انحناء الفضاء لمطابقة الطاقة: كيف تصل الهندسة إلى دقة كيميائية في التنبؤ بالبنية الجزيئية التنبؤ بالبنية ثلاثية الأبعاد للجزيء—حيث تقع كل ذرة بالضبط في الفضاء—هو أمر أساسي في الكيمياء الحاسوبية. إذا أخطأت قليلا، قد تكون حساباتك في الطاقة خاطئة كثيرا. المعيار الذهبي هو نظرية دالة الكثافة، لكن DFT بطيء ومكلف. تعلم الآلة يقدم طريقا أسرع: تدريب نموذج على تقليل الضوضاء من التخمين الأولي التقريبي إلى بنية دقيقة. المشكلة أن معظم النماذج التي تتخلص من الضوضاء تعمل في الفضاء الإقليدي العادي، حيث تعامل جميع الاتجاهات بالتساوي. لكن الجزيئات لا تعمل بهذه الطريقة. تمديد السند يكلف طاقة أكثر بكثير من الدوران حوله. المسافات المتساوية في الإحداثيات الديكارتية لا تعني تغيرات طاقة متساوية. يتناول جيهون وو والمؤلفون المشاركون هذا التفاوت بشكل مباشر. يبنون متشعب ريماني—فضاء منحني ذو مقياس يعتمد على الموقع—مصمم بحيث ترتبط المسافة الجيوديسية بفرق الطاقة. المقياس مبني على إحداثيات داخلية مستندة إلى الفيزياء تزن المسافات بين الذرات حسب كمية الطاقة التي تكلفها تغييرها: الروابط الصلبة لها قيمة أكبر من الالتواءات اللينة. عندما يقارنون المسافة الجيوديسية مع RMSD القياسي، يقفز الارتباط مع الطاقة من 0.37 إلى 0.90. تدريب نموذج إزالة الضوضاء على هذا الفضاء المنحني يغير ما يتعلمه النموذج. في الفضاء الإقليدي، إضافة الضوضاء متساوية الخواص يمكن أن تكسر الروابط أو تخلق هندسات مستحيلة—هياكل بمئات الكيلو كالورا لكل مول فوق الحد الأدنى. على متعدد الشعب الريماني، نفس مقدار الضوضاء يحافظ على حساسية الجزيئات كيميائيا، وتبقى ضمن نفس بئر الجهد. المسار الذي يتخلص من الضوضاء نفسه يتبع الجيوديسيات التي تتبع تقليل الطاقة، وليس خطوطا مستقيمة عشوائية عبر الفضاء الديكارتي. وصلت النتائج إلى العتبة المهمة: الدقة الكيميائية، المعرفة بأنها خطأ طاقة أقل من 1 كيلو كالوري/مول. في معيار QM9، يحقق النموذج الريماني خطأ وسيط يبلغ 0.177 كيلو كالوري/مول — أي أفضل بحوالي 20× من هياكل بدء الحقل وأفضل بكثير من النسخة الإقليدية. عندما تستخدم هذه التنبؤات كنقاط انطلاق لتحسين تحويل تحويل المعلومات، تنخفض التكلفة الحسابية بأكثر من النصف. النقطة الأعمق: في النمذجة الجزيئية، هندسة فضاء التمثيل ليست محايدة. يعامل الفضاء الإقليدي جميع الإزاحات الذرية على أنها متكافئة؛ الفضاء الريماني يمكنه ترميز الفيزياء. عندما تتوافق المسافة الهندسية مع التكلفة الطاقية، يصبح إزالة الضوضاء تحسينا، ويتعلم النموذج اتباع سطح الطاقة الكامنة بدلا من مقاومته. الورقة:

فتح نماذج الأساسات ذات الخلية الواحدة بمعلمات أقل بنسبة 96٪ نماذج اللغة الكبيرة ذات الخلية الواحدة (scLLMs) تعلمت معرفة بيولوجية مذهلة من ملايين الخلايا. لكن لديهم نقطة ضعف حاسمة: إخراجهم من سياق تدريبهم — مرض جديد، نوع غير مرئي، مجموعة خلايا غير محددة — وتصبح توقعاتهم غير موثوقة. الحل القياسي هو الضبط الدقيق. لكن الضبط الدقيق يفوق معلمات النموذج الأصلية، مما يسبب "نسيان كارثي" للمعرفة البيولوجية التي تم تعلمها مسبقا. وهي مكلفة حسابيا، وتتطلب موارد كبيرة من وحدات معالجة الرسوميات لا يمتلكها العديد من الباحثين. يقترح في هي والمؤلفون المشاركون scPEFT — إطار عمل ضبط دقيق فعال من حيث المعلمات يجمد العمود الفقري الأصلي ل scLLM ويدرب فقط محولات صغيرة منخفضة الأبعاد. أربعة أنواع من المحولات (محول الرمز، محول البادئة، LoRA، محول المشفر) تنتقل إلى أجزاء مختلفة من بنية النموذج، وتتعلم التعديلات الخاصة بالمهمة دون لمس الأوزان المدربة مسبقا. مكاسب الكفاءة ملحوظة: scPEFT يقلل من المعلمات القابلة للتدريب بأكثر من 96٪ ويقلل من استهلاك ذاكرة GPU بأكثر من النصف. لكن ما يهم هو — في الواقع الأداء أفضل من الضبط الكامل. في مجموعات البيانات الخاصة بالأمراض (NSCLC، MS، COVID-19)، يحقق scPEFT تحسينات في الدقة بنسبة 39.7–81.7٪ مقارنة بالنماذج الأصلية ومكاسب بنسبة 4.3–15٪ مقارنة بالإصدارات المضبوطة بدقة، وذلك تحديدا لأنه يحافظ على المعرفة المدربة مسبقا بدلا من أن يكتب فوقها. يتيح الإطار أيضا النقل بين الأنواع من النماذج المدربة على البشر: تحسن بنسبة 14٪ في خلايا الفئران، 39٪ على الخلايا الجرثومية في المكاك، و144٪ على C. elegans—وكل ذلك باستخدام خرائط جينية متعامدة. يحدد تحليل الانتباه الجينات المرتبطة بكوفيد في حالات محددة من خلايا التائية ويكشف عن مجموعات فرعية ذات صلة بيولوجية غير مرئية للنماذج المضبوطة بدقة. الدلالة الأوسع: مع انتشار النماذج الأساسية في علم الأحياء، نحتاج إلى طرق فعالة لتكييفها دون تدمير ما تعلمته. يظهر scPEFT أنه أحيانا التحديث القليل يعني تعلم المزيد. الورقة:

هياكل مستوحاة من علوم الأعصاب لبناء ذكاء الذكاء الاصطناعي التكيفي الحقيقي أنظمة الذكاء الاصطناعي الحديثة قوية لكنها هشة. درب نموذجا، ونشره، وشاهد تدهور الأداء مع تغير العالم. إذا أعدت التدريب على بيانات جديدة، سينسى النموذج ما كان يعرفه. تنتج هذه الدورة أنظمة تتفوق في المعايير الثابتة لكنها تكافح للتكيف المستمر—وهو أمر يتعامل معه الذكاء البيولوجي بسهولة. يمكن لفأر أن يتعلم بقليل من الطلقات كيفية العثور على الماء في متاهة جديدة في حوالي عشر محاولات، وهو معدل تعلم أسرع بألف مرة من المهام المخبرية التقليدية. ومع ذلك، تعاني أكثر شبكات الأعصاب تطورا لدينا من نسيان كارثي عندما يطلب منها التعلم بشكل متسلسل. الدماغ يقدم بنية مختلفة. يعمل ليس كشبكة متشابكة واحدة، بل كوحدات متخصصة مترابطة بذكاء — حواف معالجة القشرة البصرية، حوسبة قشرة المحرك في فضاء القوة، مناطق أمامية جبهية تتبع الذاكرة المنظمة للمهام. كل وحدة تبني نماذج داخلية محدثة من خلال أخطاء التنبؤ عندما تختلف النتائج المتوقعة عن الواقع. تم اكتشاف هذه الإشارات التعليمية الإشارة الآن عبر الدوائر الحسية والحركية والمكافأة. ماكنزي ويغاندت ماثيس يجمع هذه الرؤى في اقتراح الذكاء الاصطناعي الوكيل التكيفي. بدلا من السعي وراء نماذج الأسس الأحادية الأكبر سويا، تجادل بأنظمة من المشفرات الخاصة بالمجالات التي يتم تحسين مخرجاتها بشكل مشترك في فضاء كامنة مشترك. يتم مراقبة كل مشفر بواسطة إشارات خطأ التنبؤ — حيث تبقى المشفرات القوية "مقفلة" بينما تفتح تلك التي تظهر أداء متدهورا للتعلم المستمر باستخدام إعادة تشغيل الذاكرة أو الذكاء التشابكي، دون إيقاف النظام بالكامل. المبدأ الأوسع: من خلال هيكلة الذكاء الاصطناعي حول الوحدة المستوحاة من علوم الأعصاب وتحديث الأخطاء التنبئي بدلا من المقياس الأحاد، يصبح من الممكن تجاوز النماذج الثابتة نحو الذكاء التكيفي الحقيقي—أي أنظمة تقوم باستمرار بتحسين نماذجها للعالم من خلال التفاعل معه. الورقة: