90 后学霸博士 8 年进击战:用机器学习为化工研究叠 BUFF

国产化迁移总览:信创改造的技术栈替换全景图与选型决策树 近几年主导和参与了多个政企/金融项目的信创国产化迁移:从操作系统、CPU、数据库到中间件的全栈替换。信创不是「换个数据库装一下」的事,而是一次有章法的系统性工程:先做技术栈盘点和替换矩阵,再按「外围→核心」的顺序分层迁移,每层都有明确的选型决策树和验证清单。这篇文章是系列总览:给出一张完整的替换全景图、迁移路径的决策树、以及评估工作量时最容易漏掉的四类隐性成本。后续几篇会逐层展开实操实录(达梦/金仓迁移、麒麟 OS、鲲鹏 ARM、东方通中间件)。 阅读详情

本文首发自微信公众号:HyperAI超神经

内容一览:ScienceAI 作为近两年的技术热点,引起了业界广泛关注和讨论。本文将围绕 ScienceAdvances 的一篇论文,介绍如何利用机器学习,对燃煤电厂的胺排放量进行预测。

关键词:AI for Science   化学工程   胺排放

国际能源署公布的报告显示,2021 年全球能源相关的CO2 排放量较 2020 年增长 6%,达到 363 亿吨,创历史新高。

其中 CO2 排放量增幅最大的是发电和供热行业,增幅超过 9 亿吨,占全球 CO2 排放量增幅的 46%。控制并减少发电及供热行业 CO2 排放量刻不容缓。

2021 年各行业 CO2 排放量的年度变化

蓝色表示年度变化,红点表示净变化

查看 2021 全球 CO2 排放完整报告

碳捕捉:减少温室气体排放、实现变废为宝

在《中国电力行业碳达峰、碳中和的发展路径研究》中,行业专家给出了降低电力行业 CO2 排放量的三种改变措施:

1、大力发展风电、水电、核电等低碳电源,抛弃煤电、油电等高碳电源

2、对于燃煤电厂,用天然气、秸秆、生物质等低碳燃料,代替煤炭进行发电

3、利用碳捕捉技术,对燃煤电厂排放的 CO2 进行捕捉利用

其中,碳捕捉因为改造幅度小、想象空间大、具备变废为宝的能力,备受商业公司、能源公司以及电力行业科研院所的关注。

电厂中的碳捕捉设备

碳捕捉是指利用 CO2 和胺类物质发生反应,捕捉电厂释放到大气中的 CO2 并进行压缩,封存至枯竭的油田、天然气领域,或其他安全的地下场所,供后续石油开采、冶炼、汽车等产业利用。

然而,CO2 在与胺类物质发生反应的过程中,也会产生危害公共健康和生态系统的胺排放,有效监控并预测不同电厂的胺排放,成为碳捕捉的一大难点。

近日,由洛桑联邦理工学院和赫瑞瓦特大学组成的研究小组,开发出了一种机器学习方法,可依据电厂过往数据,更准确地预测碳捕捉过程中胺类有害气体的排放量。目前该论文已发表在 ScienceAdvances 上。

完整论文

论文详解:用机器学习技术解决化学问题

1、先导工场试验

碳捕捉工场非常复杂,因为过程模型 (process model) 通常侧重于捕捉 steady-state 运行。然而,当前和未来发电厂的设计和运行,需要考虑到可再生能源发电份额的增加,这种增加是间歇性的、不规律的,因此还需要考虑到 steady-state 之外运行的动态和多变量行为。

为了模拟未来电厂运行的间歇性,科研人员对德国 Niederaußem 发电厂先导工场 (pilot plant) 的捕获装置,进行了一系列压力测试,试图发现电厂间歇性运行与胺排放量的关系。

Niederaußem 燃烧后碳捕捉先导工场的简化流程示意图

实验虽然积累了大量捕捉工场行为的数据,但无法利用这些数据定性预测未来的胺排放,因为除压力测试外,实验过程中还存在另一变量--电厂专业人员的干预,以确保实验期间工场的安全运行。

2、获取数据集

先导工场实验中,科研人员每 5 分钟进行一次数据采集,积累了庞大的数据量,如何把这些数据转化成可供机器学习模型使用的数据集,成为研究重点。

科研人员的方法是把 time-dependent 过程及排放数据,表示成图像(数据矩阵),基于此创建预测模型,然后借助机器学习技术进行模式识别,预测胺排放。

在这种表示法中,工场在给定时间 t 定义了一个 state 特征向量 x(t),其中 p 元素表示过程变量(如烟气温度和水洗温度)。

取 t 个时间戳的工场 state 向量,得到一个 t × p 的矩阵。这个矩阵可以被看作是一个「图像」,与未来的排放曲线 y(t) 相连。

数据表示示意图

本实验中用到的数据可以看作一张「图像」,其中:

宽度=输入序列 (T) 的长度

高度=参数数量 p

颜色=参数 xj 在某个时间 ti 的值

接下来,将工场历史图像中的 pattern,与特定的未来排放进行联系。为此,科研人员采用了梯度增强的决策树模型,将描述不同参数和排放量的行 (row) 合并为一个长向量。用分位数损失 (quantile loss) 训练模型,以获得不确定性评估 (uncertainty estimate)。

评估不确定性时,科研人员采用了支持蒙特卡洛 dropout 的时间卷积神经网络 (temporal convolutional neural network) ,并在 note S8 中展示用这个模型获得的结果。

有了这个数据集,就可以借助数据科学方法,开发一个机器学习模型进行数据分析。

3、从机器学习中洞悉胺排放

接下来,就可以用机器学习模型进行以下预测:

1、未来排放量(实时):基于历史 & 当前的运行和排放,预测未来 x 小时的排放量是多少

2、数据的 Causal impact 分析:测量特定压力测试对胺排放的影响,需要一个 baseline,提供在没有压力测试情况下的胺排放

3、减少胺排放:用模型预测「假设」情况下的排放量,如降低水洗温度是否会对排放量产生影响

利用机器学习模型预测

未来 2 分钟、1 小时、2 小时的胺排放量

90 后学霸博士,深耕化学 8 年

本篇论文由洛桑联邦理工学院基础科学学院的 Berend Smit 教授和苏格兰赫瑞瓦特大学碳解决方案研究中心教授 Susana Garcia 共同领导的科研小组发布。

其中,开发机器学习方法,将胺排放问题转化为模式识别问题的学生,正是 Smit 教授小组的 90 后博士生 Kevin Maik Jablonka。

该论文的一作 Kevin Maik Jablonka

Kevin 本科就读于德国慕尼黑工业大学化学专业,2017 年本科毕业后,Kevin 进入瑞士洛桑联邦理工学院继续硕士和博士学习,在化学领域继续深造。

从 2014 年至 2022 年,Kevin 用了 8 年时间建立了对化学及化学工程的深刻理解,期间还通过对应用数据科学、机器学习的学习,将化学研究与人工智能进行融合,提升了化学工程领域研究的效率和准确度,是一位妥妥的 90 后学霸。

诚如多位化学领域的资深人士所说,机器学习在化学及过程工程 (process engineering) 领域,可能产生比计算机视觉领域更大的影响。

在 CV 应用场景中,模型学习的图像基本特征,往往与人类大脑感知图像的方式密切相关,如目标检测、人脸识别。

然而在工业场景中,人类往往缺乏对基本机制的了解,但通过机器学习,科研人员发现了从参数到目标观察物映射的基本规则,并对迄今无法预测的现象进行了预测。

在预测电厂胺排放这一案例中,机器学习超越传统方法,被认为是提供了一种观察复杂化学过程的全新视角,极有可能彻底改变未来燃煤电厂的运行方式。

人工智能将更多地应用于基础科学研究,为其提供动力、提升效率、加速科研成果落地。你如何看待 AI for Science 下半场的发展?它将带来哪些突破,又会面临怎样的挑战?欢迎留言分享你的观点和看法~

解决微信浏览器弹出 Download: Null 问题的终极指南(附阿里云 OSS 配置详解) 微信内置浏览器点击下载链接时弹出 "Download: Null" 的问题,是开发者常遇到的痛点。本篇文章全面解析其原因,包括 iOS 文件下载限制、Content-Disposition 响应头的重要性,以及阿里云 OSS 默认配置的影响。通过详细教程,教你如何在阿里云 OSS 中设置 Content-Disposition 元数据(attachment;filename=xxx.pdf),有效解决该问题。同时,拓展介绍微信浏览器的文件下载限制、跨平台兼容性优化以及 CDN 配置注意事项。 阅读详情

相关推荐

camera——HAL层知识分享

CameraHAL层是Android相机系统的核心中间层,负责连接Framework层与硬件驱动层。它通过标准化接口解耦软硬件,实现跨平台兼容性,同时为厂商提供硬件定制空间。主要功能包括:设备管理、数据流处理、参数控制以及图像优化。关键子系统涵盖预览、拍照、录像、对焦与曝光等模块,采用HAL3的"请求-响应"模型实现精细控制。性能优化重点关注启动时间、帧率稳定性和延迟控制。通过分层架构设计(接口层-核心层-适配层)和缓冲池机制,确保高效数据传输和硬件资源调度。

2302_77429403的博客 2083

机器学习在工业应用中的新思考

人工智能在学术界默默发展了很多很多年,从最早的神经网络,到10年前风靡的SVM、bagging and boosting,如今的深度学习。日新月异,各领风骚数几年。 工业界的发展从最早应用于纯粹的互联网企业,近几年开始应用到更多更广泛的场景,而且发展速度越来越快,陈雨强一直在机器学习的最前沿应用,下面是他最新的思考,非常非常干货。是一篇值得多看几遍的好分享。 10年前说自己是做人工智能的,大家都会一脸茫然,今天说自己是搞人工智能的,大家都会是一脸崇拜。可见火爆。

vshuang的专栏 1万+

Arduino+esp8266+blinker物联网开发

文章目录blinker点灯一.简介二.开发环境的搭建1.arduino的安装2.添加esp8266开发板3. blinker库的导入4.驱动的安装4.手机端安装app三.开发第一个点灯程序1.添加设备2.载入示例3.代码部分4.代码讲解5.程序烧写四.总结 blinker点灯 一.简介 为了加深为物联网知识的认识,今天就教大家如何用手机app来控制我们的开发板。我们的开发环境是以arduino I...

weixin_45631738的博客 3万+

化学中的机器学习方法1

来自我的个人网站: http://wangbch.com 化学中的机器学习方法 化学中的ML主要是用在能量预测上,MoleculeNet或DeepChem实现了较多的方法。通常有用分子结构式或用分子坐标进行能量预测两种。下面主要讲从分子坐标到能量 从分子坐标到能量 分子坐标作为一个Nx3(N为原子数目)的矩阵,可以直接用神经网络等ML方法映射到一个能量浮点数上,但是这样不...

B_C_Wang的博客 3340

告别点不亮!STM32F103驱动HT1621段码屏的常见坑点与调试心得

本文详细解析了STM32F103驱动HT1621段码屏的五大常见问题及解决方案,包括硬件连接、时序控制、RAM地址映射等关键难点。通过实测数据和代码示例,帮助开发者快速排查显示异常问题,提升驱动开发效率。特别针对HT1621与STM32F103的兼容性问题提供了专业调试建议。

weixin_30925435的博客 381

ArcGISPro应用指南:ArcGISPro制图全流程详解

本文介绍了基于ArcGIS Pro的地图制作基本流程,旨在帮助读者快速掌握从数据加载到地图输出的完整制图操作。文章首先简要概述了GIS技术在当今数据驱动时代的重要作用,并引出ArcGIS Pro作为专业GIS平台的优势与应用价值。随后,内容围绕地图制作的核心步骤展开,包括数据加载、布局创建、地图范围设置以及各类地图要素(如指北针、比例尺、图例、图名)的插入与样式调整。此外,还介绍了如何通过添加图形、文本及动态元素增强地图表达效果,并最终完成地图导出设置与文件输出格式的选择。

weixin_45812624的博客 1362

90 后学霸博士 8 年进击战:用机器学习为化学研究叠 BUFF

本文约2400字,建议阅读5分钟本文将围绕 ScienceAdvances 的一篇论文,介绍如何利用机器学习,对燃煤电厂的胺排放量进行预测。关键词:AI for Science 化学工程 胺排放ScienceAI 作为近两年的技术热点,引起了业界广泛关注和讨论。国际能源署公布的报告显示,2021 年全球能源相关的CO2 排放量较 2020 年增长 6%,达到 363 亿吨,创历史新高。其中...

数据派THU 250

Flannel,Calico 和 Cilium 之间有哪些优缺点和差别?

例如,在一个多租户的容器集群中,可以通过Calico为不同租户的容器设置精细的访问控制策略,确保每个租户的资源安全。例如,在设置复杂的网络策略和BGP路由时,需要对网络概念和Calico的配置语法有比较深入的了解。它可以根据容器的标签、服务等信息来定义访问规则,并且可以实现更加细粒度的网络安全策略,如HTTP层的策略。性能损耗:在overlay网络模式下(如VXLAN),由于需要对数据包进行额外的封装和解封装操作,会带来一定的性能损耗,尤其是在高流量的场景下,这种性能损耗可能会更加明显。

chinansa的博客 1530

MCP 实操第八步(收官):同一需求走 n8n、MCP、裸 API 三条路,实测后我给一张选型决策树(2026 版)

客户来了要"查库→回欢迎语→写台账",这件事用 n8n 拖拽、MCP 工具让 Agent 自主编排、还是裸 API 脚本回调触发?三条路我都落地了(MCP 与裸脚本本地真跑、输出可对照,n8n 给可导入 JSON 骨架),从确定性、可维护性、上手门槛、变更成本四个维度拆。结论不是"谁更好"而是"什么场景用谁"——给一张决策树:流程固定选 n8n、要 Agent 临场判断选 MCP、纯事件驱动高频选裸脚本。

weixin_45264536的博客 316

PDAF相位对焦原理

pdaf光路图

camerall 1万+

【Claude】组织级认证限制报错已解决(4 种)

报错被禁用的是什么谁能解除应急方案整个 Console 组织Anthropic 支持换账户 / 订阅凭证API key 认证方式你的组织管理员用订阅/login订阅 OAuth 登录你的组织管理员用 API keyRoutines 功能你的组织所有者手动计划任务替代共同排查模式/status确认当前凭证;检查环境变量;看清报错消息里命名的是什么(key?组织访问?),对症清除;管理员层面的限制,找管理员解锁。

博客 1万+

机器学习算法讲义——线性回归、逻辑回归、决策树

比喻:先给样本打出一个综合分数,再通过Sigmoid函数这个压缩器,把分数映射到0~1之间,输出结果代表是正样本的概率。损失函数用来衡量模型预测结果和真实标签之间的整体偏差,模型训练的目标就是不断调整参数,让MSE尽可能变小。比喻:专门针对概率设计的扣分规则,当真实标签和模型预判的概率相差很大时,会给予很重的惩罚。❌ 缺点:决策边界是线性的,面对交错分布的复杂样本效果有限,比较依赖前期的特征工程。比喻:相当于一套扣分标准,预测和真实值差距越大扣分越多,严重的错误会被加重惩罚。❌ 缺点:单树方差大、不稳定;

Michelle8023的博客 243

单线激光雷达的工作原理

单线激光雷达通过单一激光束的水平扫描和时间 / 相位测量,实现二维环境的距离感知,是低成本二维导航的核心传感器。尽管其无法直接提供三维信息,但其可靠性和经济性使其在消费级和工业级场景中广泛应用。随着技术发展,部分单线雷达通过振动镜或 MEMS 微振镜实现微小角度偏转,可近似模拟多线扫描效果,进一步拓展了应用边界。

谢谢大家的关注和点赞!这里只有纯纯的知识干货,没有一句废话。希望能实实在在帮到大家~要是觉得有用,别忘了给我点支持哟,你 1859

从决策树到随机森林:Python机器学习里的“树形家族“深度实战与原理拆解

文章浏览阅读2.4k次,点赞52次,收藏32次。决策树和随机森林作为机器学习中的经典算法,各有优劣。决策树以其高可解释性和快速训练的特点

2601_96798011的博客 260

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

NPU(神经网络处理单元)详细解析

NPU(Neural Processing Unit,神经网络处理单元)是一种专门为加速神经网络计算(尤其是深度学习推理)而设计的专用处理器(ASIC/DSP 类)。它也常被称作神经引擎(Neural Engine)、AI 加速器、APU(AI Processing Unit)等。处理器擅长不擅长CPU通用逻辑控制、串行任务、操作系统调度大规模并行矩阵运算,能效比低GPU图形渲染、大规模并行浮点计算功耗高(几十到几百瓦),不适合电池设备NPU神经网络核心算子(矩阵乘、卷积、激活)

zhaoshuzhaoshu的专栏 273

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 293

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

神经网络与深度学习笔记_Day6

神经网络与深度学习笔记_Day6,包含 ANN案例、CNN概述、卷积层 与 池化层。 写于2026/02/12。

ZZHow Blog 356

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)将在中国·合肥举行,会议围绕神经网络、智能信息处理与数据科学等研究方向展开学术交流,关注人工智能算法、数据分析技术以及智能信息系统的发展。

Yangxshy的博客 216

第 06/24 期:神经网络的反向传播算法:从链式法则到梯度计算

本文系统阐述了神经网络中反向传播的数学原理:前向计算为函数复合,而参数梯度需通过链式法则逆向传递。核心是定义误差项 $\delta^{(l)} = \nabla_{z^{(l)}}\mathcal{L}$,从输出层开始递推,利用权重转置与激活导数实现高效梯度传播。权重梯度由误差项与输入的外积构成,偏置梯度即误差项本身。通过两层网络实例验证了公式正确性,强调维度一致性的重要性,并揭示了激活函数导数在梯度传播中的关键作用,为理解深层网络训练机制提供理论基础。

weixin_47502228的博客 678

第 02/24 期:从线性模型到多层感知机:神经网络的表示能力

本文探讨了线性模型的表达局限,指出其函数族仅能表示超平面边界,无法解决非线性可分问题(如XOR)。通过多层感知机引入非线性激活函数(如ReLU、tanh),网络可构建分段线性或光滑非线性函数,显著提升表示能力。实验表明,单隐藏层MLP在拟合复杂目标函数时优于仿射模型。但需区分表示能力、优化可达性与泛化性能三者:即使模型理论上可逼近任意函数,实际训练仍受初始化、优化路径和样本限制。

weixin_47502228的博客 375

神经网络与深度学习笔记_Day5

神经网络与深度学习笔记_Day5,包含 梯度下降优化方法、学习率衰减策略、正则化 与 ANN案例。 写于2026/02/07。

ZZHow Blog 334

神经网络是如何学习的?(关于损失函数,梯度下降,反向传播,梯度消失详解)

神经网络的学习本质是一场“瞎子下山”的试错游戏:通过前向传播预测,损失函数评分,反向传播计算梯度,梯度下降更新参数,循环数万次。单个神经元如直线分割,难以解决复杂问题(如XOR),但多层感知机(MLP)叠加非线性激活后,可拟合任意复杂边界。损失函数定义“错误”程度,梯度下降则沿最陡方向迭代优化,学习率决定步幅。反向传播利用链式法则高效分配误差责任,但深层网络中梯度逐层衰减,导致“梯度消失”,使浅层参数难以更新。核心在于:模型靠不断试错,在参数空间中寻找最低损失点,最终学会“看懂世界”。

JYF2007ABC的博客 836

从“人工智障”到“智能”,没有激活函数的神经网络只是在叠直线

没有激活函数的神经网络仅能表示线性关系,即使堆叠多层也无法拟合复杂非线性模式,导致模型表现如“人工智障”。激活函数(如ReLU)引入非线性,使网络能分段拟合复杂边界,实现从“画直线”到“拼曲线”的跃迁。正确使用激活函数、避免输出层重复激活、合理选择损失函数,是解决模型失效的关键。

JYF2007ABC的博客 422

神经网络与深度学习笔记_Day2

神经网络与深度学习笔记_Day2,包含 张量 与 自动微分。 写于2026/01/21。

ZZHow Blog 126

DeepXDE 物理信息神经网络(PINN):自动微分嵌入 PDE 求解的计算特征与 UltraLAB 图形工作站选型

单卡显存决定单任务上限,CPU 高主频多核决定试验吞吐。入门者一张 12—16 GB 显卡即可开展研究;做三维反问题与算子学习的团队建议 24 GB 级单卡起步、64 GB 以上内存;需要批量反演与不确定度量化的实验室按"多卡多任务"扩展,并把预算优先给显存与内存,而非盲目堆卡数。DeepXDE 多后端特性使同一环境可服务 TensorFlow/PyTorch/JAX 三类技术栈,部署时注意 CUDA 版本与后端版本的匹配。

204

从零搭建一个神经网络:从底层原理到 PyTorch 完整实现

神经网络(Neural Network)是一种受到生物神经系统启发的机器学习模型。它通过多个相互连接的人工神经元,对输入数据进行特征提取和非线性变换,最终完成分类、回归、预测等任务。神经网络就是通过大量数据不断调整内部参数,让模型逐渐学会输入与输出之间的映射关系。例如,我们希望训练一个模型,根据房屋面积、房间数量、地理位置等特征预测房屋价格。传统机器学习可能需要人工设计特征,而神经网络能够通过多层计算自动学习数据中的复杂规律。梯度表示函数对各个参数的变化率。

2503_90237586的博客 264
上一篇: 以 Animated Drawings APP 为例,用 TorchServe 进行模型调优
下一篇: DeepMind 发布强化学习通用算法 DreamerV3,AI 成精自学捡钻石
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值