IT思维

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。

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。

十年来，许多最令人印象深刻的人工智能系统都是使用大量标记数据进行教学的。

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。

量子计算关键依赖于有效表征量子硬件输出的量子态的能力。

新的研究表明深度学习如何改善基因疗法和抗病毒药物。

微塑料无处不在——在我们喝的水、吃的食物和呼吸的空气中。

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 […]

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。

在过去的两年里，人工智能程序的语言流畅度达到了惊人的水平。

机器学习方法的兴起正在加快材料和药物发现过程，然而，当前的技术，主要是深度学习，需要大量数据集来训练模型，并且许多特定类别的化学数据集包含少数示例化合物，限制了它们泛化和生成可以在现实世界中创建的物理分子的能力。

自主人工智能被定义为允许机器人、汽车、飞机和其他设备在没有人类指导的情况下执行扩展序列的操作的例程。

深度学习方法在计算机视觉、自然语言处理等领域发挥着越来越重要的作用。

抗体是免疫系统产生的小蛋白质，可以附着在病毒的特定部位以中和它。

这要归功于一个由 NASA 艾姆斯研究中心的研究人员开发的名为 ExoMiner 的新深度神经网络。

在这里，研究人员试图测试 OP-TIL 是否可以将 I 期 HPV 相关 OPSCC 患者分为低风险和高风险组，并帮助选择患者进行降级临床试验。

在现有的机器学习框架中，储层计算（Reservoir Computing）展示了快速、低成本的训练，并适用于各种物理系统。

科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。

数据集为 AI 模型提供燃料，例如汽油（或电力）为汽车提供燃料。