IT思维

运行深度神经网络对计算能力、能耗及磁盘空间要求甚高，智能手机的计算资源十分有限，需要多种优化才能高效运行深度学习应用。

其实，除了神经网络以外，AI领域中还包含很多更有趣、更新颖，更有前景的技术，文章中就将这些技术介绍给大家。

他们在论文摘要中这样陈述这篇论文的价值：推进可解释性AI发展的重要一步。

机器学习模型通常依赖于大量训练数据，所以在很多领域中难以施展拳脚。

神经网络非常强大，但是它们需要大量的能量。麻省理工学院的工程师们现开发出了一种新的芯片，可以将神经网络的功耗降低95%，这也许会使得其可在电池驱动的移动设备上运行。

比如把两个滑雪的人辨识为一只狗，把一个棒球看成是一杯意式咖啡，又例如把一只乌龟误认为是一把步枪。

机器学习工程师 Adi Chris 最近学习完吴恩达在 Coursera 上的最新课程后，决定写篇博客来记录下自己对这一领域的理解。

第三代神经网络，脉冲神经网络（Spiking Neural Network，SNN），旨在弥合神经科学和机器学习之间的差距，使用最拟合生物神经元机制的模型来进行计算。

深度学习正在影响我们的日常生活。

五年前，研究人员在能够解读图像的软件的准确性上有了一次突如其来但大幅度的飞跃，其背后的人工神经网络支撑了我们现在在人工智能行业所看到的繁荣景象。

Hinton现在分享了他的另一个“旧想法”，这可能会改变电脑“观看”的方式，并重塑AI。

你若希望你的照片看起来像用更好的相机拍的呢？科学家们可能找到了答案。

谷歌翻译研发科学家高勤发表了《利用机器学习消除语言障碍》 的演讲，阐述了谷歌神经网络翻译背后的技术以及未来研发的方向。

文/恒亮 谷歌在2016年发布了全新的神经机器翻译系统（GNMT），并表示由于神经网络算法的介入，该系统相比传 […]

文/刘子榆 神经网络正席卷着计算世界。在它们的帮助下，研究人员得以推进机器学习的进程。面部识别、对象识别、自然 […]

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。

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》。

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》。

Google DeepMind 团队介绍了「GraphCast」，一种直接从再分析数据训练的基于机器学习的方法。

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。

一些现代图像生成器依靠扩散原理来创建图像。基于带电粒子分布背后的过程的替代方案可能会产生更好的结果。