-
快多个数量级，清华更高精度、更泛化的深度学习电子结构计算方法登Nature子刊
编辑 | KX两年前，清华大学物理系徐勇、段文晖研究组开发出高效精确的第一性原理电子结构深度学习方法 DeePH，可极大加速电子结构计算。近日，该团队开发了一种准确而有效的实空间重构方法（real-space reconstruction），将 DeepH 方法从原先仅支持原子基组推广至适用于平面波基组，使得 DeepH 方法可与所有密度泛函理论（DFT）程序兼容。而且，该重构方法比传统的基于投影…- 5
- 0
-
用最直观的动画，讲解LLM如何存储事实，3Blue1Brown的这个视频又火了
本文根据视频整理而来，有听错或理解不当之处欢迎在评论区指出。向大模型输入「Michael Jordan plays the sport of _____（迈克尔・乔丹从事的体育运动是……）」，然后让其预测接下来的文本，那么大模型多半能正确预测接下来是「basketball（篮球）」。这说明在其数以亿计的参数中潜藏了有关这个特定个人的相关知识。用户甚至会感觉这些模型记忆了大量事实。但事实究竟如何呢？…- 21
- 0
-
预测蛋白质-DNA结合特异性，南加州大学团队开发几何深度学习新方法
编辑 | 萝卜皮预测蛋白质-DNA 结合特异性是一项具有挑战性但又至关重要的任务，有助于理解基因调控。蛋白质-DNA 复合物通常与选定的 DNA 靶位结合，而蛋白质则以不同程度的结合特异性与广泛的 DNA 序列结合。这些信息无法在单一结构中直接获取。为了获取这些信息，南加州大学（University of Southern California）和华盛顿大学（University of Washi…- 5
- 0
-
百万级原子模拟，从头算精度，北京科学智能研究院提出AI+大尺度电子结构模拟新方法
编辑 | KX在计算材料科学领域，准确高效地模拟材料的电子结构一直是一个非常关键而又极具挑战性的问题。基于密度泛函理论的第一性原理计算方法的高计算需求依然是大尺寸长时间材料模拟所面临的难题。北京科学智能研究院 (AI for Science Institute, Beijing) 提出了一种基于深度学习的高效紧束缚方法，称为 DeePTB，从而高效地表示具有从头算精度的材料电子结构，极大地简化了计…- 21
- 0
-
八问八答搞懂Transformer内部运作原理
七年前，论文《Attention is all you need》提出了 transformer 架构，颠覆了整个深度学习领域。如今，各家大模型都以 transformer 架构为基础，但 transformer 内部运作原理，仍是一个未解之谜。去年，transformer 论文作者之一 Llion Jones 宣布创立人工智能公司 Sakana AI。近期，Sakana AI 发表了一篇题为《T…- 11
- 0
-
Nature子刊，快10倍，基于Transformer的逆向蛋白质序列设计方法
编辑 | 萝卜皮借助深度学习的进步，蛋白质设计和工程正以前所未有的速度发展。然而，目前的模型无法在设计过程中自然地考虑非蛋白质实体。在这里，瑞士洛桑联邦理工学院（EPFL）的研究人员提出了一种完全基于原子坐标和元素名称的几何 transformer 的深度学习方法，该方法可以根据不同分子环境所施加限制的主链支架，预测蛋白质序列。使用该方法，研究人员可以以高成功率生产出高热稳定性、催化活性的酶。这有…- 10
- 0
-
生成394,760种蛋白质表征，哈佛团队开发AI模型，全面理解蛋白质上下文
编辑 | 萝卜皮了解蛋白质功能和开发分子疗法，需要破译蛋白质发挥作用的细胞类型，解析蛋白质之间的相互作用。然而，对跨生物背景蛋白质相互作用进行建模对于现有算法来说仍然具有挑战性。在最新的研究中，哈佛医学院的研究人员开发了 PINNACLE，这是一种生成情境感知蛋白质表征的几何深度学习方法。PINNACLE 利用多器官单细胞图谱，在情境化蛋白质相互作用网络上进行学习，从 24 种组织的 156 种细…- 9
- 0
-
爆火免费书《深入理解深度学习》终于出中文版了
这可能是当今最全面、最新的深度学习概述之一。爆火的深度学习领域，最近又有了热门学习资料。近日，麻省理工出版社的新书《Understanding Deep Learning》（深入理解深度学习）迎来了中文版。这本书一共分为 21 个章节，涵盖了深度学习领域的许多关键概念，包括基本构建、Transformer 架构、图神经网络 GNN、强化学习 RL、扩散模型等等。对于不论是初学者，还是已有工作经验的…- 21
- 0
-
效率高，无需标签，谷歌团队用AI挖掘临床数据，改善基因发现和疾病预测，登Nature子刊
编辑 | ScienceAI现代医疗保健系统会产生大量高维临床数据 (HDCD)，例如肺功能图、光体积变化描记图法 (PPG)、心电图 (ECG) 记录、CT 扫描和 MRI 成像，这些数据无法用单个二进制或连续数字来概括。了解我们的基因组与 HDCD 之间的联系不仅可以提高我们对疾病的了解，而且对于疾病治疗的发展也至关重要。近日，Google Research 的基因组学团队在利用 HDCD 表…- 6
- 0
-
AlphaFold 3 向解码分子行为和生物计算迈出重要一步，Nature 子刊锐评
编辑 | KX如果我们完全了解分子之间是如何相互作用的，那么生物学就没什么可学的了，因为每一种生物现象，包括我们如何感知世界，最终都源于细胞内生物分子的行为和相互作用。最近推出的 AlphaFold 3 可以直接从蛋白质、核酸及其配体的序列中预测生物分子复合物的 3D 结构。这标志着我们在长期探索生物分子如何相互作用方面取得了重大进展。AlphaFold 3 代表了直接从复合物序列预测其三维结构的…- 5
- 0
-
微软发布首个大气AI底子模型Aurora
编辑 | ScienceAI2023 年 11 月，风波「夏兰」（Ciarán）袭击欧洲西北部，造成严重破坏。与风波 Ciarán 相关的低压系统为英格兰创下了新纪录，这是一次极为罕见的气象事件。那场风波的强度让许多人措手不及，暴露了当前气象预告模型的局限性，并突显出面对气候变化需要更正确的猜测。当大家努力应对后果时，一个紧迫的问题出现了：我们如何才能更好地猜测和准备应对这种极端气象事件？最近的一…- 7
- 0
-
效果超AlphaFold系列，量子估计方式用于蛋白质布局预计
编辑 | 白菜叶虽然 AlphaFold 等深度学习方式在估计机蛋白质布局预计领域取得了不错的成绩，但该领域的研讨仍然是生物医学研讨中一个具有挑战性的题目。随着量子估计的快速发展，人们自然会问：量子估计机是否能为办理这一题目提供一些帮助。然而，确定适合量子优势的特定题目实例，以及评估所需的量子资源同样具有挑战性。在这里，克利夫兰诊所（Cleveland Clinic）和 IBM Quantum 的…- 6
- 0
-
保真度高达~98%，广工大「AI+光学」研究登Nature子刊，深度学习赋能非正交收复用
编辑 | X通道之间的正交性在收复用中扮演着关键的角色。它确保了不同通道之间的信号不会相互干扰，从而实行了高效的数据传输。因此，收复用系统可以同时传输多个通道的数据，提高了光纤的利用率。然而，它不可避免地施加了复用容量的上限。在此，广东工业大学通感融合光子技术教育部重点实验室开发一种基于深度神经网络的多模光纤（MMF）上的非正交收复用，称为散斑光场检索网络（Speckle light field …- 5
- 0
-
可发现药物靶点，哈佛等机构开发了一种对蛋白建模的深度学习要领
编辑 | 萝卜皮翻译延长对于维持细胞蛋白质稳态至关重要，并且翻译景观的改变与一系列疾病相关。核糖体阐发可以在基因组规模上详细测量翻译。然而，目前尚不清楚如何从这些数据中的技术产物中分离出生物变异，并辨认翻译失调的序列决定因素。在最新的钻研中，中国科学院、哈佛大学（Harvard University）、斯坦福大学（Stanford University）、约翰霍普金斯大学（Johns Hopkin…- 5
- 0
-
ICLR 2024 Spotlight｜厦门大学、Intel、大疆联合出品，从网络视频中学习零样本图象立室大模型
图象立室是计算机视觉的一项基础义务，其目标在于估计两张图象之间的像素对应关系。图象立室是众多视觉应用如三维重修、视觉定位和神经渲染 (neural rendering) 等的基础和前置步骤，其精确度和效率对于后续处理十分重要。传统算法（SIFT）在面临长基线或极端天气等复杂场景时，其立室的准确度和密度往往有限。为了解决这些问题，近年来，基于深度学习的立室模型逐渐流行。然而，由于缺乏大规模且多样化的…- 8
- 0
-
超越AF2？Iambic、英伟达、加州理工学院开发多标准深度生成模型，进行状态特异性蛋白质-配体复合物构造展望
编辑 | 萝卜皮由蛋白质和小份子配体形成的分离复合物无处不在，对生命至关重要。虽然最近科学家在蛋白质构造展望方面取得了进展，但现有算法无法系统地展望分离配体构造及其对蛋白质折叠的调节作用。为了解决这种差异，AI 制药公司 Iambic Therapeutics、英伟达（Nvidia Corporation）以及加州理工学院（California Institute of Technology）的研…- 15
- 0
-
西南交大杨燕/江永全团队：鉴于双工作的端到端图至序列无模板反响猜测模型
排版 | X本文介绍西南交通大学杨燕/江永全团队发表于《Applied Intelligence》的研究成果，第一作家是硕士生胡昊哲。论文链接：：(Graph-to-Sequence)模型框架为基础，进一步在同参数量规模下尝试建立一类在单个模型中同时解决逆分解猜测与正向反响猜测工作的模型 BiG2S(Bidirectional Graph-to-Sequence)。同时，作家初步分析了模型在支流逆…- 6
- 0
-
上海交大团队利用深度学习进行疏通评价，促进脑瘫晚期筛查
编辑 | 白菜叶Prechtl 全身疏通评价 (GMA) 因其在评价神经系统发育完整性和预测疏通功能障碍方面的作用而日益得到认可，特别是在脑瘫 (CP) 等疾病中。然而，对训练有素的专业人员的需求，阻碍了一些国家采用 GMA 作为晚期筛查工具。在最新的研讨中，上海交通大学的研讨人员提出了一种鉴于深度学习的疏通评价模型（MAM），该模型结合了婴儿视频和基本特征，旨在在烦躁疏通（FM）阶段实现 GMA…- 7
- 0
-
分类性能提高 10%，港中大利用大型蛋白质言语模型发现未知信号肽
编辑 | 萝卜皮信号肽 (SP) 对于跨膜和分泌蛋白靶向并将其转移到正确位置至关重要。许多现有的展望 SP 的计算工具忽视了极端的数据不平衡问题，而依赖于蛋白质的额外组信息。香港中文大学的研讨职员开发了无偏生物体不可知信号肽网络（Unbiased Organism-agnostic Signal Peptide Network，USPNet），一种 SP 分类和切割位点展望深度学习法子。大量的实验…- 7
- 0
-
浙大开发DeepSorption：晶态多孔材料吸附性能深度学习框架
编辑 | 紫萝空间转录组学 (ST) 手艺可检测单个细胞中的 mRNA 表达，同时保留其二维 (2D) 空间坐标，使钻研职员能够钻研转录组在构造中的空间分布；然而，对多个 ST 切片进行联合阐明并将它们对齐以建立构造的三维 (3D) 堆栈仍然是一个挑战。近日，来自中国科学手艺大学、合肥综合性国家科学中心和北京生命科学钻研所（NIBS）的钻研团队，提出了用于 ST 数据阐明的深度学习空间架构表征 (…- 4
- 0
-
OpenAI同意从一家首创公司购买5100万美元的类脑芯片，CEO Altman是它的股东
机器之能报道编辑：大盘鸡、吴昕据连线杂志报道，OpenAI 签署过一份意向书，斥资 5100 万美元购买首创公司 Rain 开发的类脑芯片。OpenAI CEO Sam Altman 此前曾对这家首创芯片公司进行过个人投资， 拥有股份。Rain 的总部距离 OpenAI 旧金山总部不到一英里，正在开发一种名为神经形态处理单元 (NPU) 的芯片，拥有不同的芯片架构——结构和功能上高度模拟人脑计算原…- 5
- 0
扫码打开当前页
-
￥优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×