IT思维

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。

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。

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。

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。

氢是宇宙中最为丰富的元素。从外太空到恒星，再到地球上的许多物质，氢无处不在。

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。

催化剂优化过程通常依赖于化学家基于筛选数据的归纳和定性假设。

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。

科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。

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。

随着机器学习的发展，越来越多的领域都从中获取到了发展的巨大力量。

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。

我们可能已经处在机器学习工具进化的某个阶段，在这个阶段，正规的机器学习教育不再是必要的。

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。

我们更新了 Python 下的各大顶级人工智能与机器学习项目。