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。
传统的材料研发模式主要依赖「试错」的实验方法或偶然性的发现，其研发过程一般长达 10-20 年。
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 […]
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。
Return to Top ▲
友情链接