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》。
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》。
公众号/ ScienceAI(ID:Philosophyai) 编辑 | 萝卜皮 机器学习方法,特别是在大型数 […]
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。
设计新型催化剂是解决许多能源和环境挑战的关键。尽管包括机器学习 (ML) 在内的数据科学方法有望加速催化剂的开发,通过机器学习方法很少发现真正新颖的催化剂,因为它最大的局限性是假设无法推断和识别特殊材料。
微观结构分割是一种从显微图像中提取结构统计数据的技术,是在广泛的材料研究领域建立定量结构-性能关系的重要步骤。
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。
最近,大型语言模型 (LLM),尤其是基于 Transformer 的模型在机器学习研究领域发展迅速。这些模型已成功应用于自然语言、代码生成、生物和化学研究等各个领域。
BM 欧洲研究院和苏黎世联邦理工学院的研究人员提出了 Regression Transformer(RT),这是一种将回归抽象为条件序列建模问题的方法。这为多任务语言模型引入了一个新方向——无缝桥接序列回归和条件序列生成。
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」。
RNA 分子上的甲基化修饰,关系到某些蛋白的表达,进而会影响到细胞的状态,对于疾病治疗药物开发具有潜在应用价值。
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。
2020年2月13日,美国外国投资委员会(CFIUS)外国投资审查法案最终规则正式生效。这是对2018年外国投资风险审查现代化法案(FIRRMA)的进一步确定和细节规定的落实。
本文将重点介绍实时或近实时监控机器学习系统的方法。为此,我们不会过多地讨论模型是否生成了正确的答案,因为你通常在很长一段时间内都无法确定这一点。
近日,日本的深度学习公司PerferredNetworks 发布了其超参数优化框架的beta版本。
机器学习虽然能够在很多地方显示出强大的力量,同时也被集成到了很多的商业流程中去,但它依旧有一些不完美的地方,今天我们就通过一些典型的例子来深刻感受一下机器学习的局限性。