01学习目标
- 理解 GNN 消息传递
- 了解 AlphaFold 等里程碑的方法
- 能为本学科找到合适的 AI 工具与数据集
建议先学:Transformer 与注意力 · 无监督学习:聚类、降维与 EM
02要掌握的算法
每张卡都有原始论文、前置和学习资料。
图神经网络(GCN / GAT)Graph Neural Networks (GCN / GAT) 每个节点聚合邻居信息来更新自己,用于图结构数据。 2016核心 AlphaFold 2 蛋白质结构预测AlphaFold 2 从氨基酸序列预测蛋白质 3D 结构,达到实验精度。 2021核心 AlphaGeometry 神经-符号推理AlphaGeometry (Neuro-Symbolic Reasoning) 语言模型提出辅助线,符号引擎严格推导,解奥数几何题。 2024核心 可验证奖励强化学习 RLVRRL with Verifiable Rewards (RLVR) 用程序可判定对错的任务(数学答案、单元测试)直接给奖励。 2024核心
03必读论文
04课程与视频
05动手:项目、代码与练习
全部是官方或作者公开的免费页面,多数能在浏览器或免费 Colab 里直接运行。
动手项目
选择你所在学科的一个公开数据集,复现一个基线模型并写一页“AI 在本学科能做/不能做”的报告。
- 1
- 2Deep Learning for Molecules & Materials(免费书) ↗书
跟着《Deep Learning for Molecules & Materials》的可运行章节做练习。
06自测题
先自己想,再点开看答案。
GNN 每层做什么?
聚合邻居信息更新节点表示。
AlphaFold 2 的输入主要是什么?
氨基酸序列与多序列比对(及模板)。
AlphaGeometry 中语言模型负责什么?
提出辅助构造。
所在人群路线:各学科研究者