Folding at home: Artificial intelligence and crypto symbiosis for the science
Notice bibliographique
Résumé
Abstract Folding at Home community gathers pecuniary crypto interest to an altruist cause (medical drugs research participation). There are many possibilities of ‘teams’ for folding, some of which allow compensation in cryptomonies. The authors will therefore study the three major communities in order to compare them, in a cost‐benefit study logic. A cost‐benefit analysis was performed between CURECOIN, BANANO, DOGECOIN folding, DOGECOIN mining and their communities on social platforms based on several outcomes: ‘Points Per Day (PPD)’, ‘Whattomine Mh/s Equivalent’, ‘Graphics Processing Units (GPU) Thermal Design Power/Typical Board Power Watts’, ‘Coins per 1,000,000 PPD’, ‘Coins per Day’, ‘Cost Per Coin’, ‘Cost Per Day’, ‘kWh Used Per Day’. Actually, BANANO, thanks to a large community and bots, has the highest PPD production and the lowest energetic cost on Central Processing Unit per week. On GPUs, DOGECOIN folding has the lowest weekly cost. However, the DOGECOIN community cannot produce as many PPD as the Banano team. CURECOIN offers a good compromise between the environmental point of view and the profitability one. To ensure fairness, the choice of the crypto and the way to earn it that has to be solved should be a pure public good, that is, perfectly non‐rival in consumption and non‐excludable. Indeed, the primary goal of those three communities is to allow scientific progress (thanks to Folding at Home) before allowing a return on investment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».