Empirical Research Assistance (ERA): From Nature publication to catalyzing Computational Discovery
TL;DR · AI 摘要
ERA, a tool developed by Google using Gemini, assists scientists in writing and optimizing scientific code, significantly speeding up the process of scientific discovery. It has been tested across various disciplines and has shown expert-level performance. ERA is now being made accessible to scientists worldwide through Gemini for Science, and has been used in several projects, including epidemiological forecasting, environmental modeling, and atmospheric CO2 mapping.
核心要点
- ERA uses AI to write and optimize scientific code, reducing the time spent on iterative testing and refinement.
- ERA has demonstrated expert-level performance across diverse scientific benchmarks, potentially democratizing access to advanced computational modeling.
- ERA is being deployed through Gemini for Science, with applications in epidemiological forecasting, environmental modeling, and atmospheric CO2 mapping.
结构提纲
按章节快速跳转。
ERA, developed by Google using Gemini, is designed to assist scientists in writing and optimizing scientific code, thereby accelerating scientific discovery.
ERA uses a tree search approach to optimize code against given goals, considering thousands of options to achieve expert-level performance in various scientific disciplines.
The capabilities of ERA are detailed in a Nature publication, and the tool is being made accessible to scientists worldwide through Gemini for Science.
ERA's design and performance were first shared in fall, and it has since been tested across various scientific benchmarks with promising results.
ERA has been tested in genomics, public health, satellite imagery analysis, neuroscience prediction, time-series forecasting, and mathematics, achieving expert-level performance in all.
Google Research scientists and collaborators have been using ERA to tackle current open problems in science, resulting in several manuscripts detailing its applications.
ERA was used to predict U.S. hospital admissions for flu, COVID-19, and RSV up to four weeks in advance, ranking at or near the top of CDC leaderboards.
ERA created a forecasting model for seasonal runoff in California's snow-fed river basins, producing more accurate early predictions than the state's official outlook.
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- ERA in Scientific Discovery
金句 / Highlights
值得收藏与分享的关键句。
ERA achieves expert-level performance across a variety of scientific benchmarks, including genomics, public health, satellite imagery analysis, neuroscience prediction, time-series forecasting, and ma
ERA's forecasting model for U.S. hospital admissions for flu, COVID-19, and RSV ranks at or near the top of CDC leaderboards, employing techniques that can be replicated for other countries and diseas
The ERA-developed model for mapping atmospheric CO2 concentration captures changes due to human activity and natural cycles, providing valuable data for understanding and modeling greenhouse gas varia
AI 对人类最大的潜在益处之一是提高科学发现的速度和范围。实证研究助手 是 Google 开发的一种研究工具，它利用 Gemini 来编写和优化科学代码，旨在解决科学研究中最为耗时的环节之一：迭代测试和改进计算实验。这一成果在今日发表于《自然》 期刊的论文“旨在帮助科学家编写专家级实证软件的 AI 系统”中进行了详细描述。
作为我们在今日 I/O 大会上发布的更广泛科学公告的一部分，我们也将这项技术作为一种工具开放，开始帮助世界各地的科学家。ERA 是用于构建“计算发现” 的系统之一，这是一种全新的实验性工具，今日起开始通过 Gemini for Science 更广泛地推出。
介绍 ERA：科学编码的多功能工具
去年秋天预印本发布时，我们首次分享了 ERA 的设计和性能。给定一个科学问题和衡量成功的标准，ERA 可以搜索科学文献、编写代码、探索解决方案、组合技术并评估结果。ERA 会考虑数千种选项，利用树搜索方法针对给定目标优化其输出的代码。
我们发表在《自然》上的论文描述了在跨越多个学科的基准问题上对 ERA 进行的测试：基因组学、公共卫生、卫星图像分析、神经科学预测、通用时间序列预测基准以及数学。结果表明，ERA 在所有这些基准测试中均达到了专家级水平，这有望让未来更多人能够使用专家级的计算建模，并扩展现有专家的能力。
将 ERA 应用于开放性科学问题
在过去六个月中，Google Research 的科学家和我们的合作者一直在积极试用 ERA。4 月下旬，我们分享了四个项目的案例，这些项目利用 ERA 来研究当前科学领域的开放性问题。
我们目前总共有八份手稿将 ERA 应用于特定的科学问题，包括下文描述的五篇新发布的论文。这些结果共同展示了 ERA 如何在多个领域推动进步，并产生直接的科学影响和公共利益。
- Google 科学家和合作者发表了他们使用 ERA 进行流行病预测的分析，提前长达四周预测美国各州的流感、COVID-19 和 RSV（呼吸道合胞病毒）住院人数。ERA 的预测在所有三种呼吸道病毒的公共疾病控制与预防中心 (CDC) 排行榜上始终名列前茅，且所采用的技术可以轻松复制应用于其他国家和其他疾病。
- 我们利用 ERA 创建了一个加州融雪补给流域季节性径流预测模型——这是该州人口和农业部门的重要资源。生成的模型对春季径流的早期预测明显比该州官方的季节性供水展望 Bulletin 120 (B120) 更准确，有望改善这一稀缺资源的管理。
- 我们分享了利用 ERA 以前所未有的时空分辨率绘制大气二氧化碳 (CO2) 浓度图.pdf)的新结果，该结果使用了地球静止气象卫星的数据。ERA 开发的模型捕捉到了由人类活动引起的 CO2 浓度变化，包括明显的城市增强效应。模型推导的估算值还显示了农作物和其他植物在生长过程中如何吸收 CO2，导致白天 CO2 浓度下降，以及其他自然和人类循环在大气中如何演变。这些 AI 估算值将有助于模拟、监测和理解 CO2（一种关键温室气体）在空间和时间上的变化。
- 我们利用 ERA 和 Google Antigravity 探索了 3D 太阳能最大化，优化不同面板地形的太阳能捕获，作为如何结合这两个系统的案例研究。ERA 发现，一个由 500 个三角形组成的体积扇形结构能够捕获散射的太阳辐射，且没有后方遮挡，从而在未来的太阳能设备潜在设计中最大化了能量捕获。
- 我们还将 ERA 应用于零售预测任务——这是经济学的一个分支，旨在确保客户获得所需商品、企业高效运营、最大限度地减少浪费，并帮助政府优化经济政策。利用广泛可用的输入数据（如美国经济指标、Google 趋势数据、历史模式和消费者情绪），ERA 设计的模型能够达到或优于商业可用的共识预测以及芝加哥联储零售贸易先行摘要 (CARTS) 的月度零售预测。
推出由 ERA 和 AlphaEvolve 构建的 Computational Discovery
今天，Google 将开始逐步开放对 Computational Discovery 的访问，该工具由 AlphaEvolve 和 ERA 构建。我们对由 AI 驱动的计算工具开启的科学发现新时代感到兴奋，并期待与更广泛的社区共同进一步开发这些工具。
另一项新推出的 Gemini for Science 实验是 Hypothesis Generation，它由 AI Co-Scientist 构建，相关论文也于今日发表在《Nature》上。Hypothesis Generation 和 Computational Discovery，以及新的 Literature Insights 实验工具，在支持科学方法的不同阶段方面互为补充。请访问 labs.google/science 注册以表达您的兴趣。
致谢
_我们要感谢列在作者名单中的合作者，他们协助创建了__ERA__，同时也感谢所有作为早期采用者的科学家。ERA 的底层算法开发由 Eser Aygun、Gheorghe Comanici 和 Shibl Mourad 领导。流行病学预测工作由 Zahra Shamsi、Sarah Martinson、Nicholas Reich、Martyna Plomecka 和 Brian Williams 领导。二氧化碳监测研究由 Aarón Sonabend-W、Sean Campbell、Renee Johnston、Vishal Batchu、Carl Elkin、Christopher Van Arsdale、John Platt 和 Anna Michalak 领导。关于径流预测的论文由 Ignacio Lopez-Gomez、Michael Brenner 和 Tapio Schneider 撰写。太阳能工程领域的手稿由 Michael Brenner、Lizzie Dorfman 和 John Platt 撰写。宏观经济零售销售预测研究由 Michael Brenner、Qian-Ze Zhu、Zahra Shamsi、Mette Nielsen 和 Paul Raccuglia 领导。我们感谢 John Platt、Michael Brenner、Shibl Mourad、Lizzie Dorfman、Vip Gupta、Zoubin Ghahramani、Alison Lentz、Erica Brand、Katherine Chou、Ronit Levavi Morad、Yossi Matias 和 James Manyika 提供的领导支持。_