【ScienceAI Weekly】IBM新AI芯片提效25倍;清华大学发AI辅助框架;DeepMind新工具预测220万新晶体

AI驱动的材料科学:从分子设计到性能预测 AI驱动的材料科学:从分子设计到性能预测 关键词: 材料科学 人工智能 分子设计 性能预测 机器学习 深度学习 摘要: 阅读详情

「ScienceAI Weekly」是 HyperAI 超神经新创建的半月更栏目,主要从科研成果、企业动态、工具资源、近期活动 4 个维度,收集呈现 ScienceAI 领域近期值得关注的最新动态,以期为长期关注该领域的从业者、爱好者,提供更有价值的圈内资讯和行业启示。

一起来看看本期值得关注的 ScienceAI 进展吧!

科研成果

GaUDI:用于逆向分子设计的引导扩散模型

添加图片注释,不超过 140 字(可选)

* 标题:Guided diffusion for inverse molecular design

* 来源:Nature Computational Science

* 领域:分子设计,材料化学

* 作者:以色列理工学院团队与威尼斯卡福斯卡里大学科研团队

* 原文:

Guided diffusion for inverse molecular design | Nature Computational Science

方法简介:

GaUDI 是一个用于逆向分子设计 (inverse molecular design) 的引导扩散模型 (guided diffusion model),它结合了用于属性预测的等变图神经网络,以及生成扩散模型,通过用针对 47.5 万个多环芳香系统生成数据集的单目标和多目标任务检测,科研人员发现 GaUDI 在有机电子学应用的分子设计中,具有极高的有效性。

GaUDI 改善了条件设计,可以生成具有最优属性、甚至超越原始分布的分子,可以识别出比数据集中更优的分子。除 point-wise target 外,GaUDI 还可以用于 open-ended targets(如最小值或最大值),并在所有情况下,生成的分子有效性都接近 100%。

SurfGen:计算机辅助药物发现新模型

添加图片注释,不超过 140 字(可选)

* 标题:Learning on topological surface and geometric structure for 3D molecular generation

* 来源:Nature Computational Science

* 领域:分子设计,药物发现

* 作者:浙江大学和碳硅智慧的研究团队

* 原文:

Learning on topological surface and geometric structure for 3D molecular generation | Nature Computational Science

方法简介:

SurfGen 模型以类似于「钥匙和锁」原理的方式设计分子,其包含了两个等变神经网络——Geodesic-GNN 和 Geoatom-GNN,分别捕获口袋表面上的拓扑相互作用,以及配体原子和表面节点之间的空间相互作用。

SurfGen 在许多基准测试中都优于其他方法,其对口袋结构有高敏感性,这使得基于生成模型的方案能够解决突变诱导的耐药性这一棘手问题。

清华大学研究团队发布人工智能辅助框架——DeepSEED

添加图片注释,不超过 140 字(可选)

* 标题:

Deep flanking sequence engineering for efficient promoter design using DeepSEED

* 来源:Nature Communications

* 领域:合成生物学

* 作者:清华大学研究团队

* 原文:

Deep flanking sequence engineering for efficient promoter design using DeepSEED | Nature Communications

方法简介:

DeepSEED 由两个深度学习模块组成,一个条件式生成对抗网络 (cGAN) 用于捕获显式和隐式模式之间的依赖关系,一个基于 DenseNet-LSTM 的预测模型用来评估启动子性能,并利用遗传算法对这两个模型进行偶联,通过模型迭代实现功能启动子的优化设计。

FIREANN:用于原子系统对外部场响应的通用机器学习模型

添加图片注释,不超过 140 字(可选)

* 标题:

Universal machine learning for the response of atomistic systems to external fields

* 来源:Nature Communications

* 领域:原子系统,机器学习

* 作者:中国科学技术大学和安徽科技大学团队

* 原文:

https://www.nature.com/articles/s41467-023-42148-y

方法简介:

研究团队提出了一种通用场诱导递归嵌入原子神经网络 (FIREANN) 模型,可以将伪场矢量依赖特征整合到原子描述符中,以表示具有严格旋转等变性的系统-场相互作用。

这种「一体式」方法将偶极矩和极化率等各种响应特性与单个模型中的场相关势能相关联,非常适合在存在电场的情况下,对分子和周期系统进行光谱和动力学模拟。对于周期系统,FIREANN 可以通过仅训练原子力来克服极化的内在多值问题。

企业动态

DeepMind 发布 GNoME,利用深度学习预测 220 万种新晶体

添加图片注释,不超过 140 字(可选)

GNoME 流程示意图

Google DeepMind 近日在 Nature 上发表的一篇论文显示,借助其发布的深度学习工具 GNoME,科研人员在短时间内就发现了 220 万种新晶体(相当于人类科学家近 800 年的知识积累),其中 38 万种新晶体具备稳定的结构,成为最有可能通过实验合成并投入使用的潜在新材料。

GNoME 全称 Graph Networks for Materials Exploration,是一个用于新材料研发的 SOTA GNN 模型,它利用深度学习,可以在极短时间内预测新材料的稳定性,极大提高了材料研发的速度和效率,展现了利用 AI 大规模开发新材料的潜力。

DeepMind 发布气象预测 AI 模型 GraphCast

添加图片注释,不超过 140 字(可选)

GraphCast 依据 6h 前及当前天气状况,即可预测未来 6h 天气

日前,Google DeepMind 在官方博客中宣布推出的一款基于机器学习的天气预测模型——GraphCast,在全球 0.25° 的分辨率下,在一分钟内预测未来 10 天的数百个天气变量,显著优于传统气象预报方法。

此外,该模型在预测极端事件方面同样表现良好。与行业黄金标准天气模拟系统——高分辨率预报 (HRES) 相比,GraphCast 在 1,380 个测试变量中准确预测超过 90%。

百图生科与赛诺菲达成大型战略合作

百图生科 (BioMap) 宣布与全球 Top10 的医药跨国公司赛诺菲达成战略合作。根据协议,双方将基于百图生科的生命科学大模型 (Life Science AI Foundation Model),共同开发用于生物治疗药物发现的前沿模型。此次合作,是生命科学领域首次基于大模型的商业合作,同时也进一步推动了「模型开发」与「AI 药物管线研发」两种商业模式并行发展。

IBM 推出新款 AI 芯片 NorthPole,能效提高 25 倍

添加图片注释,不超过 140 字(可选)

前段时间,美国 IBM 公司推出了一款类脑 AI 芯片 NorthPole,可大幅提高能源、空间和时间效率,相关论文已刊发于国际顶刊 Nature。据介绍,NorthPole 基于 12 纳米节点处理技术构建,以 ResNet-50 模型为基准,NorthPole 的效率明显高于常见的 12 纳米 GPU 和 14 纳米 CPU,能效提高了 25 倍。

论文地址:

‘Mind-blowing’ IBM chip speeds up AI

玄言生物完成数千万天使轮融资

上海玄言生物科技有限公司此前宣布完成数千万元天使轮融资,由海南仟港汇投资合伙企业独家领投,融资获得资金计划用于世界全新癌症靶点抗体药 INTX-001 的临床前研究,开发下游 IVD 管线,AI 预测重大疾病进程(早筛、转移等)相关的 IVD 产品与软件。

工具资源

AI for Science 开源新项目 Polymathic AI 主要团队曝光

添加图片注释,不超过 140 字(可选)

Polymathic AI 计划的目标是加速开发针对数值数据集和科学机器学习任务定制的多功能基础模型。

为此, Polymathic AI 汇集了一支由纯机器学习研究人员,以及领域科学家组成的团队,接受世界领先专家组成的科学咨询小组的指导,并由图灵奖得主、Meta 首席科学家 Yann LeCun 担任顾问,受到包括剑桥大学 AI+天文/物理助理教授 Miles Cranmer 在内的多位学术大咖的支持,以期集中精力开发科学数据的基础模型,利用跨学科的共享概念解决 AI for Science 行业难题。

项目开源地址:

https://github.com/PolymathicAI/

阿里达摩院发布遥感 AI 大模型

添加图片注释,不超过 140 字(可选)

不久前,阿里达摩院发布了业内首个遥感 AI 大模型 (AIE-SEG),率先在遥感领域实现了图像分割的任务统一,可实现「万物零样本」的快速提取,可识别农田、水域、建筑物等近百种遥感地物分类,还能根据用户的交互式反馈自动调优识别结果,大幅提升灾害防治、自然资源管理、农业估产等遥感应用的分析效率。

该模型已在 AI Earth 地球科学云平台开放使用。在一些特定场景下,对比传统的遥感模型,其实例提取的准确率可提升 25%,变化检测的准确率可提升 30%。

模型地址:

AI Earth

上海AI实验室开源首个城市级 NeRF 实景 3D 大模型

添加图片注释,不超过 140 字(可选)

目前,上海 AI 实验室已经正式开源了全球首个城市级 NeRF 实景三维大模型「书生·天际」 (LandMark),支持在不同应用场景下的落地部署,并提供免费商用。这也是上海 AI 实验室首次公开多分支 GridNeRF 模型核心算法及与之匹配的训练策略。

书生·天际官网:

书生·天际

开源地址:

https://github.com/InternLandMark/LandMark

论文地址:

Grid-guided Neural Radiance Fields for Large Urban Scenes

智源研究院开源 10 亿参数的三维视觉通用模型 Uni3D

添加图片注释,不超过 140 字(可选)

日前,智源研究院开源发布了 10 亿参数的三维视觉通用模型 Uni3D,其对于衡量视觉通用能力至关重要的分类任务,以及零样本识别、理解、分割任务等,都有超预期表现。据介绍,出品 Uni3D 的智源视觉团队此前曾发布 10 亿通用视觉模型 EVA。而本次三维视觉模型的突破关键是利用了 ViT 技术,将 2D 预训练基础经验升维至 3D。

论文链接:

https://arxiv.org/abs/2310.06773

代码/模型链接:

https://github.com/baaivision/Uni3D

https://huggingface.co/BAAI/Uni3D/tree/main/modelzoo

近期活动

中国药科大学生物医药数据科学行业与专业发展大会

添加图片注释,不超过 140 字(可选)

2023 年 12 月 8 日至 9 日,中国药科大学 2023 生物医药数据科学行业与专业发展大会 BDSC (The Biomedical Data Science Convention For Industry & Discipline Development) 将于南京举办。

大会以「数据求真 · 智慧医药」为主题,重点关注生物医药与数据科学的多学科交叉发展,深度剖析行业发展趋势,探索以人工智能为代表的数据科学在药物发现、药品生产、质量安全、政策监管、生物医药企业数字化转型升级等业界关注的诸多领域的前沿动态、学术成果以及应用实践。

报名地址:

2023BDSC生物医药数据科学行业与专业发展大会 预约报名-活动-活动行

「未来之后」AI4S 第二届国际高峰论坛

添加图片注释,不超过 140 字(可选)

2023 年 12 月 14 日,由北京大学深圳研究生院发起的「未来之后」AI4S 第二届国际高峰论坛,将于北京大学深圳研究生院会议中心正式开幕。

活动邀请到了美国科学院院士 David Baker 教授、微软杰出首席科学家刘铁岩博士、中国科学技术大学杰出讲席教授罗毅、美国康奈尔大学化学工程与生物分子工程系终身讲席教授尤峰崎、厦门大学化学化工学院教授程俊,围绕 AI for Science 的发展带来深度分享。

报名地址:

https://mp.weixin.qq.com/s/WObN0eh-t0a8ZRuOQzkxsg

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 242

ICML2023基于节点路径更新且可区分同构的GNN模型论文阅读笔记

图神经网络(gnn)最近已经成为学习图结构数据的标准方法。之前的工作揭示了它们的潜力,但也揭示了它们的局限性。不幸的是,研究表明,标准gnn的表达能力有限。在区分非同构图方面,这些模型并不比一维Weisfeiler-Leman (1-WL)算法更强大。本文提出路径神经网络(PathNNs),一种通过聚合来自节点的路径来更新节点表示的模型。推导出PathNN模型的三种不同变体,聚合了长度为k的单最短路径、所有最短路径和所有简单路径。证明了其中两种变体严格比1-WL算法更强大,并通过实验验证了理论结果。路径神经

weixin_44792660的博客 848

避坑指南:ArcGIS 做莫兰指数分析,你的‘空间关系概念化’选对了吗?

本文深入解析了ArcGIS中莫兰指数分析的关键参数——'空间关系概念化'的选择策略。通过对比反距离法、固定距离法和K最近邻法的适用场景与影响机制,帮助研究者避免常见误区,提升空间自相关分析的准确性和解释力。特别针对全域莫兰指数和局域莫兰指数的计算差异提供了实用建议。

weixin_30872157的博客 811

【图神经网络】图神经网络(GNN)学习笔记:GNN的应用简介

GNN的应用:生物化学、交通、计算机图像、自然语言处理、点云数据 PointNet, EdgeConv,推荐系统DGRec、视觉推理

小哲的博客 9515

STM32F103上跑mbedtls 2.24.0:手把手教你为MQTTS加密通信打好基础

本文详细介绍了如何在STM32F103上移植和裁剪mbedtls 2.24.0,为MQTTS加密通信打下坚实基础。通过版本选择、开发环境配置、深度裁剪策略和加密功能验证,帮助开发者在资源受限的MCU上实现安全通信。文章还提供了常见问题解决方案和性能优化技巧,助力物联网设备开发。

weixin_30321709的博客 462

微信小程序使用ucharts折线图,有负数显示0刻度线

当数据有负数和正数的时候默认不会显示0刻度线,不方便看出正负对比。

欢迎来到我的博客!在这里,我将分享我在前端开发方面的知识和经验。让我们一起探索前端开发的无限可能! 1582

【ScienceAI Weekly】IBM新AI芯片提效25倍;清华大学发AI辅助框架;DeepMind新工具预测220万新晶体...

「ScienceAI Weekly」是 HyperAI 超神经新创建的半月更栏目,主要从科研成果、企业动态、工具资源、近期活动 4 个维度,收集呈现 ScienceAI 领域近期值得关注的最新动态,以期为长期关注该领域的从业者、爱好者,提供更有价值的圈内资讯和行业启示。一起来看看本期值得关注的 ScienceAI 进展吧!科研成果GaUDI:用于逆向分子设计的引导扩散模型* 标题:Guided d...

HyperAI超神经 1207

MFC停靠窗口实战:CDockablePane从创建到控件布局的完整指南(附残影问题排查)

本文提供了MFC中CDockablePane停靠窗口的完整实战指南,涵盖从自定义窗格类创建、主框架集成、内部控件布局到高级功能定制的全过程。针对开发中常见的“残影”视觉问题,文章深入剖析了其根源,并给出了系统性的排查步骤与解决方案,帮助开发者构建稳定、专业的可停靠用户界面。

sun99的博客 614

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 326

MySQL常见面试题汇总(建议收藏!!!)

目录一、索引相关(1)什么是索引?(2)索引是个什么样的数据结构呢?(3)为什么使用索引?(4)Innodb为什么要用自增id作为主键?(5)Hash 索引和 B+ 树索引有什么区别或者说优劣呢?(6)什么是聚簇索引(6)非聚簇索引一定会回表查询吗?(6)聚簇索引和非聚簇索引的区别(6)MyISAM和InnoDB实现B+树索引方式的区别是什么?(6)MySQL中有四种索引类型,可以简单说说吗?(6)覆盖索引是什么?(6)联合索引是什么?为什么需要注意联合索引中的顺序?(6)创建的索引有没有被使用到?或者说怎

蔡政洁的博客 7万+

【dify】 dify环境变量配置说明

SMTP_SERVER、SMTP_PORT、SMTP_USERNAME、SMTP_PASSWORD、SMTP_USE_TLS、SMTP_OPPORTUNISTIC_TLS:当 MAIL_TYPE 为 smtp 时,SMTP服务器的相关配置。UPLOAD_IMAGE_FILE_SIZE_LIMIT、UPLOAD_VIDEO_FILE_SIZE_LIMIT、UPLOAD_AUDIO_FILE_SIZE_LIMIT:分别为上传图像、视频、音频文件的大小限制(MB)。

tonysh_zds的博客 7357

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 184

verilog实现步进电机脉冲分配器(三相六拍)基于Nexys4DDR开发板

使用Verilog HDL设计的一个能够自启动、具有正反转功能的三相六拍步进电机脉冲分配器。已经写好Nexy4DDR的管脚约束文件 可以通过Nexys4DDR开发板的PMOD接口连接步进电机进行调试。 使用verilog语言 在vivado2018.2下运行编译下载都正确,(也可在ISE,QuartusII下使用)下面是工程截图: ...

QQ_778132974的博客 2593

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 167

SAP Joule Studio 能不能用来开发 skill:可以,但它开发的是 Joule 语境下的企业级 skill,而不是替代所有 SAP 开发技术的万能锤

SAP Joule Studio 专为开发Joule技能(Joule skills)而设计,这些技能是执行确定性单步业务动作的原子能力。它通过自然语言接口连接SAP和非SAP系统,适合处理边界清晰、可审计的任务(如创建工单、查询发票)。Joule技能作为会话式业务编排层,与ABAP、CAP等核心技术互补而非替代。开发支持低代码和专业代码两种方式,并具备企业级治理能力,但需要相应的BTP订阅和技术基础。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 202

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 243

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 551

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 598

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 143

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 277

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 38

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 388

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 458

AI作图软件技术选型:从4个技术维度出发的实测对比

AI作图软件技术选型:从4个技术维度出发的实测对比

Vbaoke的博客 244

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

314

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 360
上一篇: HyperAI超神经 x Alluxio丨4 位大咖齐聚,2023 全球 AI 前沿科技大会完整议程公开
下一篇: AI 与胚胎结合?系统生物学家 Patrick Müller 利用孪生网络对斑马鱼胚胎展开研究
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