IT思维

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。

催化剂优化过程通常依赖于化学家基于筛选数据的归纳和定性假设。

人工智能已经将蛋白质工程研究的时间缩短了数年。

高效的化学合成对于满足未来对药物、材料和农用化学品的需求至关重要。

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。

电子能带结构和晶体结构是固态材料的两个相辅相成的标志。

「这是一个漂亮的理论结果。」Aaronson 说，同时强调新算法对于模拟像谷歌这样的真实实验实际上没有用。

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。

机器学习技术已广泛应用于化学、物理、生物学和材料科学的许多领域。

机器感知是计算机以类似于人类感知世界的方式接收和处理感官信息的能力。

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。

深度学习已经能够成功预测 DNA 序列的表观基因组图谱。

最近，一位粒子物理学家谈论他将计算推向了一个新的精度高度。他的工具？一个 1980 年代的计算机程序，称为 FORM。

企业的生成式 AI 模型有可能颠覆内容创作的世界，对营销、软件、设计、娱乐和人际交流产生重大影响。

新加坡 Gero PTE 公司的研究人员结合分析和机器学习工具来描述大量纵向测量中的老化过程。

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。

除了一些活组织之外，很少有材料能够在长时间暴露于意料之外的环境负载情况下自主学习表现出所需的行为。

移动无线技术从 3G/4G 到 5G 的演进以及工业 4.0 的引入，导致无线系统设计的复杂性不断增加。

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。

人工智能等最新技术浪潮已经触及几乎所有行业和企业的海岸。

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。

设计可行的分子候选物对于设计低成本和可持续的存储系统至关重要。