本周主要论文包括:牛津大学研究者在移动的机器人骨架上培养细胞;加州理工用 12 分钟飞行数据教会无人机御风飞行等研究。
目录
Humanoid robots to mechanically stress human cells grown in soft bioreactors
Large Language Models are Zero-Shot Reasoners
NeuralHDHair: Automatic High-fidelity Hair Modeling from a Single Image Using Implicit Neural Representations
Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds
Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding
Symphony Generation with Permutation Invariant Language Model
A Long Short-Term Memory for AI Applications in Spike-based Neuromorphic Hardware
ArXiv Weekly Radiostation:NLP、CV、ML 更多精选论文(附音频)
论文 1:Humanoid robots to mechanically stress human cells grown in soft bioreactors
- 作者:Pierre-Alexis Mouthuy、Sarah Snelling 等
- 论文地址:https://www.nature.com/articles/s44172-022-00004-9
摘要:组织工程科学是一门以细胞生物学和材料科学相结合,进行体外或体内构建组织或器官的新兴学科,这一技术虽然在很大程度上处于起步阶段,但迄今为止,皮肤细胞、软骨组织甚至是从人体细胞样本中培育出来的气管都已植入患者体内。但事实证明,培养可用的人体肌腱细胞是非常棘手的,这需要拉伸和扭曲。在过去的二十年里,科学家们通过反复向一个方向拉伸肌腱细胞和组织来促进它们的生长和成熟。然而,到目前为止,这种方法还不能产生功能完全的组织移植物,用于临床和人体。
来自牛津大学等机构的研究者提出一种新的组织工程方法可能会提高这项工作的质量:在移动的机器人骨架上培养细胞。
来自牛津大学和机器人公司 Devanthro 的研究人员认为,如果想要培育出能够像肌腱或肌肉一样运动和弯曲的组织,最好是尽可能准确地重现它们的自然生长环境。所以他们决定模仿这样一个移动的人体来培养细胞。研究团队采用机器人来尽可能地模拟人类肌肉骨骼系统。
具体的,他们采用了由 Devanthro 工程师设计的开源机器人骨架,并为可以安装到骨架中的细胞创建了一个定制的生长环境,以根据需要弯曲和拉伸(这种生长环境被称为生物反应器)。他们选择在机器人肩关节上进行组织培养,研究者也将机器人这个部位进行精度升级,以接近人类动作。然后,他们在机器人肩膀上安装生物反应器,该反应器由生物可降解的细丝组成,在两个锚点之间拉伸,像一束头发,整个结构封闭在一个像气球一样的外膜中。
之后研究者将人类细胞移植到毛发状细丝上,并在腔室中注入一种旨在促进细胞生长的富含营养的液体。在 14 天内每天花费半小时来复制人类会做出的各种抬高和旋转动作。
推荐:在机器人骨架上培养活细胞:将人类细胞放入「生物反应器」,再给点营养液就可以。
论文 2:Large Language Models are Zero-Shot Reasoners
- 作者:Takeshi Kojima 、 Shixiang Shane Gu 、 Machel Reid 等
- 论文地址:https://arxiv.org/pdf/2205.11916.pdf
摘要:「一个玩杂耍的人总共有 16 个球,其中一半是高尔夫球,高尔夫球中又有一半是蓝色的球,请问蓝球总共有多少个?」
对于一个小学生来说,这是一道再简单不过的数学题。但看似无所不能的 GPT-3 却被这道题难住了。如果你输入这个问题之后,直接向 GPT-3 发问:「问题的答案(阿拉伯数字)是:__?」它会「不假思索」地给出一个错误答案:8。
怎么能让 GPT-3 稍微「动动脑子」呢?想想我们上学的时候老师是怎么做的。一般来说,优秀的老师会在我们做错题时鼓励我们「再回去想想」,或者帮我们理清解题步骤。同样的,我们也可以这么对 GPT-3。东京大学和谷歌大脑的一项联合研究表明,只要在答案前加一句「 Let’s think step by step 」,GPT-3 就能给出上述问题的正确答案,而且它还自己理清了解题步骤。
在经典的 MutiArith 数据集上,这句魔法一样的「咒语」将 GPT-3 在零样本场景下解数学题的准确性从 17.7% 提升到了 78.7%。重要的是,这句「咒语」的应用范围还非常广泛,不仅可以解数学题,还能做各种逻辑推理。
当然,在深度学习领域,这种「咒语」有个统一的名字——「prompt」。prompt 和 prompt 工程是近年来非常火的话题,它可以帮助我们控制模型的预测输出。合适的 prompt 对于模型的效果至关重要,大量研究表明,prompt 的微小差别,可能会造成效果的巨大差异 [1]。比如在下面这个卫星图片识别的例子中,我们仅添加一个「 satellite(卫星)」,就能把模型的准确率提升 13%+。
推荐:GPT-3 对一些问题的回答令人大跌眼镜,但它可能只是想要一句「鼓励」。