науке в промышленной среде
- Часть I: отслеживание экспериментов и управление ими
- Часть II: версионирование данных и отслеживание их происхождения
- Часть III: управление жизненным циклом модели
- Часть IV: конвейеры непрерывного обучения
- Часть V: научная валидация и тестирование
- Часть VI: развёртывание в научной инфраструктуре
- Часть VII: мониторинг работающих моделей
- Источники
- Глава 13: Будущие направления и заключение
- Введение: наука на заре эпохи ИИ
- Часть I — новые архитектуры и методы
- Часть II — мультимодальный научный ИИ
- Часть III — базовые модели для науки
- Часть IV — ИИ для научных рассуждений
- Часть V — открытые проблемы, сгруппированные по темам
- Часть VI — взгляд на следующее десятилетие
- Часть VII — заключение: усиленный научный метод
- Источники
- Благодарности
Оригинал
A Hands-On Guide for Students and Researchers
Bridge AI and science with this hands-on guide. Whether you're a researcher learning ML or an engineer entering scientific applications, build real systems across chemistry, biology, physics & climate. Master Transformers, Diffusion Models & GNNs for scientific discovery. 500+ pages, 50+ Colab notebooks. Design molecules, predict proteins, accelerate climate models—all hands-on, zero setup required.
About the Book:
Design molecules. Predict protein structures. Accelerate climate models. All with AI.
Generative AI is transforming scientific discovery. AI-designed drugs now achieve 80-90% success rates in Phase I trials. AlphaFold's protein structure predictions earned the 2024 Nobel Prize in Chemistry. Neural network weather models outperform traditional supercomputer simulations in 97% of scenarios—and run 1000x faster.
This book teaches you how to build these systems yourself.
Generative AI for Science is a comprehensive, hands-on guide for researchers, students, and practitioners who want to apply cutting-edge AI to real scientific problems. Across 500+ pages and 13 chapters, you'll master the architectures powering the AI revolution—Transformers, Diffusion Models, VAEs, Graph Neural Networks, and Physics-Informed Neural Networks—through 50+ runnable Google Colab notebooks that require zero setup.
What makes this book different:
This isn't a traditional AI textbook heavy on theory and light on application. Every concept is paired with working code. Every technique is demonstrated on authentic scientific problems. Whether you're a domain scientist learning AI or an ML engineer entering scientific applications, you'll find the right level of depth.
The material is battle-tested. It originated in graduate courses at the Data Science and AI Academy, was refined through workshops at the Bioinformatics Research Center, and has been validated by hundreds of scientists applying these tools to their own research.
What you'll build:
In just 30 minutes with each notebook, you'll create:
- Drug discovery pipelines
using Graph Neural Networks and Diffusion Models - Protein structure predictors
with ESMFold and AlphaFold-inspired architectures - Climate and weather emulators
using neural surrogates - Physics simulations
with PINNs that encode conservation laws - Literature mining systems
using RAG and Large Language Models - Multimodal scientific AI
combining images, text, and molecular graphs
- Domain scientists
(chemists, biologists, physicists, geoscientists) who want AI skills to accelerate their research - ML engineers and data scientists
seeking meaningful scientific applications - Graduate students
looking for a complete curriculum with hands-on projects - Industry practitioners
who need production-ready code and best practices
By the end of this book, you will:
- Understand the key architectures powering scientific AI
- Represent molecules, proteins, sequences, and physical systems for neural networks
- Apply generative models across chemistry, biology, physics, and climate science
- Fine-tune foundation models for domain-specific tasks
- Build multimodal systems that combine vision, language, and structured data
- Follow best practices for ethics, reproducibility, and deployment
- Develop the intuition to know when and how to apply AI to your research
- Basic Python programming
- Undergraduate-level statistics (helpful but not required)
- A web browser and curiosity
- No prior deep learning experience needed
All 50+ notebooks and PowerPoint slides are available on GitHub:
Every example runs in Google Colab with one click—no installation, no configuration, no GPU setup required.
"Generative AI does not replace the scientific method—it enhances it. It expands the space of hypotheses we can explore, sharpens experimental design, and reveals patterns hidden in complexity. Combine human creativity with machine assistance, and new discoveries become possible."
— Dr. J. Paul Liu
Contents:
- From the author
- A journey from classroom to lab — and now to you
- Origins
- What makes this book different
- How to use this book
- What you will learn
- A note on collaboration
- Downloading all codes or slides
- Prerequisites
- AI use disclaimer
- Writing workflow
- Chapter 1 — Generative AI: A new frontier for scientific discovery
- The new frontier of scientific discovery
- The AI revolution in scientific discovery
- What makes generative AI different from traditional ML?
- Core technologies powering generative AI
- The pre-training revolution
- Generative AI across scientific disciplines
- Mathematical foundations and methods
- Cross-cutting capabilities
- A new scientific partner
- The path forward
- References and further readings
- Chapter 2: Generative AI fundamentals
- Introduction: The building blocks of generation
- The three pillars of generative AI
- Part I: Transformers and large language models
- Part II: Diffusion models and flow matching
- Part III: VAEs and GANs
- Part IV: Pre-training and fine-tuning
- Part V: Mathematical foundations
- Part VI: Types of generative AI by modality
- Design principles for scientific applications
- Practical considerations
- Summary
- References
- Chapter 3: Scientific data & workflows
- Introduction: The data challenge in science
- Part I: Unique challenges of scientific data
- Part II: Data sources in science
- Part III: The FAIR principles
- Part IV: Data preparation for AI
- Part V: Integrating AI into research workflows
- Part VI: Automated workflow generation
- Summary
- References
- Chapter 4: Text, code & knowledge generation for scientists
- Introduction: The knowledge synthesis challenge
- Part I: Literature review and synthesis
- Part II: Retrieval-augmented generation (RAG)
- Part III: Hypothesis generation
- Part IV: Code generation for research
- Part V: Scientific writing assistance
- Part VI: Educational applications
- Part VII: Domain-specific LLM systems
- Part VIII: Limitations and best practices
- Summary
- References
- Chapter 5: Data-to-data models
- Introduction: The data scarcity problem
- Part I: Missing data imputation with autoencoders
- Part II: Synthetic data generation with GANs
- Part III: Variational autoencoders (VAEs)
- Part IV: Gaussian process spatial interpolation
- Part V: Time series gap filling
- Summary and key takeaways
- Next steps
- References
- Chapter 6: Physics-informed AI and simulation
- Introduction: Embedding physics in neural networks
- Part I: Physics-informed neural networks (PINNs)
- Part III neural network surrogates for simulations
- Part IV: Code optimization with AI
- Part V: Automated test generation
- Summary
- References
- Chapter 7: Domain applications in chemistry, biology, physics and geoscience
- Introduction: Generative AI across the sciences
- Part I: Chemistry & materials science
- Summary
- References
- Part II: Biology & biomedicine
- Summary: Biology & biomedicine
- References
- Part III: Physics & engineering
- Summary: Physics & engineering
- References
- Part IV: Geoscience & climate applications
- Summary: Geoscience & climate applications
- References
- Part V: Cross-cutting applications in deep learning
- Summary: Cross-cutting applications
- References
- Chapter 8: Fine-tuning & domain adaptation
- Introduction: Making general models domain-specific
- Part I: Why fine-tuning works for science
- Part II: Parameter-efficient fine-tuning (PEFT)
- Part III: Practical results - biology text fine-tuning
- Part IV: Preparing domain-specific training data
- Part V: Evaluation and validation
- Note: The dataset updates in real time, so each run may yield different results
- Part VI: Best practices and lessons learned
- Summary
- References
- Chapter 9: Multimodal generative AI for sciences
- Introduction: Beyond single-modality AI
- Part I: Vision-language models for science
- Part II: Graph-text models for molecules
- Part III: Time series with textual context
- Part IV: Multimodal fusion architectures
- Part V: Scientific document understanding
- Part VI: Training multimodal scientific models
- Part VII: Practical applications
- Summary
- References
- Chapter 10: Evaluation, validation & benchmarking
- Introduction: Trust through rigorous assessment
- Part I: Core evaluation metrics
- Part II: Validation strategies
- Part III: Benchmarking datasets and tasks
- Part IV: Human evaluation
- Part V: Uncertainty quantification
- Part VI: Failure analysis
- Part VII: Robustness testing
- Summary
- References
- Chapter 11: Ethics & responsible AI for science
- How to use this chapter
- Code quick reference
- Introduction: The unique responsibility of scientific AI
- Part I: Reproducibility and open science
- Part II: Bias and fairness in scientific AI
- Part III: Environmental impact of AI
- Part IV: Dual-use and biosecurity
- Part V: Data privacy in scientific research
- Part VI: Attribution and scientific integrity
- Part VII: Equity and access
- Summary
- References
- Chapter 12: Deployment & MLOps for scientific applications
- Introduction: From notebooks to production science
- Part I: Experiment tracking & management
- Part II: Data versioning & lineage
- Part III: Model lifecycle management
- Part IV: Continuous training pipelines
- Part V: Scientific validation & testing
- Part VI: Deployment to scientific infrastructure
- Part VII: Monitoring production models
- References
- Chapter 13: Future directions & conclusion
- Introduction: Science at the dawn of the AI era
- Part I — Emerging architectures & techniques
- Part II — Multimodal scientific AI
- Part III — Foundation models for science
- Part IV — AI for scientific reasoning
- Part V — Open challenges (grouped)
- Part VI — A vision for the next decade
- Part VII — Conclusion: The scientific method, amplified
- References
- Acknowledgements
Форматы PDF, EPUB
Показать больше
Зарегистрируйтесь
, чтобы посмотреть контент.
Скачать