机器学习的兴起:从资料规划到生物医学、量子核算 再到工业运用

发布时间:2021-09-13 07:15:14 | 来源:bob投注入口 作者:BOB比赛直播

  机器学习在加快资料研讨方面具有巨大潜力。资料科学的许多范畴都从它的运用中获益,但仍然存在一些应战,该范畴是否会像环绕它的大肆宣传那样,还有待调查。

  机器年代即将来临。当咱们提出资料科学中机器学习的焦点问题时,咱们很清楚算法可以为其编写合理的开篇社论。究竟,它不会是第一次写文章,或许就此而言,乃至也不是第一次写书。

  src=你可以问询 Alexa 或 Siri,它会运用它的机器学习算法为你找到一些关于人工智能的优点和风险的文章。依据你曩昔的查找以及他们对你的爱好所提醒的内容,它或许会继续估测是否有太多关于机器学习东西逾越人类的才能的炒作。

  但是,毫无疑问,机器学习正在影响科学的一切范畴,资料科学也不破例。在《Nature Reviews Materials》杂志的 2021 年 8 月,第 6 卷 第 8 期焦点问题以及该杂志的其他文章中,谈论了机器学习怎么推进资料研讨,咱们可以实践等待哪些开展,以及研讨人员应该留意什么以保证他们的机器学习算法依照规划的办法作业。

  为了设置场景,来自美国阿贡国家试验室、佐治亚理工学院(Georgia Institute of Technology)的科学家在《Nature Reviews Materials》杂志上宣布题为《Emerging materials intelligence ecosystems propelled by machine learning》的总述。回忆了资料科学机器学习的要害组成部分,从数据搜集和办理协议到自主试验战略。谈论了火烧眉毛的应战,其间包含对标准化协议、基准数据集以及机器学习代码和数据的敞开同享的需求。

  机器学习东西箱已经在资料科学的简直一切主题中得到了行之有效的运用。它用于光子器材的规划,

  在这篇总述中,研讨人员展现了装备为判别网络的深度神经网络怎么从练习集学习并作为高速署理电磁求解器运转。研讨了深度生成网络怎么学习设备散布中的几许特征,乃至被装备为强壮的大局优化器。谈论了在光子学布景下构建的根本数据科学概念,包含网络练习进程、不同网络类别和架构的区分,以及降维。

  又如美国杨百翰大学(Brigham Young University,BYU)Gus Hart 及其搭档在《Machine learning for alloys》谈论中所谈论的那样,当运用于合金时,机器学习推进了从金属玻璃到高熵合金和结构资料等资料优化的开展。

  该论文总述了机器学习驱动的合金研讨的现状,谈论了该范畴的办法和运用,并总结了理论猜测和试验验证。预见机器学习和合金之间的协作将导致规划新的和改善的体系。

  此外,机器学习加快并改善了具有多种特性的纳米粒子的组成,多伦多大学 Eugenia Kumacheva 及其搭档宣布总述《Nanoparticle synthesis assisted by machine learning》。该总述谈论了可用于纳米粒子组成的 ML 算法,并要点介绍了搜集大型数据集的要害办法。研讨了 ML 引导的半导体、金属、碳基和聚合物纳米粒子的组成,最终谈论了 ML 辅佐纳米粒子组成开展中的当时局限性、优势和远景。

  正如美国 Simons 基金会 Flatiron 研讨所的研讨人员在他们的谈论中所谈论的那样,机器学习也已成为问询杂乱和大型生物医学数据集的要害东西,可以研讨多细胞杂乱性和开发个性化疗法。

  首要,扼要介绍了答应研讨安排特异性的要害单细胞和全安排办法,然后,要点介绍两类根据机器学习的办法,它们可用于剖析、建模和解说这些办法试验数据。最终,结合高分辨率、大规模多组学数据集和可解说的机器学习模型,展望了查看多细胞杂乱性的未来或许性。

  机器学习可以运用于天壤之别的问题,所以机器学习可以促进学科之间的穿插交融。在曩昔的十年中,核算可继续性研讨所为各种核算可继续性运用开发了人工智能和 ML 办法,这些办法也被用来推进资料发现,反之亦然。

  康奈尔大学和加州理工学院的科学家宣布以《Computational sustainability meets materials science》为题的谈论文章。描绘了生态学和资料科学运用发生的协同效果。强调了模型可解说性和结合从前科学知识以更好地调理模型、发生具有科学含义的处理方案,并补偿练习数据缺乏的重要性。

  机器学习的一个有出路的运用是文本发掘,从文章和其他文档中提取信息,并将其集成到结构化数据会集。加泰罗尼亚理工大学的研讨人员宣布以《Time to kick-start text mining for biomaterials》为题的谈论,这一豪举关于杂乱且难以安排的数据特别重要,例如生物资料数据。将文本和数据发掘东西运用于生物资料需求首要处理几个特定范畴的应战。其间包含数据的高度异质性以及生物资料出版物中运用的多学科和快速开展的言语。

  另一个重要趋势是推进可以进行试验、丈量成果并在下一次迭代中做出决议计划的自主体系。这种办法关于需求繁琐的手动优化的试验特别有利:其间一个比如是超导量子位的调优,正如牛津大学的 Natalia Ares 在《Machine learning as an enabler of qubit scalability》中所谈论的,在该范畴中,机器学习或许是完成相关量子位可扩展性的要害因素。

  与科学的其他范畴相同,要从原理验证演示转向实践运用,与工业协作伙伴的协同效果将至关重要。丰田研讨所 Muratahan Aykol 及其搭档在《Machine learning for continuous innovation in battery technologies》中以为,机器学习在电池优化中的运用特别如此,在实际条件下从测验中取得的数据是必不可少的。研讨人员谈论了数据驱动、根据机器学习的办法怎么协助电池研讨人员满意电池继续立异的需求。

  为了谈论一位工业研讨人员的观念,《Nature Reviews Materials》杂志采访了时任 Google Research 的工程师 Patrick Riley,他说,「跟着该范畴的老练,一个重要的趋势是转向将机器学习视为一个独立的组成部分体系,但作为一个很好的集成齿轮。」

  机器学习的一切许诺或许都不会完成。机器学习是一种强壮的东西,但要让机器学习算法可以与研讨人员对资料科学做出奉献的热心和创造力相媲美,还需求很长时刻。这也许是一件功德。

  「ScienceAI」重视人工智能与其他前沿技术及基础科学的穿插研讨与交融开展。

© CopyRight 2019, www.hnsm-cm.com, bob球赛 Inc.All Rights Reserved.
学院地址:湖南省长沙市岳麓区含浦科教园
湘教QS3-200505-000638 技术支持:BOB比赛直播
湘ICP备08124941号-1 网站地图 XML地图

  • bob投注入口官方微博

  • BOB比赛直播