IT思维

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。

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》。

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。

基于机器学习的应用程序的大规模增长和摩尔定律的终结迫切需要重新设计计算平台。

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。

氢是宇宙中最为丰富的元素。从外太空到恒星，再到地球上的许多物质，氢无处不在。

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。

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。

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。

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。

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。

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。

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。

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 […]

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。

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。

因此，研究人员想出了一种技术，将公平性直接引入模型的内部表示本身。

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。

因此，许多神经科学家开始将大脑视为「预测机器」。

今天，生物医学研究人员可以通过使用机器学习进行基于图像的分析，有效地对显微镜图像中的数千个细胞进行分类。

得益于空军科学研究办公室的195 万美元赠款，马萨诸塞大学阿默斯特分校数学和统计系教授 Markos Katsoulakis 和 Luc Rey-Bellet，以及布朗大学的 Paul Dupuis 将在接下来的四年开发一种新的机器学习方法，超越对大数据的传统依赖。