噪声
原子、分子、复合物级性质预测均最佳，清华分子预训练框架登Nature子刊
编辑 | KXAI 已广泛用于药物发现和材料设计中的分子筛选。当前的自监督分子预训练方法往往忽略了分子的基本化学特性和物理原理。为了解决这个问题，来自清华大学的研究人员提出了一种称为分数去噪（Fractional denoising，Frad）的分子预训练框架，以学习有效的分子表示。通过这种方式，噪声变得可自定义，允许纳入化学先验，从而大大改善分子分布建模。实验表明，Frad 始终优于现有方法，在力预测、量子化学特性和结合亲和力任务中，取得最先进的结果。改进的噪声设计提高了力准确性和采样覆盖范围，这有助于创建物理一
能耗降低93.3%，复旦、港大团队开发受大脑启发的动态神经网络，实现超强2D、3D视觉
编辑 | 萝卜皮大脑运算是动态的、具有联想能力的、高效的。它通过将输入与过去的经验联系起来，将记忆和处理融合在一起，从而进行重新配置。相比之下，人工智能模型是静态的，无法将输入与过去的经验联系起来，并且在具有物理分离的记忆和处理的数字计算机上运行。复旦大学、香港大学、中国科学院等机构组成的联合团队提出了一种软硬件协同设计方案，即使用忆阻器的基于语义记忆的动态神经网络。该网络将传入的数据与存储为语义向量的过去经验相关联。网络和语义存储器分别在基于抗噪三元忆阻器的内存计算 (CIM) 和内容可寻址存储器 (CAM) 电
ICLR 2024 Spotlight | NoiseDiffusion: 矫正扩散模型噪声，提高插值图片质量
作者 | Pengfei Zheng单位 | USTC, HKBU TMLR Group最近生成式AI的迅猛发展为文本到图像生成、视频生成等令人瞩目的领域注入了强大的动力，这些技术的核心在于扩散模型的应用。扩散模型首先通过定义一个不断加噪声的前向过程来将图片逐步变为高斯噪声，再通过逆向过程将高斯噪声逐步去噪变为清晰图片以得到采样。其中扩散常微分模型可以被用于生成的图片的插值，这在生成视频以及一些广告创意上有着极大的应用潜力。然而，我们注意到，当这种方法应用于自然图片时，插值出的图片效果往往不尽如人意。通常情况下，扩
噪声总是有害吗？西工大李学龙教授提出基于任务熵的数学分析框架
李学龙教授在 IEEE 期刊上在线发表 “正激励噪声”《Positive-Incentive Noise》。
- 1