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。
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。
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。
最近,一位粒子物理学家谈论他将计算推向了一个新的精度高度。他的工具?一个 1980 年代的计算机程序,称为 FORM。
偶极扩散函数 (DSF) 工程重塑了显微镜的图像,可以最大限度地提高测量偶极状发射器 3D 方向的灵敏度。
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。
Alex Wiltschko 十几岁时就开始收集香水。他的第一瓶是 Azzaro Pour Homme,这是他在 T.J. Maxx百货的货架上发现的一款永恒的古龙水。他从《Perfumes: The Guide》中认出了这个名字,这本书对香气的诗意描述引发了他的痴迷。着迷了,他把零用钱存起来从而收藏更多。「我最终完全『陷入了兔子洞』。」他说。
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。