IT思维

公众号/ ScienceAI（ID：Philosophyai） 编辑 | 萝卜皮 机器学习方法，特别是在大型数 […]

现代扫描探针技术，例如扫描隧道显微镜，可以获取编码量子物质基础物理的大量数据。

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。

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。

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」。

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。

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。

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。

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。

由于现实世界中可能的材料组合的数量是天文数字，寻找新的有用的材料是一项艰巨的任务。

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？

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。

神经网络并非如此，这是执行类人任务的领先人工智能系统。

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。

因此，许多神经科学家开始将大脑视为「预测机器」。

来自美国莫格里奇研究所的 Timothy Grant 发表观点文章，评论《Nature Methods》上的两项蛋白质分子动力学方面的研究，并表示新的计算方法从冷冻电镜图像中捕获分子运动，并提供对蛋白质动力学的更完整理解。

神经科学的新发现不断启发着高效神经网络的出现和进步。

最近，谷歌大脑团队发表了一篇论文，文中提出了一种叫做概念激活向量（Concept Activation vectors，CAV）的新方法，这种方法为深度学习模型的可解释性提供了一个全新的视角。

相信很多朋友在尝试调戏Siri、小冰等AI助手时，应该都获得过令人捧腹大笑的回答，Siri甚至一度荣获“最佳段子手”称号。

深度学习在图像分类，机器翻译等领域都展示了其强大的能力，但是在因果推理方面，深度学习依然是短板，图神经网络在因果推理方面有巨大的潜力，有望成为 AI 的下一个拐点。

这篇文章中作者尝试将 15 年的自然语言处理技术发展史浓缩为 8 个高度相关的里程碑事件

这篇文章将介绍如何使用知识图和神经网络来回答这类问题。

我们会先抛出“更为常见”的问题，在每个标题下，也会优先给出“最容易实现”的解决方案。

近日，来自爱丁堡大学的研究人员提出了一种结合深度神经网络和树模型的新型模型——深度神经决策树(Deep Neural Decision Trees, DNDT)。

这篇文章可以作为一个设计指南，为特定分类任务的 CNN 设计提供指导。作者围绕准确率、速度、内存消耗三个指标的权衡，从网络类型、架构设计、数据处理和迁移学习等方面介绍了 CNN 设计过程中使用的方法。