机器学习
牛津大学团队使用机器学习方法，来弥合量子设备的现实差距
编辑 | 萝卜皮现实与模拟之间的差异阻碍了固态量子器件的优化和可扩展性。由不可预测的材料缺陷分布引起的无序是造成现实差距的主要原因之一。牛津大学的研究团队使用物理感知机器学习来弥补这一差距，特别是使用结合物理模型、深度学习、高斯随机场和贝叶斯推理的方法。这种方法使科学家能够从电子传输数据推断纳米级电子设备的无序潜力。通过验证算法对 AlGaAs/GaAs 中横向定义的量子点器件所需的栅极电压值的预测来验证这一推论，从而产生与双量子点体系相对应的电流特征。该研究以「Bridging the Reality Gap i
登Science，速度和准确性均超越人类化学家，且具独创性，AI自主化学合成机器人加速化学发现
编辑 | X最近，在光化学和光催化方面的研究出现了惊人的爆发，部分原因在于光作为反应源对环境无害。然而，许多研究展示的是小规模反应，而扩大规模依赖于不同技术的拼凑，可能需要大量的试验和错误来优化。针对复杂光催化反应条件高效优化的需求，荷兰阿姆斯特丹大学 (UvA) 范特霍夫（Van 't Hoff）分子科学研究所的 Timothy Noël 教授团队，开发了一种集成人工智能驱动机器学习单元的自主化学合成机器人。这款台式设备被称为「RoboChem」，在速度和准确性方面都超过了人类化学家，同时还表现出高水平的独创性。
可实现稳定且大的信号响应变化，吉林大学团队开发了一种差分钙钛矿半球形光电探测器
编辑 | 萝卜皮具有智能功能的先进光电探测器，有望在未来技术中发挥重要作用。然而，在有限数量的像素内完成复杂的检测任务仍然具有挑战性。吉林大学的研究团队报告了一种差分钙钛矿半球形光电探测器，用作智能成像和位置跟踪的智能定位器。钙钛矿半球形光电探测器具有高外量子效率（~1000%）和低噪声（10^−13 A Hz^−0.5），可实现稳定且大的信号响应变化。通过计算机算法分析仅 8 个像素的差分光响应，可以在低成本、无透镜的设备几何结构中实现彩色成像的能力和 4.7 nm 的计算光谱分辨率。通过机器学习模拟不同施加偏置
罗氏制药和GRCEH团队开发可解释机器学习方法，用于分析治疗性抗体的免疫突触和功能表征
编辑 | 萝卜皮治疗性抗体广泛用于治疗严重疾病。它们中的大多数会改变免疫细胞并在免疫突触内发挥作用。指导体液免疫反应的重要细胞间相互作用。尽管生成并评估了许多抗体设计，但缺乏用于系统抗体表征和功能预测的高通量工具。德国环境健康研究中心（German Research Center for Environmental Health）和罗氏制药（Roche）的研究团队，开发了一个全面的开源框架 scifAI（单细胞成像流式细胞术 AI），用于对成像流式细胞术 (IFC) 数据进行预处理、特征工程和可解释的预测机器学习。
Nature 子刊 | 化学家和机器人都可以读懂，用于机器人合成可重复性的通用化学编程语言
编辑 | X有关化学合成的文献数量快速增长；然而，实验室之间共享和评估新流程需要很长时间。在此，来自加拿大不列颠哥伦比亚大学（UBC）和英国格拉斯哥大学的研究团队，提出了一种方法，使用通用化学编程语言（χDL）在两个实验室的四种不同硬件系统上编码和执行各种化学反应的合成程序，包括还原胺化、成环、酯化、碳-碳键形成和酰胺偶联。每个反应大约有 50 行代码，所提方法使用抽象来有效地压缩化学协议。不同的机器人平台始终如一地产生预期的合成，每步产量高达 90%，从而实现更快、更安全的研究工作流程，可以通过数量增加而不是规模
描述液体和软物质的AI方法，开启密度泛函理论新篇章
编辑 | 白菜叶拜罗伊特大学（Universität Bayreuth）的科学家开发了一种利用人工智能研究液体和软物质的新方法，开启了密度泛函理论的新篇章。我们生活在一个高度技术化的世界，在这个密集而复杂的相互关联的网络中，基础研究是创新发展的引擎。这里的新方法，可以对广泛的模拟技术产生巨大影响，从而可以在计算机上更快、更精确、更深入地研究复杂物质。将来，这可能会对产品和工艺设计产生影响。新制定的神经数学关系可以很好地表示液体的结构，这一事实是一项重大突破，为获得深入的物理见解开辟了一系列可能性。「在这项研究中，我
成功率提高四倍，东大、浙师大提出材料合成通用框架，整合 AI、高通量实验和化学先验知识
编辑 | X在过去几年中，数据驱动的机器学习 (ML) 技术已成为设计和发现先进材料的强大工具。然而，由于需要考虑前体、实验条件和反应物的可用性，材料合成通常比性质和结构预测复杂得多，并且很少有计算预测能在实验中实现。为了解决这些挑战，来自东南大学和浙江师范大学的研究团队，提出了一个集成高通量实验、化学先验知识以及子群发现（subgroup discovery）和支持向量机等机器学习技术的通用框架来指导材料的实验合成，能够揭示隐藏在高通量实验中的结构-性质关系，并从广阔的化学空间中快速筛选出具有高合成可行性的材料。
以前所未有的精度，预测超重核的衰变模式和半衰期，中山大学团队开发 AI 新方法
编辑 | 白菜叶有关超重区域核素衰变过程的信息对于研究118号元素 Oganesson 和「稳定岛」之外的新元素至关重要。中山大学的研究人员在理解超重核衰变过程方面取得了重大突破。他们提出了应用随机森林算法来研究超重区域不同衰变模式之间的竞争，包括 α 衰变、β-衰变、β 衰变、电子俘获和自发裂变。观察到的半衰期和主要衰变模式得到了很好的再现。该研究以「Random forest-based prediction of decay modes and half-lives of superheavy nuclei」
基于ML的运动跟踪：揭示了致病细菌在组织细胞中运动的关系
编辑 | 萝卜皮细菌运动性通常是致病菌的关键毒力因素。研究细菌运动性的常用方法是荧光标记，它可以检测群体或宿主组织中的单个细菌细胞。然而，荧光标记的使用可能会受到蛋白质表达稳定性和/或细菌生理学干扰的阻碍。日本东北大学（Tohoku University）的研究人员将机器学习应用于显微图像分析，以对培养的动物细胞上的人畜共患细菌问号钩端螺旋体进行无标记运动跟踪。该团队使用从人类患者或动物身上分离出的各种钩端螺旋体菌株，以及突变菌株。与严重疾病相关的菌株和缺乏外膜蛋白（OMP）的突变菌株往往表现出快速的移动性和对培养
AI揭示微生物暗蛋白：使用机器学习来发现微生物蛋白质宇宙中的功能性「暗物质」
编辑 | 白菜叶宏基因组学项目揭示了地球生物圈中超过 80 亿个非冗余微生物蛋白质序列。其中，11.7 亿种蛋白质在超过 100,000 个可用参考基因组中没有可识别的同源物。了解这些微生物蛋白质的功能是一项艰巨的任务。幸运的是，机器学习最近在复杂生物数据建模和预测方面取得了前所未有的准确性。这些进步的最前沿是基于机器学习的方法，可以自信地预测许多（但不是全部）氨基酸序列的原子级蛋白质结构。最近的一项研究使用 ESMFold 预测器，该预测器利用大型语言模型，从欧洲生物信息学研究所的 MGnify 宏基因组数据库快
可直接比较潜在新药的性能，杜克大学团队开发新的药物AI模型
编辑 | 白菜叶目前的分子机器学习模型往往将单个分子作为输入，来预测其生物、化学或物理特性。然而，此类算法需要大型数据集，并且尚未针对预测分子之间的性质差异进行优化，限制了它们从较小数据集学习的能力，也限制了直接比较两个分子预期性质的能力。杜克大学（Duke University）的研究人员开发了 DeepDelta，这是一种成对深度学习方法，可以同时处理两个分子，并学习从小数据集中预测两个分子之间的属性差异。在 10 个 ADMET 基准任务中，DeepDelta 方法显著优于两种已建立的分子机器学习算法：定向消
某「新化合物」90年前就有了？伦敦大学学院教授对DeepMind参与的「A-Lab」提出质疑
编辑 | 紫罗上周，Google DeepMind 和加州大学伯克利分校的一组研究人员在《Nature》杂志上发表了一篇备受期待的论文，提出了一个「自主实验室」——A-Lab，旨在利用 AI 和机器人技术加速新材料的发现和合成。被称为「自动驾驶实验室」的 A-Lab 展示了一个雄心勃勃的愿景，即当配备计算建模、机器学习、自动化和自然语言处理方面的最新技术时，人工智能驱动的系统可以在科学研究中实现什么目标。A-Lab 如何工作。（来源：UC Berkeley/Nature）然而，在发表后的几天内，人们开始对论文中提出
发现38万种新材料、17天自主合成41种新化合物，DeepMind一日两篇论文登上Nature
编辑 | 萝卜皮从计算机芯片、电池到太阳能电池板等现代技术都依赖于无机晶体。开发这些新技术，所需的晶体必须稳定，否则材料就会分解，而每个新的、稳定的晶体背后可能需要研究人员数月或者更久的艰苦实验。Google DeepMind 材料团队分享了 220 万颗新晶体的发现，相当于近 800 年的知识。该团队推出了新的深度学习工具，用于材料探索的图网络 (GNoME)，可通过预测新材料的稳定性来显著提高发现的速度和效率。论文链接： GNoME，科学家可以使人类已知的技术上可行的材料数量成倍增加。在其 220 万个预测中，
稳健且准确，AlphaFold 结合两种 AI 方法，实现蛋白质化学位移自动分配
编辑 | 绿萝化学位移分配对于基于核磁共振 (NMR) 的蛋白质结构、动力学和相互作用研究至关重要，可提供重要的原子级见解。然而，获得化学位移分配是劳动密集型的并且需要大量的测量时间。为了解决这一限制，苏黎世联邦理工学院（ETH Zurich）的研究人员之前提出了 ARTINA——一种用于自动分配二维 (2D)–4D NMR 谱的深度学习方法。近日，研究人员提出了一种将 ARTINA 与 AlphaFold 和 UCBShift 相结合的综合方法，能够减少实验数据、提高准确性并增强大型系统的稳健性，从而实现化学位移
面对人工智能和深度学习，设计师到底要如何自处？
一键生成广告、插画、布局、视觉稿，这样的技术和产品在某种意义上几乎已经在我们眼前了。
建立一个真正称得上是拥有智能的系统，针对特定受众的需求来生成素材，理解人类的情感和语义中的潜台词，明白行为的概念和美的意义，这仍然还太远。
不过，建立一个专门的深度学习系统，自动化的设计流程，能够让设计师从一部分完全手动的工作中解放出来，这是完全可行的。
实际上已经有很多新兴的设计素材和设计工具在做这个事情了。
比如下面这些以深度学习为驱动力的创新的、自动化设计工具：
Colormind.ioColormind 致力于让色彩理论真