Скачать Generative AI for Science [J. Paul Liu]

Джокер

Администратор
Регистрация
1 Янв 2015
Сообщения
156.325
Реакции
80.385
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:

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 кого эта книга:

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
Чему вы научитесь:

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
Предварительные требования:

Базовые навыки программирования на Python
Знание статистики на уровне бакалавриата полезно, но не обязательно
Веб-браузер и любознательность
Предыдущий опыт глубокого обучения не требуется
Доступ ко всему коду:

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


Спойлер: 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



Спойлер: 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
Who this book is for:

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
What you'll learn:

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
Prerequisites:

Basic Python programming
Undergraduate-level statistics (helpful but not required)
A web browser and curiosity
No prior deep learning experience needed
Access all code:

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
Цена 2392 руб. (29 долларов)




СКАЧАТЬ СЛИВЫ КУРСОВ