目录:
使用深度机器学习计算模型完成了 100 万个分子的生物活性信息
基于快速红外成像的人工智能识别肺癌中的肿瘤类型
DNA数据库:一种称为RAMBO的数据检索新方法
推动纳米波:与MXene的基因测序
人工智能如何转换半导体分层技术
图形神经网络的惊人应用
机器学习和计算智能传感器设计
第一个依赖于芯片谷的量子干扰
使用深度机器学习计算模型完成了 100 万个分子的生物活性信息
由 ICREA 研究员 Patrick Aloy 博士领导的结构生物信息学和网络生物学实验室,使用深度机器学习计算模型,并成功模拟预测了100万个分子的生物活性信息。预测新分子的生物活动空间,于药物发现过程至关重要。
论文链接:https://www.nature.com/articles/s41467-021-24150-4
相关报道:https://phys.org/news/2021-06-deep-machine-million-bioactive-molecules.html
基于快速红外成像的人工智能识别肺癌中的肿瘤类型
鲁尔大学与波鸿大学的研究人员,基于红外成像技术与人工智能识别技术,研发出可以快速识别肿瘤细胞的新手段。
论文链接:https://ajp.amjpathol.org/article/S0002-9440(21)00197-8/fulltext
相关报道:https://medicalxpress.com/news/2021-06-fast-ir-imaging-based-ai-tumor.html
DNA数据库:一种称为RAMBO的数据检索新方法
赖斯大学的计算机科学家研发出一种称为「repeated and merged bloom filter」(简称:RAMBO)的高效新算法,用于检索DNA数据库。RAMBO的检索速度是现有方法的35倍。
论文链接:https://dl.acm.org/doi/10.1145/3448016.3457333
相关报道:https://techxplore.com/news/2021-06-dna-databases-method-indexing-weeks.html
推动纳米波:与MXene的基因测序
卡内基梅隆大学的研究人员将一种纳米材料MXene应用于纳米脱氧核糖核酸测序。基于MXene的纳米孔能够高度灵敏度的检测出不同类型的DNA碱基。该技术配合人工智能将大大改善纳米孔检测平台的应用范围。
论文链接:https://pubs.acs.org/doi/10.1021/acsnano.0c09595
相关报道:https://phys.org/news/2021-06-nanopores-genetic-sequencing-mxene.html
人工智能如何转换半导体分层技术
美国能源部阿贡国家实验室的研究人员,公布了多种基于AI的新技术,用于自主优化原子层沉积流程。该技术将在计算机芯片制造、锂电池设计以及新能源领域发挥重要应用价值。
论文链接:https://pubs.acs.org/doi/10.1021/acsami.1c00649
相关报道:https://techxplore.com/news/2021-06-ai-layering-technique-semiconductors.html
图形神经网络的惊人应用
机器学习的预测能力被广泛誉为统计人工智能的顶峰。其中图形神经网络发展迅速,使用广泛,正应用于医疗、军事、计算机等各个领域。
相关报道:https://insidebigdata.com/2021/06/26/the-amazing-applications-of-graph-neural-networks/
机器学习和计算智能传感器设计
美国加州大学洛杉矶分校电气和计算机工程系的研究人员发表综述,讨论了计算传感设计,重点是智能传感器系统设计。科学家通过利用逆向设计和机器学习技术,可以从根本上重新设计数据采集硬件,设计根据用户定义的成本函数、设计约束“锁定”最佳传感数据。这种由机器学习支持的计算传感器,可以培育新的广泛分布的应用程序;这些应用程序将受益于“大数据”分析和物联网,从而创建强大的传感网络,进而影响各个领域。
论文链接:https://www.nature.com/articles/s42256-021-00360-9
第一个依赖于芯片谷的量子干扰
中国科学院(CAS)中国科学技术大学(USTC)郭光灿院士领导的研究小组,与中山大学和浙江大学的研究人员合作,利用谷霍尔效应的谷相关拓扑绝缘体结构,实现了双光子量子干涉 。
论文链接:https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.126.230503
相关报道:https://phys.org/news/2021-06-on-chip-valley-dependent-quantum.html