WikiEdge:ArXiv速遞/2025-05-19
摘要
- 原文標題：Robin: A multi-agent system for automating scientific discovery
- 中文標題：羅賓：用於自動化科學發現的多智能體系統
- 發布日期：2025-05-19 17:36:17+00:00
- 作者：Ali Essam Ghareeb, Benjamin Chang, Ludovico Mitchener, Angela Yiu, Caralyn J. Szostkiewicz, Jon M. Laurent, Muhammed T. Razzak, Andrew D. White, Michaela M. Hinks, Samuel G. Rodriques
- 分類：cs.AI, cs.MA, q-bio.QM
- 原文連結：http://arxiv.org/abs/2505.13400v1
中文摘要：科學發現是由背景研究、假設生成、實驗驗證和數據分析的迭代過程驅動的。儘管人工智慧在科學發現中的應用取得了最新進展，但尚未有系統能在單一工作流中實現所有這些階段的自動化。本文介紹Robin——首個能夠完全自動化科學過程關鍵智力步驟的多智能體系統。通過將文獻檢索智能體與數據分析智能體相結合，Robin能生成假設、提出實驗方案、解釋實驗結果並生成更新假設，實現了科學發現的半自主化方法。應用該系統後，我們成功識別出治療乾性年齡相關性黃斑變性（dAMD，發達國家主要致盲病因）的新型療法。Robin提出增強視網膜色素上皮細胞吞噬作用作為治療策略，並鑑定驗證了有前景的候選藥物利帕舒地爾（ripasudil）。該藥物是臨床使用的Rho激酶（ROCK）抑制劑，此前從未被提出用於治療dAMD。為闡明利帕舒地爾上調吞噬作用的機制，Robin隨後提出並分析了RNA-seq後續實驗，揭示了關鍵脂質外排泵ABCA1的上調——該靶點可能成為新型治療靶標。本報告正文中所有假設、實驗計劃、數據分析和數據圖表均由Robin生成。作為首個在"實驗室在環"迭代框架中自主發現並驗證新型候選療法的AI系統，Robin為AI驅動的科學發現建立了新範式。
摘要
- 原文標題：The SXS Collaboration's third catalog of binary black hole simulations
- 中文標題：SXS合作組第三版雙黑洞模擬目錄
- 發布日期：2025-05-19 17:21:54+00:00
- 作者：Mark A. Scheel, Michael Boyle, Keefe Mitman, Nils Deppe, Leo C. Stein, Cristóbal Armaza, Marceline S. Bonilla, Luisa T. Buchman, Andrea Ceja, Himanshu Chaudhary, Yitian Chen, Maxence Corman, Károly Zoltán Csukás, C. Melize Ferrus, Scott E. Field, Matthew Giesler, Sarah Habib, François Hébert, Daniel A. Hemberger, Dante A. B. Iozzo, Tousif Islam, Ken Z. Jones, Aniket Khairnar, Lawrence E. Kidder, Taylor Knapp, Prayush Kumar, Guillermo Lara, Oliver Long, Geoffrey Lovelace, Sizheng Ma, Denyz Melchor, Marlo Morales, Jordan Moxon, Peter James Nee, Kyle C. Nell, Eamonn O'Shea, Serguei Ossokine, Robert Owen, Harald P. Pfeiffer, Isabella G. Pretto, Teresita Ramirez-Aguilar, Antoni Ramos-Buades, Adhrit Ravichandran, Abhishek Ravishankar, Samuel Rodriguez, Hannes R. Rüter, Jennifer Sanchez, Md Arif Shaikh, Dongze Sun, Béla Szilágyi, Daniel Tellez, Saul A. Teukolsky, Sierra Thomas, William Throwe, Vijay Varma, Nils L. Vu, Marissa Walker, Nikolas A. Wittek, Jooheon Yoo
- 分類：gr-qc
- 原文連結：http://arxiv.org/abs/2505.13378v1
中文摘要：我們發布了模擬極端時空（SXS）合作項目雙黑洞模擬目錄的重大更新。通過採用譜愛因斯坦代碼（SpEC）中實現的高效譜方法，我們將雙星構型總數從2,018組大幅擴充至3,756組。新版目錄密集覆蓋了質量比達q=8、無量綱自旋達|χ⃗|≤0.8且近零偏心率的進動模擬參數空間，同時包含部分更高質量比（含中等自旋）及超過250組偏心軌道的模擬。我們已棄用並重新運行了舊目錄中的部分模擬（如使用早期SpEC版本或波形誤差異常高的案例）。目錄中不同解析度波形間的中位差異（與失配度相似）為4×10⁻⁴，模擬軌道數中位值為22圈，最長模擬達148圈。所有波形均已校正至雙星質心坐標系並呈現引力波記憶效應。估算目錄總CPU成本為4.8億核心小時，使用譜方法進行雙黑洞模擬的效率比精度相當的有限差分模擬高出1,000倍以上。完整目錄可通過sxs Python包及https://data.black-holes.org 公開獲取。
摘要
- 原文標題：A flexible approach for fat-water separation with bipolar readouts and correction of gradient-induced phase and amplitude effects
- 中文標題：採用雙極讀出和梯度誘導相位/振幅效應校正的靈活脂肪-水分離方法
- 發布日期：2025-05-19 11:59:44+00:00
- 作者：Jorge Campos Pazmino, Renée-Claude Bider, Véronique Fortier, Ives R. Levesque
- 分類：physics.med-ph
- 原文連結：http://arxiv.org/abs/2505.13015v1
中文摘要：目的：開發一種脂肪-水分離方法，無需額外掃描即可校正雙極性讀出梯度引起的效應，且兼容任何脂肪-水分離技術。理論與方法：該方法通過聯合處理雙極性多回波梯度回波序列的奇偶回波數據，結合逆問題求解相位和振幅校正的最小二乘估計，以消除雙極性梯度效應。通過克拉美-羅界理論（CRB）計算信號平均次數（NSA）優化序列參數選擇，並採用圖割優化進行方法驗證，同時通過蒙特卡洛模擬（MC）評估準確性。在體模和活體實驗中測試了該方法，通過質子密度脂肪分數圖（PDFF）量化性能。結果：NSA計算表明短TE1和ΔTE=1.5 ms是脂肪-水分離的最優參數。MC模擬顯示脂肪/水複合信號、ψ和R_2^*的估計誤差均值低於1%。體模和活體實驗證實該方法有效消除了雙極性讀出梯度的影響，提升了脂肪-水分離效果。結論：所提方法能校正雙極性讀出梯度對脂肪-水分離的有害效應，可將現有單極性梯度數據設計的脂肪-水分離技術擴展至雙極性梯度數據。