IT思维

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。

这就是劳伦斯伯克利国家实验室 (LBNL) 的「材料项目」（Materials Project）所面临的挑战。

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。

法国国家科学研究中心和艾克斯-马赛大学以及荷兰马斯特里赫特大学的研究团队，利用模型比较框架并对比声学、语义（连续和分类）和声音到事件深度神经网络表示模型预测感知声音差异和 7 T 人类听觉皮层功能磁共振成像响应的能力。

作为 HBP 的一部分，法国艾克斯-马赛大学（Aix-Marseille Université，AMU）的研究人员开发了整合患者测量数据的计算大脑建模技术。

通过在阿贡的 Theta 超级计算机上进行的模拟，该团队创建了一个包含 20,000 个结构的数据库，用于氧与掺杂碳化钼的结合能。他们的模拟考虑了几十种掺杂元素和催化剂表面每种掺杂元素的一百多个可能位置。Theta 是阿贡领导计算设施、美国能源部科学用户设施办公室的一部分。

在这里，Meta AI 团队和纽约大学的研究人员展示了，使用大型语言模型从主序列直接推断结构，可以在高分辨率结构预测中实现一个数量级的加速。

Huc 是一种高效的氧不敏感酶，可将大气 H2 的氧化与呼吸电子载体甲萘醌的氢化结合。

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」。

全基因组测序的进步引发了数字生物学的革命。

低温电子断层扫描可捕获有关细胞和组织分子成分的大量结构信息。

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。

人工智能正在改变现代电子产品——加速可弯曲电视屏幕、超轻型革命性太阳能电池等的设计。

自 2022 年 11 月公开发布以来，ChatGPT 引起了全世界的关注，在全球数百万用户面前展示了人工智能的非凡潜力。

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。

人工智能已经将蛋白质工程研究的时间缩短了数年。

高效的化学合成对于满足未来对药物、材料和农用化学品的需求至关重要。

在这里，艾伦图灵研究所、伦敦大学、罗氏制药以及 Genentech 的研究人员，概述了该领域的研究进展，并提出了从具有结构化缺失的数据中学习的一系列重大挑战。

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。

电子能带结构和晶体结构是固态材料的两个相辅相成的标志。

「这是一个漂亮的理论结果。」Aaronson 说，同时强调新算法对于模拟像谷歌这样的真实实验实际上没有用。

让 OpenAI 创建的图像生成系统 DALL·E 2 绘制一幅「金鱼在海滩上啜饮可口可乐」的图画，它会吐出超现实的图像。

机器感知是计算机以类似于人类感知世界的方式接收和处理感官信息的能力。

化合物效力预测是机器学习在药物发现中的一种流行应用，为此使用了越来越复杂的模型。