原始文章

這項研究提出了一種新穎的量子啟發演算法,專注於文件搜尋、檢索和排名,運用量子物理概念,特別是類似貝爾測試的理論。透過超空間類比語言(HAL)框架,利用量子機率理論來定義單詞和文件向量,並考量使用者的偏好。 研究中使用OpenAI的GPT-4生成的合成廣告文本來驗證演算法,發現使用者偏好和查詢單詞順序對結果影響顯著,尤其在小型HAL窗口中。這種方法相較於傳統的餘弦相似度,強調上下文和語義關係,為未來不依賴深度學習的新資訊搜尋引擎開創了可能性。 PubMed DOI


站上相關主題文章列表

資訊檢索系統,俗稱搜尋系統,現在很常見。最近把基於大型語言模型的生成式人工智慧整合進去,引起了關注。討論了生成式AI在資訊檢索的應用,特別是在學術領域,包括動機、關注重點和成果等。使用者,尤其是學者,透過檢索系統找尋權威、即時和符合情境的資訊。雖然LLMs有潛在好處,但提升搜尋系統仍是一個重要且需要持續研究的議題。 PubMed DOI

深度生成模型在電腦視覺、文本生成和大型語言模型中扮演重要角色。其中,去噪擴散概率模型(DDPMs)在電腦視覺領域引起關注,能生成多樣且高質量的樣本。量子生成模型利用纏繞和超位置,提供新的學習方式。我們提出了QuDDPM的量子去噪擴散概率模型,透過電路層提升表達能力,並進行多個訓練任務以避免問題。QuDDPM在學習量子數據結構上表現有效,是一個多才多藝且高效的量子生成學習方法。 PubMed DOI

大型語言模型(LLM)如ChatGPT或Gemini具有強大的推理和問答能力,但可能產生虛假輸出。這可能對各領域應用造成問題,如製造虛假法律先例或散佈虛假新聞。為提升誠實性,研究者致力於開發檢測虛假輸出的方法,著重於評估不確定性以檢測不正確回應。這種方法可用於識別新情況中的不可靠輸出,幫助用戶警惕LLM的潛在風險,並拓展新應用。 PubMed DOI

近來,大型語言模型的進步引起對意識的興趣,雖然智能和意識不直接相關。有人提出當量子機械的超位置形成時,意識經驗會產生,對經驗結構和現象經驗的統一有重要意義。這個想法可透過量子生物學實驗驗證,或透過腦量子計算機界面擴展人類意識。 PubMed DOI

這篇論文探討系統性回顧中摘要篩選的挑戰,並利用大型語言模型(LLMs)的零-shot能力來解決。研究提出一個新穎的問答框架,將篩選標準視為問題,讓LLM回答,並根據綜合回應做出納入或排除的決策。透過CLEF eHealth 2019 Task 2基準驗證,結果顯示該框架在31個系統性回顧數據集上表現優於傳統方法和微調的BERT模型,顯示LLM在摘要篩選中的有效性與潛力。 PubMed DOI

從生物醫學文獻中提取準確資訊相當複雜,因為這個領域跨學科且術語專業。早期的自然語言處理(NLP)方法常常無法掌握語言的細微差別,導致錯誤答案。隨著變壓器模型的出現,大型語言模型(LLMs)在問答任務中表現改善,但仍面臨挑戰,經常產生「幻覺」信息。我們的研究透過增強檢索架構來提升LLMs在生物醫學問答中的表現,並開發了問答機器人WeiseEule,強調用戶查詢信號的重要性,改善了回應的準確性和相關性。 PubMed DOI

這項研究強調環境科學中創新研究方法的必要性,以應對氣候變遷和生物多樣性喪失等全球挑戰。由於現有文獻的複雜性,識別有意義的研究主題變得困難。傳統文獻計量學無法捕捉新興跨學科領域,但人工智慧(AI)和大型語言模型(LLMs)的進步提供了新機會。研究發現,GPT-3.5在分析環境科學前沿主題上表現更佳,顯示跨學科研究、AI和大數據對解決環境挑戰的重要性。LLMs可成為研究人員的寶貴工具,提供未來研究方向的靈感。 PubMed DOI

最近,自然語言處理(NLP)在語意數據分析上有了顯著進展,特別是在問卷研究中。研究者開發了一個「語意搜尋助手」的原型,能有效協調不同工具測量相同構念,並探索新構念組合。透過案例研究,該應用成功識別潛在的協調配對,減少了手動評估的需求。專家評估顯示,模型生成的配對與專家意見高度一致,證實了這種方法的有效性,顯示出嵌入模型在協調複雜數據集中的潛力。 PubMed DOI

這項研究調查了像 ChatGPT 這類大型語言模型在科學詢問中的使用情況及人們的看法,基於2023年7、8月來自七國的4,320名受訪者的數據。儘管這些技術較新,許多使用者仍表示會利用 ChatGPT 獲取科學資訊。研究比較了使用者對 ChatGPT 和傳統資訊來源(如 Google 搜尋)的看法,以及他們對生成式人工智慧的知識和信任程度,並與不使用者及不同目的的使用者進行比較,提供了對 GenAI 早期採用及其對公眾理解科學議題影響的見解。 PubMed DOI

大型語言模型在材料科學的應用大幅推進了新材料的開發。我們提出了一個新框架,利用這些模型來優化合成特定性質的量子點材料的實驗程序。這個方法結合了合成協議生成模型和性質預測模型,並基於開源的大型語言模型進行微調,使用我們的合成數據進行訓練。 過程中,首先生成針對特定性質的合成協議,然後用性質預測模型驗證其有效性。我們的實驗中產生了六種合成協議,其中三個成功改善了多項性質,顯示出我們框架在合成規劃中的有效性及多目標優化的潛力。 PubMed DOI