IT思维

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。

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。

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。

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。

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。

量子计算机理论上可以解决任何经典计算机都无法解决的问题——即使是数十亿年——但前提是它们拥有许多被称为量子比特的组件。

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。

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。

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。

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 […]

形状记忆合金 (SMA) 是固态驱动和热能收集应用的优秀候选材料。

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。

又是一年谷歌 I/O 开发者大会，AI 依旧是绝对的主角。

生物技术行业一直在寻找完美的突变，将不同蛋白质的特性合成组合以达到预期的效果。

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。

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。

公众号/ ScienceAI（ID：Philosophyai） 编辑 | 萝卜皮 藻类在固定碳方面非常出色。像 […]

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。

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。

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。