英特爾研究院將在NeurIPS 2023大會上展示一系列富有價值、業界領先的AI創新成果。面向廣大開發者、研究人員和學界人士，這一AI和計算機視覺領域的全球頂會將于12月10日至16日在美國新奧爾良市舉辦。

在NeurIPS 2023上，英特爾研究院將展示其最新AI研究成果，并和產業界、學術界分享英特爾“讓AI無處不在”的愿景。大會期間，英特爾研究院將發表31篇論文，包括12篇主會場論文和19篇研討會論文，并在405號展臺進行技術演示。這些研究的重點是針對AI在科學領域的應用研發的新模型、方法和工具，以及用于氣候建模、藥物發現和材料科學等AI用例的圖學習、多模態生成式AI，及AI算法和優化技術。

此外，英特爾研究院還將于12月15日舉辦"AI加速材料發現（AI4Mat）研討會"，為AI研究人員和材料科學家提供平臺，共同探討如何應對AI驅動的材料發現、開發方面的挑戰。

具體而言，英特爾研究院此次展示的研究成果可被分為以下幾類，每一項都在所在領域具有一定影響力：

1. AI驅動的科學研究（AI for Science）

●大腦編碼模型：與得克薩斯大學奧斯汀分校研究人員聯合開發的模型，有助于預測大腦反應和了解大腦多模態處理能力。

●ClimateSet：與魁北克人工智能研究所（Mila）聯合開發的大規模氣候模型數據集，用于快速預測新的氣候變化情景（climate change scenarios）的機器學習研究，并為機器學習領域革新性的氣候應用奠定基礎。

●HoneyBee：與魁北克人工智能研究所聯合開發的先進大語言模型，幫助研究人員更快地理解材料科學。

2. 多模態生成式AI

●COCO-Counterfactuals：一項生成合成反事實（counterfactual）數據的多模態技術，可減少預訓練多模態模型中不正確的統計偏差，幫助提高AI模型執行圖文檢索和圖像識別等下游任務的性能。

●LDM3D-VR：用于3D虛擬現實的潛在擴散模型（latent diffusion model），可簡化AI應用中的3D視頻生成功能。

●CorresNeRF：利用神經輻射場（neural radiance fields）從2D圖像重建場景3D表示的圖像渲染方法。

3. 提升AI性能

●Diffpack：一種用于蛋白質建模的生成式AI方法，有助于確保生成的3D結構能夠反映蛋白質的真實結構特性。

●InstaTune：一種在微調階段生成超網絡（super-network）的方法，可減少網絡附加存儲（NAS）所需的總時長和計算資源。

4. 圖學習

●A*Net：業界領先的基于路徑的知識圖譜推理方法，數據集達百萬級，可使數據集的擴展能力超越計算范圍的限制，并提升大語言模型的準確性。

●ULTRA：業界領先的知識圖譜推理基礎模型，以及學習通用和可遷移圖譜表示及其關系的新方法。

●Perfograph：一種新的基于編譯器圖的程序表示，可捕捉數值信息和復合數據結構，提高機器學習方法推理編程語言的能力。

了解英特爾研究院在NeurIPS 2023上重點展示的全部研究成果，請閱讀深度文章（鏈接：https://community.intel.com/t5/Blogs/Tech-Innovation/Artificial-Intelligence-AI/Intel-Labs-Presents-31-Papers-at-NeurIPS-2023/post/1550833）或觀看此推文前面的視頻。

了解NeurIPS 2023的更多信息，請訪問大會網站（鏈接：https://nips.cc/）。

向上滑動閱覽

如需進一步了解英特爾研究院的相關研究，歡迎訪問以下鏈接：

1.大腦編碼模型：https://arxiv.org/pdf/2305.12248.pdf

2.ClimateSet：https://arxiv.org/abs/2311.03721

3.HoneyBee：https://arxiv.org/abs/2310.08511

4.COCO-Counterfactuals：https://arxiv.org/abs/2309.14356

5.LDM3D-VR：https://arxiv.org/abs/2311.03226

6.CorresNeRF：https://openreview.net/forum?id=pTCZWSDltG

7.Diffpack：https://arxiv.org/abs/2306.01794

8.InstaTune：https://arxiv.org/abs/2308.15609v1

9.A*Net：https://arxiv.org/abs/2206.04798v4

10.ULTRA：https://arxiv.org/abs/2310.04562

11.Perfograph：https://arxiv.org/abs/2306.00210