人工智能可以帮助复制有可能被历史遗忘的气味
有些气味有永远消失的危险。 人工智能可以复制它们吗？ 布利克温克尔/阿拉米 人工智能可以根据化学成分制定配方来重新创造香水。 有一天，它可以使用一个单独的样本来重现可能会丢失的稀有气味，例如来自特定文化仪式的熏香或森林的气味 由于温度升高而变化。 伊德尔方索·诺盖拉 挪威科技大学的博士和他的同事介绍了两种现有的香水，并按气味家族（通常用于描述香水的“辛辣”或“麝香”等主观词）和所谓的“气味值”（一种衡量标准）对它们进行分类。某种气味的强烈程度。 例如，其中一款香水的“香豆素”气味值最高，这是一个香味家族 类似于 香草。 另一种在“酒精”气味家族中获得最高的气味值。 为了训练神经网络，研究人员使用了与特定香调相关的已知分子数据库。 人工智能学会生成一系列与样本香水的每个气味家族的气味评分相匹配的分子。 但仅仅产生这些分子并不足以重现目标香味，诺盖拉说，因为我们感知气味的方式受到分子与空气或皮肤相互作用时所经历的物理和化学过程的影响。 喷洒后，香水的“前调”最为明显，但几分钟内就会随着分子蒸发而消失，留下的“基调”可能会持续数天。 为了解决这个问题，该团队选择了人工智能生成的分子，这些分子在与原始香水中相似的条件下蒸发。 最后，他们再次使用人工智能来最大限度地减少原始混合物和人工智能生成的混合物的气味值之间的任何不匹配。 他们的其中一种香水的最终配方在“香豆素”和“尖锐”香调方面显示出微小的偏差，而另一种似乎是非常精确的复制品。 预测化学品的气味是 出了名的困难，因此研究人员在训练数据中使用了有限数量的分子。 但诺盖拉说，如果数据库扩大到包含更多、更复杂的分子，这个过程可能会更加精确。 他建议人工智能可以帮助香水行业创造配方，生产出更便宜、更可持续的香水版本。 目前，专家估计正在开发一种新香水 传统技术 可能需要长达三年的时间，每公斤的成本高达 50,000 美元。 理查德·格金 在亚利桑那州立大学和 奥斯莫一家旨在教计算机如何像人工智能处理图像一样产生气味的初创公司表示，将人工智能与物理和化学相结合是这种方法的优势，因为它解释了经常被忽视的微妙之处，例如气味如何蒸发。 但他说，这个过程的有效性仍然需要通过人体研究来证实。 诺盖里亚和他的同事们已经快要实现这一目标了。 几周后，他将前往斯洛文尼亚卢布尔雅那的同事实验室，亲自体验一些人工智能生成的香水。 “我很高兴能闻到它们的味道，”他说。 主题： 1709386908 #人工智能可以帮助复制有可能被历史遗忘的气味 2024-03-01 20:00:56
人工智能设法预测等离子体不稳定性
美国研究人员开发了人工智能来预测核聚变反应过程中等离子体的不稳定性。 人工智能可以比人类更快地调整反应以稳定等离子体。 这 核聚变核聚变可以在未来为人类提供 能源 干净而且几乎无限。 至少如果研究人员设法解决某些主要障碍的话。 一切都发生在里面 托卡马克反应堆其在极高温度下使用等离子体运行（超过 1 亿 摄氏度摄氏度），包含于 磁场磁场。 不稳定性 可以在等离子体内产生，从而结束反应。 研究人员来自 普林斯顿大学 使用人工智能来尝试解决特定类型的不稳定性，这种不稳定性会破坏磁场并导致等离子体逸出。 他们在期刊上发表了他们的结果 自然。 AI已经在实际情况中进行了测试 研究人员使用神经网络来训练强化学习算法，仅依赖于之前实验的数据。 该模型能够提前 300 毫秒预测不稳定性，然后调整运行参数以恢复平衡。 在模拟中，研究人员能够引导模型，包括在模型试图过快做出改变时使其平静下来。 研究人员能够在 DIII-D 托卡马克的聚变实验中在真实情况下测试人工智能。 他们还需要做更多的实验，以获得足够的数据来证明人工智能在不同情况下的工作原理。 下一步将是扩展模型的功能，以考虑其他类型的不稳定性，并使其适用于其他托卡马克。 1709136560 #人工智能设法预测等离子体不稳定性 2024-02-28 15:45:53
用于预测海平面高度的改进麻雀搜索算法和 >-BiLSTM 神经网络
全球变暖背景下，海平面上升已成为全球重大环境问题，全球和区域海平面变化研究是国内外海洋科学的热点话题。 对现代气候变化的直接观察表明，全球气候系统无疑正在变暖。 由于全球变暖导致海洋热量膨胀和冰川物质流失，海平面持续上升1。 全球海平面上升将增加低洼沿海城市人口和生态系统的脆弱性，这些城市经常受到洪水、潮汐和盐水入侵等自然灾害的影响。 为积极应对气候变化背景下海平面上升对沿海地区的社会经济影响，各国需要有能力对海平面上升趋势做出合理预测。 人工神经网络（ANN）可以非常有效地学习和捕捉海平面变化的趋势。 作为数据驱动的模型，人工神经网络可以通过重复训练建立输入和输出之间的关系。 而且数据量越大，训练效果就越好。 因此，许多学者将人工神经网络应用于海平面预测。 罗斯克2 首次将神经网络应用于德国北海沿岸的海平面预测，为海平面预测领域提供了新的思维方式。 此后，神经网络被相关研究人员广泛应用于海洋预测中。 例如，O. Mackarynskyy 等人。3 使用神经网络来预测西澳大利亚希拉里斯船港验潮仪测量的每小时海平面变化； 还测量了半日、一日、五日和十日平均海平面。 黄等人。4 开发了用于预测沿海入海口水位的区域水位神经网络，并利用一定距离内 NOAA 站的一系列水位成功预测了沿海入海口当地站的水位。 卡里米等人。5 利用自适应神经模糊推理系统（ANFIS）模型、人工神经网络（ANN）模型和自回归移动平均（ARMA）模型对达尔文港验潮仪的海平面数据系列进行预测和比较。 实验结果表明ANFIS模型和ANN模型的预测效果相似且优于ARMA模型。 穆斯林等人。6 利用ANFIS和多层感知器神经网络（MLP-ANN）两种神经网络探索不同气象参数对不同时期海平面上升预测的影响，发现ANFIS模型比MLP-ANN具有更好的预测性能模型。 吉尤等人。7 使用多元回归方法和多层感知器来预测法国布列塔尼西部的区域海平面。 马卡琳斯卡等人。8 利用前馈神经网络预测海平面并与实际值进行比较； 作者得出的结论是，论文中的方法可以用于通过评价指标来预测海平面。 尼维斯等人。9 使用高斯过程和循环神经网络来预测不同时间尺度上区域位置的沿海海平面变化。 人工神经网络也已应用于风暴潮预报10,11,12。 采用最小二乘估计（LSE）模型、多元线性回归（MLR）模型和多个单一神经网络来预测日平均海平面高度13。 其他学者利用神经网络模型构建海洋温度异常预测14,15。 上述所有研究都使用单个神经网络模型来进行预测。 然而，每个模型都不是完美的，并且有其自身的局限性。 随着相关研究的深入，很多人将其他方法与神经网络，或者多种神经网络相结合，形成混合模型进行预测。 这样就可以同时发挥各种神经网络的优点。 傅里叶变换和小波变换是最广泛使用的信号数据去噪方法16。 王等人。17 号 提出了一种结合小波分解和自适应神经模糊推理系统（ANFIS）的方法来构建能够预测多小时海平面的混合模型。 2007年，研究人员将谐波与BP神经网络相结合来预测潮汐18。 韩等人。19 通过将 > 和门控循环单元（GRU）与频率分析相结合来预测海表温度，还有人在海洋预测中使用了将 > 模型与长短期记忆（LSTM）模型相结合的网络模型20,21。 混合模型可以结合多种模型的优点，因此预测能力大大提高。 但无论是采用单一模型还是混合模型，模型中涉及的很多参数都需要通过经验或者试错来确定，这就增加了主观因素。 因此，一些研究人员将注意力转向优化算法，这些算法可以单独使用，也可以优化传统方法的参数并获得更合理的参数设置，大大提高模型的预测性能。 最广泛使用的优化算法是遗传算法（GA）和粒子群优化（PSO）。 […]
当人工智能开始自我训练时，事情变得很奇怪
更新于 2024 年 2 月 16 日东部时间上午 11:52 ChatGPT 于 2022 年秋季爆发，引发了一场对更先进人工智能的竞赛：GPT-4、Anthropic 的 Claude、Google Gemini 等等。 就在昨天，OpenAI 推出了一款名为 Sora 的车型，最新的根据书面提示即时生成短视频的工具。 但尽管有令人眼花缭乱的技术演示和承诺，基础技术的发展却已经放缓。 最先进、最引人注目的人工智能程序，尤其是语言模型，已经消耗了互联网上大部分可用的文本和图像，并且 训练数据用完，他们最宝贵的资源。 再加上使用人类评估者开发这些系统的成本高昂且缓慢的过程，阻碍了技术的发展，导致迭代更新而不是大规模的范式转变。 公司陷入了争夺毫米级进步的困境。 当研究人员试图从石头中榨出水时，他们正在探索一种新的途径来改进他们的产品：他们正在使用机器来训练机器。 在过去的几个月里， 谷歌 深脑, 微软, 亚马逊, 元, 苹果, 开放人工智能, 和 各种各样的 学术的 实验室 有 所有已发表的研究都使用一个人工智能模型来改进另一个人工智能模型，甚至是它本身，在许多情况下会带来显着的改进。 很多的 科技 高管 宣称这种方法是该技术的未来。 这是无数科幻小说为我们准备的场景。 而且，从极端的角度来看，这种“自学”的结果可能无异于末世论。 想象一下 GPT-5 教 GPT-6，GPT-6 教 GPT-7，依此类推，直到模型超越人类智能。 一些人认为，这种发展将带来灾难性的后果。 九年前，OpenAI 的首席执行官 […]
关于 1X 最新视频您想了解的一切
就在上个月，总部位于奥斯陆的 1X（原 Halodi 机器人技术）宣布了 1 亿美元的 B 轮融资，显然它一直在投入工作。 上周发布的新视频 显示了一个 [insert collective noun for humanoid robots here] EVE android-ish 移动操纵器在做什么 利用端到端神经网络的各种任务 （像素到动作）。 最重要的是，该视频似乎或多或少是一个诚实的视频：一次拍摄，以（适当的）1 倍速度，并且完全自主。 但我们仍然有疑问！ 1X 有答案。 如果像我一样，您在观看此视频后有一些非常重要的问题，包括该植物是否真的死了以及加权伴侣立方体的命运，您将需要阅读此问答 埃里克·张，副总裁 人工智能 1X。 拍了多少次才拍到这个镜头？ 艾里克·张： 大约有 10 个持续时间超过一分钟的镜头； 这是我们第一次制作这样的视频，所以更多的是学习如何协调摄制组并设置拍摄看起来令人印象深刻。 您是否专门训练您的机器人处理软质物体和透明物体？ 张： 没有！ 我们训练我们的神经网络来拾取各种物体——包括刚性的、可变形的和透明的物体。 因为我们从像素端到端地训练操作，所以拾取可变形物体和透明物体比经典的抓取管道容易得多，在经典的抓取管道中，你必须弄清楚你想要抓取的物体的确切几何形状。 是什么阻碍您的机器人更快地完成这些任务？ 张： 我们的机器人从演示中学习，因此它们的运行速度与人类远程操作员演示任务的速度完全相同。 如果我们聚集展示我们移动速度更快的地方，机器人也会如此。 多少 加权同伴立方体 在制作该视频的过程中受到伤害吗？ 张： 在 1X 时，加权同伴立方体没有权限。 这是一种非常酷的充电方法，但它似乎比直接与底座连接的某种驱动接口要复杂得多。 为什么要使用操纵呢？ […]
谷歌宣布推出具有百万代币上下文长度的多模式 Gemini 1.5
公告发布一周后 双子座1.0超，谷歌宣布了有关其下一代模型的更多细节， 双子座1.5。 新的迭代扩大了上下文窗口，并采用了“专家混合”（MoE）架构，有望使人工智能更快、更高效。 新模型还包括扩展的多式联运功能。 它能够处理多达 100 万个代币，使其竞争对手甚至其前身的能力相形见绌。 谷歌首席执行官桑达尔·皮查伊 突出显示 该功能的变革潜力，指出：“这允许您在查询时添加大量个人上下文和信息的用例……我认为这是我们所做的更大突破之一。” Gemini 1.5 的利用 专家荟萃 技术代表着优化人工智能效率的又一步。 通过根据查询有选择地激活模型的相关部分，它可以确保速度和资源节约，随着人工智能模型变得越来越复杂和耗电，这是一个关键的进步。 这种方法不仅通过减少等待时间来增强用户体验，而且还与更广泛的努力相结合，使人工智能更具可持续性。 “该模型的多模式功能意味着您可以以复杂的方式与整本书、很长的文档集、数百个文件中数十万行的代码库、完整的电影、整个播客系列等进行交互，”根据 杰夫·迪恩，谷歌 DeepMind 和谷歌研究院首席科学家。 想要观看 Gemini 1.5 组织演示的人可以参考它的视频 解决问题 跨越 100,000 行代码或 检索 跨越一部44分钟的电影。 随着 OpenAI 最近推出了 ChatGPT 的内存功能，并发出进军网络搜索的信号，这场竞赛不仅是为了构建最强大的人工智能。 在面向更广泛的消费者推出之前，Google 将 Gemini 1.5 的重点放在开发人员和企业用户上，这突显了人工智能作为业务创新和个人生产力工具的重要性。 真正重要的是模型如何有效地利用上下文来解决现实世界的问题，而 Gemini-1.5 已经出色地超越了 SOTA。 – 范吉姆 尽管 Gemini 1.5 令人兴奋，但很明显 Google 仍处于探索其全部潜力的早期阶段。 Gemini […]
研究人员成功3D打印功能性人脑组织
人类大脑是通过将专门的神经元和神经胶质类型精确地连接到网络中而形成的。 了解人类神经网络的运作方式对于探索大脑的健康和疾病至关重要。 由于需要更可靠的人类神经组织来适应神经回路的动态功能评估，因此需要探索人类神经网络的运作方式。 一组研究人员来自 威斯康星大学麦迪逊分校 通过创建第一个能够与典型脑组织类似的生长和功能的 3D 打印脑组织，实现了突破性的壮举。 这一进展为研究大脑的科学家以及致力于治疗各种神经和神经发育障碍（包括诸如此类的疾病）的科学家带来了巨大的希望。 老年痴呆症 和帕金森病。 威斯康星大学麦迪逊分校魏斯曼中心神经科学和神经病学教授张苏春说： “这可能是一个非常强大的模型，可以帮助我们了解脑细胞和大脑的各个部分如何 脑 在人类中进行交流。 它可能会改变我们对干细胞生物学、神经科学以及许多神经和精神疾病发病机制的看法。” 与3D打印中传统的垂直分层方法不同，研究人员采用了水平方法。 他们将脑细胞，特别是来自诱导多能干细胞的神经元，放置在比之前的尝试更柔软的“生物墨水”凝胶中。 这种凝胶保持了足够的结构，使组织保持在一起，同时又足够柔软，使神经元能够相互生长并建立连接。 这 细胞 并排排列，就像桌面上并排放置的铅笔一样。 张实验室的科学家颜远伟说， “我们的组织保持相对较薄，这使得神经元很容易从生长介质中获得足够的氧气和足够的营养。” 研究成果非常显着——3D打印脑组织中的细胞可以有效地相互通信。 打印的单元延伸穿过周围的介质，在每个打印层内和不同层之间建立连接。 这会产生类似于人类大脑中的网络。 神经元进行通信和发送信号，通过神经递质相互作用，并建立复杂的网络，包括与纳入印刷组织中的支持细胞的连接。 “我们打印了大脑皮层和纹状体，我们的发现非常惊人，” 张 说。 “即使我们打印了属于大脑不同部分的不同细胞，它们仍然能够以一种非常特殊和特定的方式相互交谈。” “我们的实验室非常特别，因为我们能够随时产生几乎任何类型的神经元。 然后我们几乎可以随时以我们喜欢的方式将它们拼凑在一起。” 张说。 “因为我们可以通过设计打印组织，所以我们可以有一个明确的系统来观察我们的人脑网络如何运作。 我们可以非常具体地观察神经细胞在某些条件下如何相互通信，因为我们可以准确地打印出我们想要的内容。” 3D 打印脑组织所达到的精度为各种应用提供了高度的灵活性。 它可用于研究以下条件下的细胞信号传导 唐氏综合症健康组织和受阿尔茨海默病影响的邻近组织之间的相互作用，筛选潜在的新药候选物，甚至观察大脑的自然生长。 这一突破的一个重要方面是它可以进入许多实验室。 与某些生物打印方法不同，该技术不需要专门的设备或复杂的组织培养程序来维持组织健康。 可以使用显微镜、标准成像技术和该领域已经流行的电极等常用工具对其进行彻底研究。 虽然目前的成就引人注目，但研究人员的目标是更深入地研究专业化的可能性。 他们计划增强生物墨水并改进设备，以允许打印组织内细胞的特定方向，从而为更有针对性和更详细的研究开辟新途径。 期刊参考： 颜元伟，李雪艳，等. 具有功能连接的人体神经组织 3D 生物打印。 细胞干细胞。 数字编号： 10.1016/j.stem.2023.12.009 2024-02-05 […]
这些分子模仿神经元的机制！
科学经常试图了解人脑如何根据微小的感官线索唤起和重建记忆。 最著名的例子是普鲁斯特的玛德琳蛋糕。 最近，出现了一个令人惊讶的发现：自然自组装分子表现出与大脑神经网络相当的能力。 一项研究表明，先前在神经元中观察到的这种“联想回忆”现象也发生在分子动力学中。 这也会让你感兴趣 [EN VIDÉO] 高分辨率视频中的活神经元对小鼠神经元的纳米显微镜观察使我们有可能发现脊柱…… 我们的大脑能够通过简单的气味或旋律将我们带回到过去。 这个神奇的背后，其实有复杂的过程 数十亿个神经元。 就像拼图一样，这些神经元聚集在一起形成记忆。 而且这种能力不仅限于神经元生物学！ 最近的一项研究发表于 自然对我来说 光鉴于分子结构内的相似机制，开辟了关于能力的新视角 分子分子来处理和存储信息。 神经网络和分子自组装 长期以来，科学家们一直着迷于如何 神经元 编码并回忆记忆。 来自加州理工学院、芝加哥大学和梅努斯大学的研究人员在自组装分子中观察到了类似的行为。 为此，他们使用 DNA 序列 试管试管。 这使他们能够证明某些分子构型可以启动和引导复杂结构的组装，这一过程与人脑记忆的回忆惊人地相似。 他们的实验涉及 917 种不同类型的分子，结果表明它们可以组合在一起形成精确的字母，而不会发生混合或错误。 这一壮举让人回想起神经元形成记忆的精确性。 这一发现表明，分子自组装可能相当于神经网络在神经网络中进行的信息处理。 大脑。 这一发现有何意义？ 这项研究并不局限于简单的科学好奇心。 这表明信息处理和记忆存储可能更重要 普遍的 比我们想象的。 它们存在于许多生物系统中并且 体格身体的。 了解这些机制为许多学科（从神经学到生物工程和 纳米技术纳米技术。 分子自组装过程遵循与神经网络类似的原理，提出了有关记忆和信息本质的引人注目的问题。 这项研究表明，分子结构能够做出复杂的集体决策并形成结构化记忆，这一概念可以改变我们对生命和生命基础的理解。智力。 1706194145 #这些分子模仿神经元的机制 2024-01-25 14:23:51