压力之下番茄也会「惊声尖叫」,特拉维夫大学发现植物王国不沉默

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

内容一览:过去,人类在植物对外界感知应变能力的研究,大多停留在释放有机化合物、光电信号的传递上,最近一项研究表明植物还可以通过声波传递信息。近期,以色列特拉维夫大学研究人员通过机器学习,证实了植物在面对缺水、生存压力时会发出高频「尖叫」,目前这一成果已发布在《Cell》期刊上。

关键词:农学   支持向量机  卷神经网络

本文首发自 HyperAI 超神经微信公众平台~

自然界的不良环境,包括地理位置、气候条件和人类活动等多个方面因素,会对植物造成危害,这些危害被称为困境或胁迫 (Stress)。例如植物干旱缺水时,负责输送水分的木质部会形成气泡,气泡不断膨胀乃至爆裂,便会出现空穴现象。这一现象又让植物体内的应力(循环应力,Cyclic Stress)重新分布,当应力在一个部位集中起来,就有可能快速释放出大量的能量——机械能转化为声能,这个过程被称作声发射 (Acoustic Emission, AE)。

不过,用声发射来检测植物时,通常需要把传感器直接连在被测植物上。所以,过往科学家虽然也能检测到植物的声音,但声波都是依靠植物本身传播,再被设备接收到,不能证明外界也能听到。

最新研究中,以色列特拉维夫大学 (Tel-Aviv University) 的研究人员结合实验室观测与机器学习,证明了番茄与烟草植物在胁迫环境下发出的超声波能在空气中传播,并通过训练机器学习模型成功分辨出不同植物在面对 2 种胁迫环境所发出的不同声音。目前,该研究成果已发表在《Cell》期刊上,标题为「Sounds emitted by plants under stress are airborne and informative」。

该研究成果已发表在《Cell》上

论文地址:

Redirecting

实验概述

本论文作者接受采访时,介绍了本实验过程及成果。

视频搬运于 HyperAI 超神经微信视频号

内含植物声音,来源 YouTube,为辅助大家理解原文,增加了机器翻译的中文字幕

本次实验对象为番茄和烟草,分为干旱、茎被剪断、对照 3 组。其中,对照组又分为常态生长、盆里只有土没有植物和每株植物的前后对照 3 种情况。整个实验共分为 3 个阶段:

第一阶段,将实验对象放在隔音箱中,在距离实验对象 10cm 的地方放 2 只可接收 20 到 100 千赫范围内超声波的特殊麦克风,分别收集植物不同情况下的声音。

第二阶段,将隔音箱放置在一个嘈杂的温室环境中,用训练好的模型识别噪音和不同环境下植物的声音。

第三阶段,探究植物发声和干旱程度的关系,同时记录了其他种类植物的声音状态。

图 1:记录植物「尖叫」的隔音箱

实验结果表明,这些植物发出了频率在 40 千赫至 80 千赫的声音(成年人能听到的最高频率约为 16 千赫)。其中,当植物在一切正常、未受到任何压力时,每小时发出的声音不超过 1 次;而缺水或被剪断时,每小时发出的声音约为 30-50 次,甚至在 3-5 公尺之外都能检测到,堪比人类高声「尖叫」。

压力环境下植物声音数据集

发布机构:以色列特拉维夫大学

数据类型:WAV 格式

预估大小:10 M

发布时间:2023 年

下载地址:hyper.ai/datasets/24542

模型训练及结果

实验第一阶段,研究人员将实验过程中记录的 5,483 段声音音频,收集为一个小型植物声音数据集。他们专门开发了机器学习模型,根据植物发出的声音识别不同状况(是否干旱和被剪断)。

首先,研究人员训练了支持向量机 (Support Vector Machine, SVM) 模型。他们将声音分为 4 组,每组包含 2 种植物类型(番茄和烟草)和 2 种处理方法(干旱或剪切)用于训练模型。为了进行交叉验证,模型只在没有参与训练过程的植物上进行测试,并运用了 3 种特征提取方法,分别是基本特征提取 (Basic)、梅尔倒谱系数特征提取 (MFCC) 和散射网络(Scattering network)。

实验结果如图所示,基于散射网络的 SVM 能成功识别出干旱和被剪断植物,并且准确率在 70% 左右。

图 2:基于 3 种不同特征提取方法的 SVM 分类器准确率

实验第二阶段,研究人员首先收集了一份温室中的声音,其次训练了一个卷积神经网络模型用以区分自然界的噪音(风声、雨声、建筑声等)和干旱番茄的声音。实验过程及结果如图 3 所示,该模型识别分辨准确率高达 99.7%。

  图 3:分辨温室噪音和番茄声音

(a) 研究人员连续记录了几天没有植物的空温室的噪音,用于训练机器模型。

(b) 记录番茄在温室中发出的声音,用机器模型过滤,只留下番茄发出的声音。

(c) 混淆矩阵显示模型能成功区分番茄声音及温室噪音,准确度在 99.7% 左右。

(d) 混淆矩阵显示模型能区分出干旱/不干旱番茄,准确率在 84% 左右。

在验证阶段,研究人员采用留一法交叉验证 (Leave-One-Person-Out cross validation, LOPO-CV) 对训练模型进行稳健评估。通过对所有准确和错误的预测求和来构建一个混淆矩阵 (Confusion Matrix),从中得出平衡准确率的数值。

卷积神经网络模型代码:

CNN sounds classifier - training function | Zenodo

实验第三阶段,研究人员将浇过水的番茄放置在温室中 10 天,期间没有再浇水。他们使用上述 CNN 模型过滤掉温室噪音,并且统计了每天每株番茄的声音,结果如图 4 显示,刚浇水后植物几乎没有发出声音,直到 4-6 天时尖叫声最大,而后随着干旱程度加剧尖叫声减少。

图 4:在温室记录番茄植株干旱时尖叫情况

不过,即便整个实验揭示了特定植物能够在胁迫环境下能够大声「尖叫」,但研究人员也提出了未来可以进一步探索的几个方向:

*  植物发声机制:团队预测植物潜在的发声机制可能是是根茎中的「空穴化」现象。

*  增加环境条件、胁迫条件与植物种类的研究:未来可以在有更多背景噪音的田间等环境分析植物声音;可以对来自不同科的植物物种进行测试;也可以研究其他胁迫环境,包括不同的病原体、寒冷、食草动物攻击、紫外线辐射和植物物种的不同生命阶段。

* 植物对声音的适应性反应:未来可以探究其他生物是否已经可以对这些声音进行分类并做出应对。

AI 接「地气」:探究植物发声助推农业发展

对于本项研究成果,特拉维夫大学进化生物学家 Lilach Hadany 也是本文的作者之一,在一次采访中表示:「此项研究并不会取代对植物的视觉监测,并且两种检测方式相结合,有望更利于研究植物。同时,我们已经申请使用声学信息来调整植物灌溉方向的专利。植物发出的声音,某些动物,如飞蛾、蝙蝠和老鼠,都可以听到。但我们仍然需要了解在自然界中,有哪些动植物会对这些声音做出反应。我们目前正在对此进行研究,希望能在几年内得到答案。」 

该作者进一步谈道,这方面的探究或对农业有所帮助。根据联合国关于人口与饥饿问题的预测数据,到 2050 年,全球人口将进一步增加 20 亿,农业生产力需要提高 60% 才能提供充足的食物。而随着农业面临全球变暖、人口增加、粮食安全等多重挑战,科学家们逐步将目光放到 AI 身上,并意识它是提高农业效率可持续发展的有利工具。

结合过往研究,AI 可以用于管理病虫害、优化作物生长、精准施肥与灌溉等,既能增加农业产量与质量,又可以保护环境、减少水资源浪费与化学污染。

参考链接:

[1]https://www.cas.cn/kj/202303/t20230331_4882525.shtml

[2]https://finance.sina.cn/tech/2022-02-24/detail-imcwipih5062199.d.html?fromtech=1

[3]https://www.businessinsider.com/plants-shriek-with-high-pitched-ultrasonic-clicks-when-stressed-study-2023-3

本文首发自 HyperAI 超神经微信公众平台~

Tesseract in Java - Intellij IDEA对Tess4J的配置和使用 最近要弄OCR,搜到这个,官网全英文,很烦,看看有没有中文的博客介绍,擦,一个比一个奇葩,还是自己按照官方的来吧,外网慢的很,传到csdn给大家下载。中文训练库下载地址: http://download.youkuaiyun.com/detail/d_dmelon/9916532Tess4J3.4下载地址: http://download.youkuaiyun.com/detail/d_dmelon/9916519安装 阅读详情

相关推荐

Gemini Enterprise免费试用攻略:解锁企业级AI平台的隐藏技巧与避坑指南

本文详细介绍了Gemini Enterprise免费试用的全流程攻略,包括注册优化、团队协作、资源管理和典型应用场景。通过解锁企业级AI平台的核心功能如Gemini 3.0 Pro模型和Nano Banana图像生成系统,帮助企业高效评估AI与业务的契合度。文章还提供了安全合规与数据管理的实用建议,确保试用过程顺畅无忧。

weixin_29233857的博客 660

低温ECR-MOCVD生长(002)GaN:椭偏仪测厚与电学性能

本研究用ECR-MOCVD在Si(111)和蓝宝石衬底上低温生长GaN薄膜,蓝宝石1.0SCCM、2h样品呈完全(002)择优取向,椭偏仪测厚32.81nm,迁移率10.42cm²/(V·s)。文章梳理了生长温度、TMGa流量与生长时间对结晶取向、膜厚、粗糙度、光学带隙和电学性能的影响。

Flexfilm_的博客 402

多元相关性分析_PAST:最简便易用的统计学分析软件教程目录

欢迎来到PAST的世界!本教程并不是将PAST的所有功能均进行详细介绍,而只是挑选与生物、医学、微生物研究相关的统计学分析内容进行讲述。根据PAST内各项分析的标签分类,将该教程具体设置如下:PAST软件介绍PAST的基本信息数据的输入和修改数据的转换和标准化图像绘制 (Plot标签)点线图和直方图散点图条形图和箱须图饼图堆叠条形图三元相图气泡图单变量统计学分析 (Univariate标...

weixin_39605706的博客 3160

【第84期】过拟合欠拟合与复杂度对照的实验与排查

系列:《从小白到 AI 大模型开发工程师的进阶之路》 技术点:AI-0306 过拟合与欠拟合 主人公:小蓝伞 前置:AI-0302 本期产出:学习曲线小蓝伞用越来越高次的多项式拟合一条带噪曲线,训练误差继续下降,但这不能说明他更接近真实关系。本期固定训练样本与噪声,只改变多项式次数,比较对训练点和无噪参考曲线的误差,并区分验证曲线与学习曲线。教学情境用来组织问题,下面的执行数据来自构造实验。

qq_36085846的博客 201

CentOS7安装openGauss5.0.2LTS版本

该文档要根据自己的实际情况调整ip地址。要根据自己的实际网卡调整。

superhanyubo的专栏 2581

iOS马甲包过审实战:如何用5天时间搞定4.3审核(附完整代码混淆方案)

本文提供了一套为期五天的高效实战方案,专门解决iOS应用因重复或抄袭问题而被App Store的4.3条款拒绝的难题。方案涵盖深度分析、代码混淆、资源翻新及环境隔离等系统性步骤,并附有完整的代码混淆示例,旨在帮助开发者在合规框架内重塑应用,显著提升过审成功率。

weixin_29234239的博客 148

小批量训练的JAX机器学习

本文介绍基于BFGS的小批量训练算法,针对全批量方法在高样本量下计算复杂度高的问题,结合JAX的自动微分与高效计算,实现快速收敛。通过optimtool库中的改进的bfgs优化器与小批量策略,支持分类与回归任务,具备早停机制与灵活监控选项,显著提升大规模机器学习训练效率。

林景的博客 142

jeecg-boot getDictItemsByTable接口存在SQL注入漏洞CVE-2024-48307

微信公众号搜索:南风漏洞复现文库该文章 南风漏洞复现文库 公众号首发JeecgBoot 是一款开源的的低代码开发平台。

nnn2188185的博客 334

新品快讯 | ROHM支持GaN高频开关的TP-PFC控制器IC

另一方面,传统的TP-PFC控制技术广泛使用MCU,但对于小型电源设备而言,除了功耗、电路规模和成本方面的挑战外,如何实现针对GaN HEMT高频开关的控制也成为亟需解决的难题。全球知名半导体制造商ROHM(总部位于日本京都市)宣布,开发出有助于实现小型高效率AC-DC电源的Totem Pole PFC*1(图腾柱PFC,以下简称“TP-PFC”)控制器IC“BM85060FV”,其特点是可在支持GaN HEMT*2高频开关的MHz频段工作。GaN(氮化镓)是一种用于新一代功率元器件的化合物半导体材料。

ONEYAC唯样的博客 234

【存储原理】IO超时处理 块层block-scsi层之间

【存储原理】IO超时处理 块层block-scsi层之间

sinat_37817094的博客 1026

YOLOv11训练命令完全指南:从核心参数解析到高级调优实战(数据配置、epochs设定、batch-size优化与img-size调整)(二)

本文介绍了YOLOv11训练命令的完整配置与解析,提供了基础训练命令示例及参数详解。示例命令包含数据集配置(coco.yaml)、训练轮次(300)、批次大小(64)、图像尺寸(640)等核心参数,以及优化器(AdamW)、学习率(0.001)等调优选项。通过代码实现展示了训练器的初始化流程,包括参数解析、设备设置、数据加载和模型创建等关键步骤,为YOLOv11模型训练提供了实用指导。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 1097

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 572

YOLO11改进 - 卷积Conv | DEGConv(方向引导边缘门控卷积) : 空间分块、方向先验、轻量边缘增强

本文介绍了方向引导边缘门控卷积(DEGConv),一种专为增强边缘敏感度与方向感知能力设计的轻量级模块。该方法通过 Sobel 算子生成方向嵌入,结合条纹卷积提取水平与垂直边缘特征,并利用门控机制动态抑制背景噪声,从而精准捕捉细粒度结构。我们将 DEGConv 成功集成进 YOLO11,在 Backbone 的 SPPF 后及 Neck 的 P3、P4 分支中引入该模块以优化特征提取。实验证明,集成 DEGConv 的 YOLO11 在检测任务中表现优异,有效提升了模型对复杂边缘与方向特征的建模能力。

魔改工程师的博客 679

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 278

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 154

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 179

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 484

LoRA的低秩数学与QLoRA实现

本文系统解析了LoRA及其进阶版QLoRA在十亿参数模型微调中的高效机制。通过低秩假设,将权重更新量ΔW近似为低秩矩阵积,显著压缩可训练参数与显存占用;QLoRA进一步将基座模型量化至4比特(NF4),结合双重量化与分页优化器,实现65B模型单卡微调。文章详解了B初始化为零、缩放系数α/r设计、挂载位置选择等关键实操细节,并给出可运行代码。实践表明:4比特基座+高精度LoRA在多数任务上媲美全参微调,且训练效率极高。超参方面,r不宜过大,学习率需上调,数据质量重于数量。最后强调:LoRA适用于风格适配与领域

2601_96733043的博客 343

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 205

SVM支持向量机通俗解析:找到机器学习的“最优分界线”

一、爆款钩子:同样是画分界线,为何SVM能成为机器学习的“王者选手”?做机器学习的人,几乎都绕不开一个问题:如何给混乱的数据“分家”?有人用逻辑回归,有人用KNN,但有一个算法

2601_96798737的博客 168

机器学习03,端到端02

个人笔记

qq_59247073的博客 292

GaN 动态导通电阻测试专题:电流崩塌从哪来,测量窗口怎么选

但器件装到实际电路上跑一段时间,或者用双脉冲台架模拟开关工况再测导通压降,数值往往明显高于手册静态值,而且关断应力越强(母线电压越高、应力保持越久),抬升越明显;:使用钳位电压探头,把示波器通道的工作区间限制在低电压区(常见做法是钳位在 1.5V 附近的导通压降区),应力高压段由钳位电路吸收,导通段以高分辨率采样。台架搭建相对简单,是器件表征最常用的方案。双脉冲台的难点不在发脉冲,而在采样:漏源电压要从几百伏的应力电平瞬间跌落到毫伏至伏级的导通压降,示波器单一量程难以兼顾"扛住高压"和"分辨毫伏"。

Namisooft的博客 277

《机器学习sklearn实战教程》02|Python机器学习开发环境搭建

2.1 为什么要先搭环境很多人学机器学习,卡住的第一步不是算法,而是环境。代码明明照着教程敲了,却一运行就报错。不是缺包,就是版本冲突。最常见的情况是,昨天还能跑,今天装了个新库

2601_96798011的博客 248

CAGR 21.8%:GaN功率器件封装材料市场从3.23亿美元迈向12.77亿美元

随着氮化镓(GaN)功率半导体在消费快充、AI服务器电源及车载电源领域的加速渗透,GaN功率器件封装材料作为实现芯片贴装、电气互连、热量传导和长期可靠性保障的核心功能性材料,正迎来爆发式增长期。根据LP Information(路亿市场策略)初步调研,2025年全球GaN功率器件封装材料市场规模约为3.23亿美元,2026年预计约3.91亿美元,2032年将达到12.77亿美元,2026—2032年复合增长率(CAGR)高达21.8%。

LPIHelen的博客 207

《机器学习》笔记

知道特征工程是什么:利用专业背景知识和技巧处理数据,让机器学习算法效果最好。这个过程就是特征工程。数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。理解特征提取的作用:原始数据中提取与任务相关的特征,构成特征向量。新数据 = 特征提取(原数据)理解特征预处理的作用:特征对模型产生影响,因量纲(单位)问题,有些特征对模型影响大,有些影响小。有两种思路,归一化和标准化(重点),归一化公式为:(当前值-最小值)/(最大值-最小值),使映射的值域在(0~1)之间。

weixin_51781852的博客 239

GaN HEMT 的“第三层“:电流崩塌与动态导通电阻,是怎么被造出来的

所以 Fe 浓度、缓冲层厚度、以及沟道层与缓冲层之间的间距,需要在"缺陷抑制"和"动态性能"之间精细折中。轻载效率看起来还不错(电流小、功耗小),一旦上到中大电流,导通损耗 P = I²·R 就会突然抬头,效率曲线出现"塌陷",客户会得出"GaN 也就那样,不如用 Si 超结"的错误结论。当器件工作在高频开关状态,漏极到源极的电压切换得非常快,边缘电场、漏极边缘电场会向缓冲层"注入"电子,这些电子被陷阱俘获,形成带负电的空间电荷区,把缓冲层"撑开",同时把耗尽层从势垒层向下挤压到 2DEG 里面去。

weixin_64228887的博客 174

机器学习04,端到端03工程整合

个人笔记

qq_59247073的博客 212
上一篇: 万字干货:10 位科学、人文大咖论道,Max Tegmark 贡献思想火花,共同直面 AI 奇点时刻...
下一篇: AI 救不了好莱坞,16 万演员联合编剧上演史诗级「罢工大戏」
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
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