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。
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。
在人工智能计算机芯片的广阔前景中,服务于「边缘」市场的产品,包括无人机、物联网设备、电话和低功耗服务器环境,为供应商提供了肥沃的土壤,成为少有的市场之一。
代谢动力学模型通过机械关系将代谢通量、代谢物浓度和酶水平联系起来,使其对于理解、预测和优化生物体的行为至关重要。
脑机接口通常依靠电生理信号来解释和传输神经信息。然而,在生物系统中,神经递质是基于化学的中间神经元信使。这种不匹配可能会引起对传输信息的错误解释。
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。
谷歌的人工智能负责人 Laurence Moroney 做出了回应,试图证明人工智能可以做什么。尽管他最初并不担心人工智能会取代他或其他作家。
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。
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。
公众号/ ScienceAI(ID:Philosophyai) 编辑 | 萝卜皮 藻类在固定碳方面非常出色。像 […]
越来越多的生物制药初创公司使用机器学习、数据科学和其他计算方法来寻找新的药物靶点、设计新的治疗方法,并支持他们的测试。