目录：
Nature 封面：超越联邦学习，群学习用于医疗诊断可以更好保护隐私德国波恩大学研究人员联合惠普公司以及来自多国的多家研究机构，共同开发了一种将边缘计算、基于区块链的对等网络结合起来的分散式人工智能方法——「Swarm Learning」，可以从分散存储的数据中检测出多种疾病，有助于加速全球范围内的精准医疗协作。
Swarm learning 的框架论文链接：https://www.nature.com/articles/s41586-021-03583-3
相关报道：ScienceAI
DNA电路可能是医学的未来，DNAr软件将使我们更快地到达那里
由合成DNA制成的生物电路具有极其广泛和重要的医学应用。UFMS研究团队最初创建了一个 DNAr软件程序，最近他们为该程序开发了软件扩展—— DNAr-Logic ，它允许科学家在高层次上描述他们想要的电路。使用 DNAr-Logic 设计出的合成生物电路，能够产生多达600种不同的反应。该团队计划继续开发新的扩展来扩展 DNAr 软件。相关报道：https://spectrum.ieee.org/tech-talk/computing/hardware/dna-based-circuits-future-of-medicine-this-software-program-gets-us-there-faster杜克大学的工程师们展示了一台原型X射线扫描机，它不仅能显示物体的形状，还能显示其分子成分。该技术具有前所未有的分辨率和准确性，可以彻底改变癌症手术、病理学、药物检查和地质学等领域。
由X射线扇形光束编码孔径成像系统扫描的包装NyQuil药丸 论文链接：https://www.nature.com/articles/s41598-021-90163-0
相关报道：https://www.eurekalert.org/pub_releases/2021-06/du-xss060921.php
波士顿大学和德克萨斯大学奥斯汀分校研究团队使用复杂的大脑计算机模型（Bilex），可以预测能同时会流利英语和西班牙语的西班牙裔中风患者的语言恢复。这一突破可能会改变语言治疗领域和受失语症影响的中风幸存者的游戏规则。
BiLex 模型论文链接：https://www.nature.com/articles/s41598-021-89443-6
相关报道：https://medicalxpress.com/news/2021-06-simulations-brain-language-recovery-survivors.html
Cellarity：迅速崛起的生物技术初创公司，基于细胞行为的计算建模改变药物开发Cellarity成立于2017年。与传统的以靶标为中心的药物发现方法不同，Cellarity 在细胞水平上研究，通过靶点不可知方法来了解疾病如何影响细胞行为，该方法可以帮助阐明科学尚未破解的复杂的疾病。Cellarity平台利用网络生物学、高分辨率数据和机器学习方面的独特专业知识，产生了前所未有的生物学见解。相关报道：https://www.biospace.com/article/cellarity-transforming-drug-development-at-the-confluence-of-biology-and-machine-learning/
多伦多大学、卡尔斯鲁厄理工学院和奥斯特大学的研究人员的一篇综述，介绍了如何使用机器学习帮助解决材料科学中的开放性问题和促进完全计算材料设计的可能性。AI和机器学习方法可将材料科学的模拟提升到一个新水平。
神经网络可实现材料科学中的精确模拟——单个原子的水平论文链接：https://www.nature.com/articles/s41563-020-0777-6
相关报道：https://phys.org/news/2021-06-machine-simulations-material-science.html
有机太阳能电池的能量转换效率 (PCE) 需要对材料和工艺参数进行预测设计。德克萨斯大学奥斯汀分校的研究人员使用所谓的「基于物理的机器学习」。研究结合了粗粒度模拟（使用代表有机材料的近似分子模型）和机器学习。用于模拟典型体异质结太阳能电池活性层的溶剂蒸发和热退火。
有机光伏体异质结结构的架构及设计范围 论文链接：https://ieeexplore.ieee.org/document/9403884
相关报道：https://techxplore.com/news/2021-06-physics-informed-machine-solar-cell-production.html
Google AI 负责人 Jeff Dean 在内的研究者描述了一种基于 AI 的芯片设计方法，该方法可以从过往经验中学习并随时间推移不断改进，从而能够更好地生成不可见（unseen）组件的架构。据他们表示，这种基于 AI 的方法平均可以在 6 小时内完成设计，这要比人类专家所需要的数周时间快得多。
策略网络和价值网络体系架构相关报道：https://mp.weixin.qq.com/s/hAQVi5C0Z2P15mjya348Rw
人们把具备与人类同等智慧、或超越人类的人工智能称为通用人工智能（AGI）。这种系统被认为可以执行人类能够执行的任何智能任务，它是人工智能领域主要研究目标之一。强化学习大佬 David Silver、Richard Sutton 等人提出将智能及其相关能力（知识、学习、感知、社交智能、语言、泛化能力和模仿能力）理解为促进奖励最大化。强化学习将促进通用人工智能的发展。论文链接：https://www.sciencedirect.com/science/article/pii/S0004370221000862
相关报道：https://mp.weixin.qq.com/s/XTNyLjZ9KfdtHY4Omb9_4w
Facebook 在寻找一个可以打败「世界上最难游戏」的AINetHack 挑战赛是 NeurIPS 2021 的一项竞赛，参赛队伍将通过 NetHack 学习环境(NetHack Learning Environment, NLE) 竞争构建最佳代理来玩 NetHack 游戏。Facebook 邀请研究人员设计、训练和发布能够「开发能够可靠地击败游戏或尽可能获得高分数的代理」人工智能系统。Facebook 希望这不仅能将 NLE展示为一个可行的强化学习系统，还能实现一系列基于神经和符号方法的潜在AI/ML 解决方案。比赛从本月持续到10月15日，优胜者将于12月在NeurIPS宣布。相关报道：https://www.engadget.com/facebook-wants-an-ai-that-can-pwn-the-hardest-game-in-the-world-100041653.html
