Earth science
PulseAugur coverage of Earth science — every cluster mentioning Earth science across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
HERMES框架从超长地球科学文档中提取结构化数据
研究人员开发了HERMES，一个多智能体框架，旨在从冗长的科学文档中提取结构化数据，特别是在地球科学领域。该系统利用一个协调的大型语言模型来整合领域约束、验证规则和证据追踪，处理文本、表格、图表和图注。当应用于55卷的《无脊椎动物古生物学专论》时，HERMES成功创建了一个包含超过32,000个化石分类实体和450,000个属性的结构化数据库，在提取准确性方面取得了高F1分数，并显著提高了效率，优于手动方法。该框架还通过在古地磁学和地…
-
MemSFT方法在不损失性能的情况下使LLM适应专业领域
研究人员开发了MemSFT，一种新颖的方法，可以在不牺牲通用能力的情况下使大型语言模型（LLM）适应专业领域。MemSFT利用一个外部参数化记忆，该记忆经过训练以模仿检索器，存储领域特定知识。然后，一个学习到的路由器在生成过程中动态地组合该记忆和LLM骨干的输出。在生物学、地球科学和法律领域的评估表明，MemSFT显著提高了领域性能，同时最大限度地减少了通用任务的退化，并且该记忆可以跨不同大小的LLM重复使用。
-
新的多模态模型MKB统一科学领域，助力AI驱动的发现
研究人员推出Monkey King Bang (MKB)，这是一种新颖的多模态基础模型，旨在跨不同领域进行科学发现。MKB采用共享的Transformer骨干网络，并为DNA、RNA、蛋白质、小分子、地球科学和医学图像等不同科学输入配备了专门的组件。该模型支持生物序列和气象场等原生输出，展示了其跨学科的理解和生成能力。实验表明，MKB在科学基准测试中取得了有竞争力的性能，同时保留了通用语言能力。
-
新框架LC-SLab通过基于对象的深度学习增强土地覆盖制图
研究人员开发了LC-SLab，一个新颖的深度学习框架，用于利用卫星图像和稀疏实地标签进行大规模土地覆盖分类。这种基于对象的方法将标签分配给连贯的区域而非单个像素，旨在生成空间上更连贯的地图。该框架通过图神经网络支持输入级聚合，并通过后处理语义分割结果实现输出级聚合，并整合预训练网络的特征以提高在较小数据集上的性能。使用Sentinel-2图像和LUCAS标签进行的评估表明，LC-SLab配置可以匹配或超越像素级模型的准确性，同时显著减…
-
新的基准测试应对 GitHub 上的科学代码搜索挑战
研究人员开发了一个新的科学代码搜索数据集和基准测试，以应对在数百万个 GitHub 存储库中查找相关软件的挑战。该数据集包含来自 NASA 五个部门的 5,264 个分类科学存储库，其中包括专家精心策划的存储库搜索查询和一个大规模代码片段检索基准测试。初步评估突出了不同科学领域和编程语言之间的性能差异，表明有效科学代码发现的难度。
-
KISS基础设施使智能体能够访问地球科学模拟
研究人员开发了KISS（科学模拟知识基础设施），旨在使更广泛的受众能够访问复杂的地球科学模型。这种智能体可操作的脚手架将专业知识外化，使智能体能够以更高的成功率执行模拟。在3000次试验的基准测试中，使用KISS的智能体实现了超过84%的可行模拟，而未使用KISS的智能体则低于40%。该系统已打包成知识解剖工具包（KDT），可以为各种地球科学领域自主创建KISS，证明了操作专业知识可以被构建和提取。
-
新的MSEarth基准测试使用多模态大语言模型进行地球科学发现
研究人员开发了MSEarth，这是一个新的多模态基准测试，旨在评估多模态大语言模型（MLLMs）在地球科学推理方面的能力。该数据集包含超过289,000张带有详细说明和上下文讨论的图表，这些图表来自五大地球科学领域开放获取的科学出版物。MSEarth支持图表说明、选择题和开放式推理等任务，旨在为推进MLLMs在科学发现中的应用提供一个高保真度的资源。
-
EVE框架推出开源LLM以用于地球情报
研究人员开发了EVE，一个专注于地球情报的专用大型语言模型（LLM）的开源框架。EVE的核心是EVE-Instruct，一个拥有240亿参数的模型，源自Mistral Small 3.2，在与地球观测和地球科学相关的推理和问题解答方面表现出色。该新模型在定制基准测试中展示了卓越的性能，同时保留了通用能力，该项目还发布了精选的训练数据和评估基准。EVE包含一个具有检索增强生成（RAG）和幻觉检测的生产系统，支持超过350名试点用户。