net
快1000倍，十万分之一误差，深度学习模型降低核聚变等离子体预测计算成本
编辑 | 2049在聚变能源研究领域，等离子体动力学模拟扮演着关键角色。 然而，非线性 Fokker-Planck-Landau（FPL）碰撞算子的计算成本极高，尤其在全托卡马克体积建模中，其计算时间随等离子体粒子种类数量 n 呈 O(n²) 增长，严重制约了模拟效率。 为突破这一瓶颈，来自蔚山国立科学技术院（UNIST）的研究人员开发了一种全新的深度学习框架——FPL-net，利用人工智能技术加速求解这一复杂问题。
仅几秒，准确推断蛋白动力学信息，山大、北理工等AI模型RMSF-net登Nature子刊
编辑 | KX蛋白质的动力学对于理解其机制至关重要。然而，通过计算预测蛋白质动学信息具有挑战性。在此，来自山东大学、百图生科（BioMap）、北京理工大学、湖北医药学院、宁夏医科大学和阿卜杜拉国王科技大学（KAUST）的研究团队，提出了一个神经网络模型 RMSF-net，其优于以前的方法，并在大规模蛋白质动力学数据集中产生最佳结果；该模型可以在几秒钟内准确推断出蛋白质的动力学信息。通过从实验蛋白质结构数据和低温电子显微镜 (cryo-EM) 数据集成中有效地学习，该方法能够准确识别低温电子显微镜图和 PDB 模型之
- 1