IT思维
IT思维(itsiwei.com)是互联网首个定位在科技与电商“思维”韬略的平台,我们时刻关注互联网电商行业新动向; 诚邀行业资深从业者加入“思维客家族”!
群体机器人的初衷是用一群更简单、更便宜(划重点)和可更换的机器人来代替单一的、昂贵的、脆弱的单任务机器人,这些群体机器人可以协同工作以完成同类型的任务。
数据作为机器学习的基础,从 GB、TB 到 PB 已经增长了无数倍,现在大一点的业务场景,没有 TB 级数据都提供不了高效的体验。
自 2018 年中兴事件以来,中国“芯”变得愈加煎熬,而随着 RISC-V 的“热度”不断升高,越来越多的人把它当作是中国芯片发展的一条出路和新的希望。
在人人都想跟AI发生点关系的时代,保持企业持久的竞争力始于对人工智能领域的清醒认识:世界上最具影响力的大公司在AI投资、技术运用和成果落地方面有着怎样的布局?
都说做一件事情最好的时机就是「现在」,但是从何开始往往会难倒一大批人,更不用说是想要入门数据科学和机器学习的朋友了。
一位医生成功地为远在20英里外的病人进行了心脏手术,这可以说是网络、工程学和医学相结合的一大壮举。
北京时间 2019 年 9 月 11 日凌晨,苹果公司公布了 iPhone 11 与 iPhone 11 Pro 系列手机。
AI 前线导读:今年年初,OpenAI 推出了当时号称“最强 NLP 模型”的 GPT-2,该模型可以生成连贯的文本段落,刷新了 7 大数据集基准,并且能在未经预训练的情况下,完成阅读理解、问答、机器翻译等多项不同的语言建模任务。
中国通过自己制定和执行的政策,将完成工业化进程的时间缩减到了短短25年——许多经济体至少花了一个世纪才做到这一点。
显著性检测的主要任务是检测出图像中具有最独特视觉特征的目标区域,它在视觉内容编辑、目标检测、渲染、分割等领域有着重要的应用。
物联网正在不断产生不可思议的数据量。分析师预计,2019年将有266.6亿台物联网设备投入使用。此外,IDC预计,到2025年,物联网设备将产生超过90 zettabytes的数据。
本文对 北美计算语言学联合会 2019 年出版的《自然语言处理中迁移学习教程》(NAACL 2019 tutorial on Transfer Learning in NLP)进行了拓展。
伪彩色图在计算机视觉和机器学习中具有重要的应用,从深度图的可视化到类似图像差分等抽象应用都需要伪彩色图来帮助我们理解视觉信息。
最近,研究人员能够从少量血液样本中测量数千种血浆蛋白,这为广泛的数据提供了新的维度,可以增进我们对人类健康的了解。
设计具有定制电气和机械性能的超轻导电气凝胶,对于各种电子设备的应用都至关重要。传统方法依赖于在广阔的参数空间中进行迭代、耗时的实验。
量子计算机的核心看起来似乎很熟悉:一块邮票大小的硅芯片。但和你笔记本电脑的相似之处就到此为止了。该芯片被包裹在真空室中,冷却到接近绝对零度,上面有 198 个金电极,排列成椭圆形的赛道。
据此前报道,Salvagnini 在情报界从事技术领导工作 20 多年后,于 2023 年 6 月加入 NASA,担任首席数据官。
该研究以《Machine Learning based Reconstruction for the MUonE Experiment》为题,于 2024 年 3 月 10 日发布在《Computer Science》上。
公众号/ ScienceAI(ID:Philosophyai) 抗体(粉色)与流感病毒蛋白(黄色)结合(艺术构 […]
该研究以「Codon language embeddings provide strong signals for use in protein engineering」为题于 2024 年 2 月 23 日发布在《Nature Machine Intelligence》。
普林斯顿大学机械与航空航天工程教授、该研究的作者之一 Egemen Kolemen 表示,这些发现「绝对」是核聚变向前迈出的一步。
该研究以「Explainable machine learning for profiling the immunological synapse and functional characterization of therapeutic antibodies」为题,于 2023 年 11 月 30 日发布在《Nature Communications》。
拜罗伊特大学(Universität Bayreuth)的科学家开发了一种利用人工智能研究液体和软物质的新方法,开启了密度泛函理论的新篇章。
「这里的见解是,我们可以看到模型正在学习什么,以做出某些分子将成为良好抗生素的预测。从化学结构的角度来看,我们的工作提供了一个具有时间效率、资源效率和机械洞察力的框架,这是我们迄今为止所没有的。」麻省理工学院医学工程与科学研究所(IMES)和生物工程系医学工程与科学 Termeer 教授 James Collins 说道。
该研究以「DeepDelta: predicting ADMET improvements of molecular derivatives with deep learning」为题,于 2023 年 10 月 27 日发布在《Journal of Cheminformatics》。
公众号/ ScienceAI(ID:Philosophyai) 编辑 | 萝卜皮 机器学习方法,特别是在大型数 […]
Google DeepMind 团队介绍了「GraphCast」,一种直接从再分析数据训练的基于机器学习的方法。
快速浏览一下资讯类网站就会发现,如今生成人工智能似乎变得无处不在。事实上,其中一些新闻资讯可能是由生成式人工智能帮忙撰写的,例如 OpenAI 的 ChatGPT。
密度泛函理论(DFT)的定理建立了多体系统的局部外部势与其电子密度、波函数以及单粒子约化密度矩阵之间的双射映射。
设计新型催化剂是解决许多能源和环境挑战的关键。尽管包括机器学习 (ML) 在内的数据科学方法有望加速催化剂的开发,通过机器学习方法很少发现真正新颖的催化剂,因为它最大的局限性是假设无法推断和识别特殊材料。
微观结构分割是一种从显微图像中提取结构统计数据的技术,是在广泛的材料研究领域建立定量结构-性能关系的重要步骤。
神经科学的一个主要关键是了解我们的感官如何将光转化为视觉,将声音转化为听觉,将食物转化为味觉,将质地转化为触觉。嗅觉有一些特别之处。
了解大脑计算的基础对于推进计算和治疗神经系统疾病至关重要。尽管现代 AI 取得了越来越多的成功,但生物智能仍然是无与伦比的,并且在许多认知任务中的能源效率要高出几个数量级。
德国柏林马克斯·普朗克学会弗里茨·哈伯研究所(Fritz-Haber-Institut der Max-Planck-Gesellschaft)和柏林洪堡大学(Humblodt Universität zu Berlin)的研究团队提出了一个通用的数据驱动框架,该框架提供定量预测以及定性规则,用于通过符号回归和敏感性分析的组合指导所有数据集的数据创建。
物理系统中存在的纠缠的量化对于基础研究和许多前沿应用至关重要。现在,实现这一目标需要系统的先验知识或非常苛刻的实验程序,例如全状态断层扫描或集体测量。
该研究以「Deploying synthetic coevolution and machine learning to engineer protein-protein interactions」为题,于 2023 年 7 月 28 日发布在《Science》。
「这项研究表明,机器学习和人工智能可以成为构建更有效的纳米疗法的设计过程中不可或缺的一部分。
为了使量子材料的发现成为可能,来自太平洋西北国家实验室 (PNNL) 研究人员将详细的数据库作为他们的虚拟实验室。研究人员创建了一个新的未被充分研究的量子材料数据库,为发现新材料提供了一条途径。
但这种情况正在开始改变。借助一种称为稀疏卷积神经网络 (Sparse Convolutional Neural Network,SCNN) 的机器学习工具,研究人员可以专注于数据的相关部分并筛选出其余部分。
现在,科学家们已经证明,生成式人工智能(AI)可以为这个费力的过程中的某些过程提供一条捷径,提出可以增强抗体抗 SARS-CoV-2 和埃博拉病毒等病毒效力的序列。
PENCIL的分类模式识别特定表型富集的亚群,与差异丰度测试算法具有相同的应用。然而,基于监督学习的 PENCIL 框架提供了一种更灵活的方式来同时选择基因和识别亚群。为了证明这一独特的特征,与其他方法进行比较的模拟被设计为需要基因选择。
这就是劳伦斯伯克利国家实验室 (LBNL) 的「材料项目」(Materials Project)所面临的挑战。
最近,大型语言模型 (LLM),尤其是基于 Transformer 的模型在机器学习研究领域发展迅速。这些模型已成功应用于自然语言、代码生成、生物和化学研究等各个领域。
BM 欧洲研究院和苏黎世联邦理工学院的研究人员提出了 Regression Transformer(RT),这是一种将回归抽象为条件序列建模问题的方法。这为多任务语言模型引入了一个新方向——无缝桥接序列回归和条件序列生成。
法国国家科学研究中心和艾克斯-马赛大学以及荷兰马斯特里赫特大学的研究团队,利用模型比较框架并对比声学、语义(连续和分类)和声音到事件深度神经网络表示模型预测感知声音差异和 7 T 人类听觉皮层功能磁共振成像响应的能力。
作为 HBP 的一部分,法国艾克斯-马赛大学(Aix-Marseille Université,AMU)的研究人员开发了整合患者测量数据的计算大脑建模技术。
通过在阿贡的 Theta 超级计算机上进行的模拟,该团队创建了一个包含 20,000 个结构的数据库,用于氧与掺杂碳化钼的结合能。他们的模拟考虑了几十种掺杂元素和催化剂表面每种掺杂元素的一百多个可能位置。Theta 是阿贡领导计算设施、美国能源部科学用户设施办公室的一部分。
在这里,Meta AI 团队和纽约大学的研究人员展示了,使用大型语言模型从主序列直接推断结构,可以在高分辨率结构预测中实现一个数量级的加速。
有的蛋白质在基态结构中缺乏 Pocket,因此被认为是「不可成药的蛋白质」。
恒星是由分子气体和尘埃在太空中聚结而成。这些分子气体非常稀薄和寒冷,人眼看不见,但它们确实会发出微弱的无线电波,可以用射电望远镜观察到。
2023 年 2 月 28 日,率先采用人工智能技术和计算科学来解决治疗挑战的创新实验室 AION Labs,宣布成立 DenovAI,这是该实验室获得以色列创新局(Israel Innovation Authority)批准的第二家初创公司。
自 2022 年 11 月公开发布以来,ChatGPT 引起了全世界的关注,在全球数百万用户面前展示了人工智能的非凡潜力。
在这里,艾伦图灵研究所、伦敦大学、罗氏制药以及 Genentech 的研究人员,概述了该领域的研究进展,并提出了从具有结构化缺失的数据中学习的一系列重大挑战。
全局机器学习力场(MLFF)能够捕捉分子系统中的集体相互作用,由于模型复杂性随系统规模显著增长,现在可以扩展到几十个原子。
让 OpenAI 创建的图像生成系统 DALL·E 2 绘制一幅「金鱼在海滩上啜饮可口可乐」的图画,它会吐出超现实的图像。
化合物效力预测是机器学习在药物发现中的一种流行应用,为此使用了越来越复杂的模型。
偶极扩散函数 (DSF) 工程重塑了显微镜的图像,可以最大限度地提高测量偶极状发射器 3D 方向的灵敏度。
开发用于在分子和纳米尺度上分析蛋白质-蛋白质相互作用(PPI)的新方法可以深入了解细胞内信号通路,并将提高对蛋白质功能以及其他生物和非生物来源的纳米级结构的理解。
机器学习方法的进步提供了在科学研究中具有广泛适用性的工具。这些技术正在应用于核物理研究主题的多样性,从而带来促进科学发现和社会应用的进步。
Alex Wiltschko 十几岁时就开始收集香水。他的第一瓶是 Azzaro Pour Homme,这是他在 T.J. Maxx百货的货架上发现的一款永恒的古龙水。他从《Perfumes: The Guide》中认出了这个名字,这本书对香气的诗意描述引发了他的痴迷。着迷了,他把零用钱存起来从而收藏更多。「我最终完全『陷入了兔子洞』。」他说。
深度神经网络(DNN)因其高预测精度已成功用于许多科学问题,但由于其可解释性差,它们在遗传研究中的应用仍然具有挑战性。
在人工智能计算机芯片的广阔前景中,服务于「边缘」市场的产品,包括无人机、物联网设备、电话和低功耗服务器环境,为供应商提供了肥沃的土壤,成为少有的市场之一。
代谢动力学模型通过机械关系将代谢通量、代谢物浓度和酶水平联系起来,使其对于理解、预测和优化生物体的行为至关重要。
脑机接口通常依靠电生理信号来解释和传输神经信息。然而,在生物系统中,神经递质是基于化学的中间神经元信使。这种不匹配可能会引起对传输信息的错误解释。
对比增强脑肿瘤的预处理诊断在临床神经肿瘤学中仍然具有挑战性,因为它们在常规 MRI 上的外观非常相似。
虽然缩小场效应晶体管的尺寸对于提高计算效率是非常有效,但当接近纳米级时,Si/SiO2 界面处的量子隧穿会带来新的问题。
引起儿童流行性肠胃炎的 A 组和 C 组轮状病毒中刺突蛋白 VP4 的 VP8* 结构域表现出保守的半乳凝素样折叠,用于在细胞进入过程中识别聚糖。
谷歌的人工智能负责人 Laurence Moroney 做出了回应,试图证明人工智能可以做什么。尽管他最初并不担心人工智能会取代他或其他作家。
公众号/ ScienceAI(ID) 编辑 | 萝卜皮 随着抗生素耐药性感染的增加以及不断演变扩大的大流行病毒 […]
机器学习和基础学科交叉在近年受到越来越多的关注。能够从大量数据中学习的 AI,是否能够像人类一样,从数据中发现规律?当神经网络被用于解决物理问题时,是否有可能学习到物理知识?
劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory,LBNL 或LBL)、美国空军研究实验室(Air Force Research Laboratory 缩写AFRL)等机构的研究人员合作,对人工智能在合成生物学中的应用现状、影响、挑战以及潜力与前景进行了较为系统的阐述。
空间分辨转录组学的最新进展使得能够全面测量基因表达模式,同时保留组织微环境的空间背景。破译组织中斑点的空间背景需要仔细使用它们的空间信息。
近日,来自斯坦福大学的 Sadasivan Shankar 和 Richard N. Zare 在《Nature Machine Intelligence》发表 Correspondence 文章:「The perils of machine learning in designing new chemicals and materials」,指出了机器学习在设计新化学品和材料中的危险。