BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//MBZUAI - ECPv6.15.16.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:MBZUAI
X-ORIGINAL-URL:https://asmbzuaipr-staging-71adee5795-ajdpepcwanf7bwcd.a03.azurefd.net/ar/
X-WR-CALDESC:Events for MBZUAI
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Asia/Dubai
BEGIN:STANDARD
TZOFFSETFROM:+0400
TZOFFSETTO:+0400
TZNAME:+04
DTSTART:20220101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Asia/Dubai:20230920T110000
DTEND;TZID=Asia/Dubai:20230920T120000
DTSTAMP:20260415T092402
CREATED:20230914T124413Z
LAST-MODIFIED:20250226T060109Z
UID:9830-1695207600-1695211200@asmbzuaipr-staging-71adee5795-ajdpepcwanf7bwcd.a03.azurefd.net
SUMMARY:نماذج ذاتية التوجيه للحمض النووي ومعالجة التسلسل القابلة للتوسع باستخدام المحوّلات ذات الذاكرة المعززة
DESCRIPTION:في السنوات الأخيرة، استفاد مجال علم الجينوم إلى حدٍ كبيرٍ من التقدم المُحرز في الذكاء الاصطناعي، لا سيما قدرة تعلم الآلة على تفسير تسلسل الجينوم. فغالبًا ما تتطلب هذه التفسيرات تنفيذ تحليلات صعبة للعمليات الجزيئية المعقدة التي تجري ضمن وظائف الحمض النووي. وفي الجزء الأول من هذا الحوار، نقدّم GENA-LM، وهي مجموعة نماذج لغوية للحمض النووي قائمة على المحولات ومصممة لمعالجة تسلسل الحمض النووي وفك ترميزه. إلا أن قابلية توسع بنى هذه المحولات تطرح مجموعةً من التحديات، خاصةً من حيث التعقيد الحاسوبي الذي يتزايد مع زيادة حجم المدخلات. ويتعمق الجزء الثاني من الحوار في النهج الابتكاري الذي نتّبعه لتعزيز الذاكرة بشكل متكرر في نماذج المحولات مسبقة التدريب. فتعزز هذه الاستراتيجية قدرة النماذج على التعامل بشكلٍ مدهشٍ مع سلاسل المدخلات الطويلة – التي تصل إلى ملايين الوحدات اللغوية – مع الحفاظ على الكفاءة الحاسوبية. إذ سيؤدي ذلك إلى نتائج ملحوظة لا تقتصر على تحسين الأداء في مهام النمذجة اللغوية فحسب، بل تسلط الضوء على آمالٍ للتطبيقات التي تتطلب مقدارًا كبيرًا من الذاكرة. بالتالي، يتمحور هذا الحوار حول تعزيز الذاكرة الذي من شأنه أن يؤدي إلى زيادة قدرات النماذج التي تشبه GENA-LM، عبر توسيع مجال تطبيقها في المعلوماتية الحيوية وتسخير قوة الذكاء الاصطناعي في اكتشاف علم الجينوم. \nنبذة عن المتحدث: \nالدكتور ميخائيل بورتسيف هو زميل لانداو للذكاء الاصطناعي في معهد لندن. وقد درس الإلكترونيات الدقيقة في معهد موسكو لهندسة الطاقة، قبل أن يحصل على شهادة الدكتوراه في علم الحاسوب من معهد كلديش للرياضيات التطبيقية. وشغل مناصب بحثية عليا في معهد أنوخين لعلم وظائف الأعضاء الطبيعي ولاحقًا في معهد كورتشاتوف، بالإضافة إلى منصب باحث زائر في جامعة كامبريدج. وكان بورتسيف المدير العلمي لمعهد أبحاث الذكاء الاصطناعي في موسكو، كما أنشأ مختبر الشبكات العصبية والتعلم العميق وأداره في معهد موسكو للفيزياء والتكنولوجيا. وقد طوّر هذا المعهد تحت قيادته DeepPavlov، وهو إطار مفتوح المصدر وحائز جوائز للذكاء الاصطناعي التحاوري. \nيُجري الدكتور بورتسيف الأبحاث في مجال الرياضيات التي تعزز الذكاء الاصطناعي، بما في ذلك التعلم المستمر والشبكات العصبية ذات الذاكرة المعززة، فضلاً عن الرياضيات المدعومة بالذكاء الاصطناعي.
URL:https://asmbzuaipr-staging-71adee5795-ajdpepcwanf7bwcd.a03.azurefd.net/ar/event/self-supervised-dna-models-and-scalable-sequence-processing-with-memory-augmented-transformers/
LOCATION:ندوة عبر الإنترنت
CATEGORIES:Virtual
ATTACH;FMTTYPE=image/png:https://staticcdn.mbzuai.ac.ae/mbzuaiwpprd01/2023/09/Mikhail-burstev37.png
END:VEVENT
END:VCALENDAR