在云端完成
完整的研究课题从一个研究问题到报告、代码和数据。
梳理近三年的论文复现论文中的实验比较多个模型的预测误差做生存分析搭建传染病传播模型数学建模求解检验两组数据的差异清洗原始数据找出研究空白
梳理近三年的论文复现论文中的实验比较多个模型的预测误差做生存分析搭建传染病传播模型数学建模求解检验两组数据的差异清洗原始数据找出研究空白
梳理近三年的论文复现论文中的实验比较多个模型的预测误差做生存分析搭建传染病传播模型数学建模求解检验两组数据的差异清洗原始数据找出研究空白
梳理近三年的论文复现论文中的实验比较多个模型的预测误差做生存分析搭建传染病传播模型数学建模求解检验两组数据的差异清洗原始数据找出研究空白
关闭页面，任务继续运行
代码和数据在云端执行，回到页面即可查看结果。
我的任务
- 电力负荷预测模型对比运行中2:14:00
- 传染病传播模型排队中0
- 生存分析已完成0
每一步都可以回看
检索、运行和修改按顺序记录在任务里。
- 检索论文4.2s
- 读取 LOAD_DATA2.8s
- 运行 RUN_EXPERIMENT18s
- 生成 ERROR_COMPARISON6.1s
执行日志
[10:24:17] 开始检索论文
[10:24:20] 找到 12 篇相关论文
[10:24:38] 读取 LOAD_DATA
[10:25:14] 生成 ERROR_COMPARISON
成果完整保存
报告、代码、数据和图表保存在同一个任务中。
结果文件
- RESEARCH_REPORT打开
- RUN_EXPERIMENT打开
- LOAD_DATA打开
- ERROR_COMPARISON打开
- 1提出研究目标
用文字描述研究问题，可附上论文、数据或代码。
- 2检索并阅读文献
搜索论文，筛选相关内容，提取方法、数据集和结论。
- 3编写代码并运行
在云端环境中运行实验和科学仿真。
- 4分析并核对结果
做统计检验，生成图表，核对数据与结论是否一致。
- 5交付研究成果
报告、代码、数据和图表一并保存，可继续修改。
任务执行记录
示例任务 · 关闭页面后，任务继续运行
10:00
提出研究目标
- 上传研究问题与 LOAD_DATA1m
10:02
检索并阅读文献
- 检索 4 个数据库6m
- 筛选 186 → 24 篇12m
10:31
编写代码并运行
- 写入 RUN_EXPERIMENT3m
- 运行 LSTM 与 Transformer41m
11:48
分析并核对结果
- 配对 t 检验 p = 0.00318m
- 生成 ERROR_COMPARISON6m
12:14
交付研究成果
RESEARCH_REPORT
研究报告
检索并阅读文献
搜索论文，筛选相关内容，提取方法、数据集和结论。
研究任务 / 电力负荷预测模型对比 · 示例
electricity load forecasting transformer lstm已筛选 24 / 186
- Informer: Beyond Efficient Transformer for Long Sequence Time-Series ForecastingAAAI · 2021
- Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series ForecastingNeurIPS · 2021
- A Time Series is Worth 64 Words: Long-term Forecasting with TransformersICLR · 2023
- Are Transformers Effective for Time Series Forecasting?AAAI · 2023
提取结果
| 论文 | 方法 | 数据集 | 结论 |
|---|---|---|---|
| Informer | ProbSparse 自注意力 | 长序列预测误差低于 LSTM 类基线 | |
| Autoformer | 序列分解 + 自相关 | 长期预测误差低于 Informer | |
| A Time Series is Worth 64 Words | 分块 + 通道独立 | 误差低于此前的 Transformer 模型 | |
| Are Transformers Effective for Time Series Forecasting? | 单层线性模型 | 线性模型可胜过多种 Transformer |
在独立的云电脑上运行代码
每个任务有一台自己的云电脑，代码、数据和运行结果都保存在里面。
研究任务 / 电力负荷预测模型对比 · 示例
RUN_EXPERIMENTLOAD_DATA
1import torch2import torch.nn as nn34class LoadForecaster(nn.Module):5 def __init__(self, input_dim, hidden_dim=128):6 super().__init__()7 self.lstm = nn.LSTM(input_dim, hidden_dim, batch_first=True)8 self.fc = nn.Linear(hidden_dim, 1)910 def forward(self, x):11 out, _ = self.lstm(x)12 return self.fc(out[:, -1, :])1314for epoch in range(50):15 loss = train(model, loader)
终端云电脑运行中
Epoch 36/50 loss 0.0276 val_loss 0.0326
Epoch 37/50 loss 0.0269 val_loss 0.0319
Epoch 38/50 loss 0.0262 val_loss 0.0312
接入自有服务器
需要显卡或集群时，通过 SSH 连接自己的服务器。实验在服务器上运行，结果同步回任务。
研究任务 / 电力负荷预测模型对比 · 示例
服务器连接
你的电脑
你的服务器
连接日志
$ ssh user@lab-server
已连接 lab-server
提交作业 RUN_EXPERIMENT
作业运行中 · GPU 0
结果已同步 ERROR_COMPARISON
科研人员
文献整理、论文复现和对比实验交给 Scientify，研究者把精力放在判断与设计上。
示例提问
复现这篇论文的实验，并对比与原文结果的差异。
电力负荷预测模型对比研究
1. 研究背景
2. 研究方法
3. 实验结果
4. 结论
研究生
开题调研、实验到论文配图在同一个任务中完成。
示例提问
梳理近三年该方向的论文，整理对照表并找出研究空白。
| 论文 | 年份 | 方法 |
|---|---|---|
| Informer | 2021 | ProbSparse 自注意力 |
| Autoformer | 2021 | 序列分解 + 自相关 |
| A Time Series is Worth 64 Words | 2023 | 分块 + 通道独立 |
| Are Transformers Effective for Time Series Forecasting? | 2023 | 单层线性模型 |
数模竞赛选手
建模、求解、出图和论文初稿在同一环境完成，比赛时间用在思路上。
示例提问
针对本题建立预测模型，输出代码、图表和论文初稿。
一周负荷预测实际负荷 · LSTM · Transformer
RUN_EXPERIMENTERROR_COMPARISON
1 额度可覆盖 1 美元的官方 API 用量。
新注册用户免费获得一台云电脑和 5 额度。查看计费说明
结果文件
- RESEARCH_REPORT打开
- RUN_EXPERIMENT打开
- LOAD_DATA打开
- ERROR_COMPARISON打开