Intel於NeurIPS 2023大會活動展示其實驗室在人工智慧技術領域研究成果,並且以此推動人工智慧無所不在願景。
在大會期間,Intel總計公布31篇研究論文,其中包括12篇主要會議論文、19篇研討會論文和現場展示內容,研究重點聚焦於人工智慧在科學領域應用的新模型、方法和工具,以及圖學習、多模態生成式人工智慧 (multi-modal generative AI),另外也包含用於氣候建模、藥物研發和材料科學等AI用例的人工智慧演算法和最佳化技術。
此外,Intel實驗室同時舉辦人工智慧加速材料探索 (AI4Mat)研討會,針對人工智慧研究人員與材料科學家提供平台,以因應人工智慧驅動的材料探索和開發的挑戰。
至於此次公布研究論文大致如下:
科學人工智慧:
• 大腦編碼模型 (Brain encoding models):與德州大學奧斯汀分校的研究人員共同開發的模型,幫助預測大腦反應並深入了解大腦的多模式處理能力。
• 氣候資料集 (ClimateSet):與魁北克人工智慧研究所 (Mila)合作開發,用於機器學習的大型氣候模型資料集,可以快速預測新的氣候變遷情境,並為機器學習 (ML)社群建立破壞性創新的氣候中心應用程式奠定基礎。
• HoneyBee:與Mila共同開發的最先進的大型語言模型,幫助研究人員更快速了解材料科學。
多模態生成式人工智慧:
• COCO-Counterfactuals:一種產生合成反事實資料的多模態技術,可減少預先訓練多模態模型中不正確的統計偏差,幫助提高AI模型在許多下游任務 (例如圖片文字檢索和影像辨識)的效能。
• LDM3D-VR:3D虛擬實境 (VR)的潛在擴散模型,可簡化人工智慧應用產生3D視訊。
• CorresNeRF:使用神經輻射場從2D影像重建3D場景的影像渲染方法。
提高人工智慧效能:
• DiffPack:一種用於蛋白質建模的生成式人工智慧方法,有助於確保生成的3D結構反映蛋白質的真實結構特性。
• InstaTune:一種在微調階段產生超級網路的方法,以減少網路附加儲存 (NAS)所需的總體時間和運算資源。
圖學習:
• A*Net:業界首創以基於路徑的方法對百萬級資料集進行知識圖推理,能夠擴展到超出計算範圍的資料集,並提高大型語言模型 (LLM)的準確性。
• ULTRA:業界首創知識圖推理基礎模型,以及學習通用和可轉移圖示及其關係的新方法。
• Perfograph:一種基於編譯器圖的新穎程式表現形式,可以捕捉數值資訊和複合資料結構,以提高ML方法推理程式語言的能力。