上海交大 AI4S 团队提出「智能化科学设施」构想,建立跨学科 AI 科研助手

「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

a4297c833a318f3fbc44694c8b3eb0a4.png

作者:李宝珠

编辑:三羊

上海交大人工智能研究院 AI for Science 团队杨小康教授等人,提出一种智能化科学设施的建设构想,形成科学领域大模型、生成式模拟与反演、自主智能无人实验及大规模可信科研协作等创新功能。

近年来,人工智能在科研中的应用持续向纵深发展,同时也在不断扩张应用领域的广度,从蛋白质折叠到新材料发现,从疾病预测到预后诊疗,从天文探索到自然灾害分析……AI for Science 多点开花的背后,一方面是国内外 AI 企业面向科学研究领域的研发,降低了 AI 工具的使用门槛;另一方面也是科研人员在接纳「AI 帮手」的过程中,与其磨合出了高效的协作模式。

Nature 的一项分析显示,在 Scopus 数据库中,在标题或摘要中提到人工智能或人工智能相关关键词的论文比例,从十年前的 2% 上升到了现在的 8% 。然而,纵观以谷歌 DeepMind 为代表的科技大厂所发布的大模型等工具,以及海内外高校研究团队发表的相关研究成果,大多是面向特定领域的特定问题,可复制性不足。

北京大学智能学院林宙辰教授此前接受 HyperAI超神经专访时便表示:“目前的 AI 工具缺乏统一性,即使只针对数学学科,面向数论和面向几何学所开发的 AI 工具就已经存在很大差别,更不用提跨学科的AI工具了。AI 工具还没有像当今的计算机一样,成为基础底座,可以方便取用。目前的计算机语言有 C 语言、Java、Python等,完全可以基于其中一种语言解决数学、物理、化学等多学科的问题,这体现了其通用性,但是 AI 工具则不然,光看谷歌 DeepMind 的 Alpha 系列便可知一二。”

针对于此,上海交通大学人工智能研究院 AI for Science 团队杨小康教授等人提出了一种智能化科学设施的建设构想,形成科学领域大模型、生成式模拟与反演、自主智能无人实验及大规模可信科研协作等创新功能。相关研究成果已发表于《中国科学院院刊》。

dc4e3cf3c5455a583f6411bd942d2637.png

论文地址:
http://www.bulletin.cas.cn/previewFile?id=52965146&type=pdf&lang=zh
关注公众号,后台回复「AI4S」获取完整论文

兼顾创新与赋能

上海交大 AI for Science 团队提出,实现智能时代的基础科学源头创新及其下游重大技术创新,急需破解 2 个核心问题:


*如何面向 AI for Science 的研究范式,建立全新的科学智能大设施? 

*如何利用新一代 AI 实现对传统科学设施的赋能?

66d7f9e422d471e027484ae23903da26.jpeg
智能化科学设施的总体思路

在创新层面,需要系统性、整体性地释放新一代 AI(特别是生成式 AI 及大模型)在基础科学领域的创造性和通用性,实现自发假设生成、自动规律推演、自主无人实验、自驱可信协作等创新功能,推动超大规模、高速迭代的科学探索。

在传统科学设施和研究范式下,整个科研流程存在科学问题沟通难、科学实验操作难、科学数据共享难等困难。一些高精尖的大型科学设施及其科研环境高度复杂,此类困难尤为突出。利用新一代 AI 实现「科学问题(科学家)—实验设备(实验员)—科研数据及文献(科研机构及中介)」高效闭环,不仅是新建的科学设施需要具备的标配,更是在已有的科学设施升级改造过程中的新需求和新机遇。

所以,该团队提出的建设「智能化科学设施」 (AI enabled Scientific Facility, AISF) 的构想,兼顾了「创建高度智能化的科学新设施」和「赋能已有科学大设施」2 个层面。

1b576c1cb6370dfc07a8ba1934ddce84.jpeg
智能化科学设施的架构设想

如上图所示,智能化科学设施形成了人在环路的科学智能大设施 3 层体系架构。


*基础支撑层,通过高性能计算、算力网,形成算力支撑; 

*科学模型层,构建跨学科、跨模态的科学大模型,以及「AI 科研助手」;
*实验应用层,通过 AI 操作机器人、智能实验环境,实现自主无人实验和多方科研协作。

4 大创新功能

在 3 层架构的基础上,智能化科学设施能够形成传统范式所不具备的 4 个主要新功能,即科学大模型、生成式模拟与反演、高通量自主无人实验、大规模可信科研协作。

4c95bf574138ba78d53bf52cfdaf6e53.jpeg
智能化科学设施的创新功能

科学大模型

科学大模型作为「AI助手」辅助人类科学家进行科学研究,需要具备跨学科的知识背景、处理跨模态数据输入、掌握外部科学工具的调用能力,结合反馈与评测,实现持续进化。

5fa6f67d315f2631a07789bb406211d5.jpeg
科学大模型整体架构

如上图所示,构建科学大模型需要在基础大语言模型之上形成 4 种专门能力,并构建对应的评测基准。

第一是跨学科跨模态统一输入的能力。在科学研究产生的数据中,除了文本数据,一般还有公式、图表、分子式等多模态数据,如何实现这些跨模态数据的统一输入,进而对跨学科的专业知识进行联合建模,是建立科学大模型亟待解决的挑战问题。

第二是有效调用外部科学工具的能力。大模型存在输出看似合理、实则错误内容的问题,而解决此类问题的一种可行技术途径是将大模型作为规划与推理引擎,通过调用不同类型的外部科学工具,以提高可信度和准确性。

第三是模型持续反馈和进化的能力。科学大模型一方面可以利用科研人员的高质量反馈,完善科学领域专业知识,增强科学知识建模与推断能力,提高科学内容生成、文献归纳推理等方面的水平;另一方面,可以利用实验反馈来不断提升其科学假设生成和实验方案优化的能力。

第四是幻觉 (hallucination) 消除能力。幻觉是指模型生成的内容与现实世界事实或用户输入不一致的现象。如何有效筛选专家知识,并利用高精准度的专业知识进行强化学习,实现大模型的迭代和更新,是消除科学幻觉的重要方法。此外,基于基座模型的定向优化和集成,在特定领域提升模型的可信度和精准度,也是修正科学幻觉的重要途径。

最后,科学大模型的评测基准一方面测试科学大模型的跨模态、跨学科数据理解和建模能力;另一方面评测科学大模型是否具有利用科学工具准确鲁棒地完成复杂任务的能力,以及是否具有较强的拒绝生成虚假和有害内容的能力。

生成式模拟与反演

用仿真及计算机模拟工具实现「理论—现象」之间的推演是科学研究的重要范式之一。传统的基于数值计算的模拟方法在很多现实场景中存在求解速度与精度等方面的局限与挑战。

e096637d04b5ad583a4b35b710075a4f.jpeg
仿真空间的生成式模拟与反演

如上图所示,以生成式神经网络为基础结构,可以将对复杂系统的数值求解问题转化为数据拟合问题,建立起从假设空间到仿真空间的高效映射,从而加速求解。此外,利用生成式渲染技术,还能够实现从仿真空间到观测空间的科学现象表观生成,进而实现横跨「假设—仿真—观测」3 个空间的闭环学习,驱动规律反演。

自主智能无人实验系统

自主智能无人实验系统旨在将 AI 和机器人领域的技术成果与科学实验进行结合,通过无人化、标准化、大规模的实验流程,提升实验效率和可复用性。

cf709e5f3e2922b05dfc75da5a8e525a.jpeg
自助智能无人实验系统

其中,无人实验操作平台及智能化系统的任务流程主要包括 3 个步骤:
*方案自动优化 

*自主任务规划
*无人实验操作

同时,根据操作精度的不同,无人实验操作可分为微观和宏观 2 种空间尺度。微观尺度下的无人实验的操作对象通常为活细胞、蛋白质等微小颗粒,多采用固定实验平台,其核心问题为提升高精度操作通量。宏观尺度的无人实验操作侧重实验流程的完备性,以搭载机械臂的可移动机器人为主在实验设备之间自主移动,完成多任务全流程的自动化实验。

此外,在硬件本体平台的基础上,构建智能化系统软件是自主智能无人实验平台的另一个基础问题,通过软件驱动自身状态感知、外部环境感知、移动导航、仪器定位、实验操作规划和控制执行等流程。深度强化学习与模仿学习可以通过环境交互的经验轨迹或专家示教轨迹进行自主学习,构建观测信息与最优动作之间的映射关系。

大规模科研协作

智能化科学设施支持数据共享,以便于 AI 模型的开发与测试,但是需要设计一系列措施对数据开发者的知识产权与利益进行确认与保护。近年来,去中心化科学 (DeSci) 备受科研人员关注,DeSci 旨在使用 Web3 工具,包括智能合约和区块链来解决科学研究中的知识产权问题,促进科学数据的共享流通。

在该研究团队提出的智能化科学设施架构中,区块链技术为打造安全、可信的协作环境提供基础,联邦学习技术能够在去中心化的协作环境中解决数据孤岛问题并保证数据安全和科研效率,互联网群体智能可以将不同的科研模块整合在统一的平台中,实现高效的大规模科研协作。

9139a7c47f63c32965d75ffa99e3e6f3.jpeg
大规模科研协作系统

躬身实践,推动 AI for Science 发展

作为智能化科学设施构想落地的首个阶段,上海交大搭建了 AI for Science 科学数据开放平台,包括科学算力基座、科学数据、人工智能、科学协作等四个子平台,并基于该平台研制了「白玉兰科学大模型」,于 2023 年 7 月和 12 月先后发布 1.0 版和 2.0 版,涵盖化学、流体、法律、跨科学评测基准等方向。

其中,不久前发布的「白玉兰科学大模型 2.0」包括了「法律开源 (BAI-Law-13B)」和「化学合成 2.0 (BAI-Chem 2.0)」。

BAI-Law-13B 经过海量中文互联网、开源代码、司法文书、法律文件和法律书籍等权威数据,进行了领域预训练,形成了 BAI-Law-13B-Base 模型,在此基础上融合法律知识记忆、法律知识理解、法律知识应用等司法应用场景监督微调,形成了 BAI-Law-13B-SFT 模型。据悉,在第三方法律综合评估基准 LawBench 测试中,其超越了该测试中所有的开源中文通用大模型和中文法律大模型。

BAI-Chem 2.0 可实现快速高效的药物分子设计,每秒可设计 30 个类药性、靶点高亲和力分子;在公开数据集 USPTO 测试集上单步逆合成 Top1 的准确率较目前文献最优提升了 15%。对高通量实验数据的产率预测 R² 达到了 0.88;催化剂推荐准确率达到了 93.7%。目前,BAI-Chem 2.0 已有效连接湿实验验证,在线实现实验优化,快速提高化学实验效率。

早期关注到 AI for Science、并组建相应研究团队,足以可见上海交通大学对于 AI4S 这一 AI 前沿应用的重视。目前,该团队不仅已经产出相关成果,并且持续与相关企业合作,相信在不久的未来便能够真正实现「智能化科学设施构想」中的跨学科、平台型协作。

参考资料:
1.https://news.sjtu.edu.cn/jdzh/20240124/193351.html
2.https://cloud.baidu.com/news/news_85aaa2be-241d-45c2-8aa1-3c8bbcfbd09b

 往期推荐 

69376cbf17b80bd48e031db80e884cba.png

d2d9327221a5bf65c283cff078d10b7d.png

e52389e04cad5aec835d778eda3f9d6b.png

414d9be4e1e119b8cc53d6c6f21d301c.gif

b270d82fd5189be4a7ade001c87df590.gif

戳“阅读原文”,免费获取海量数据集资源!

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。 阅读详情

相关推荐

联想Y9000P安装Ubuntu20.04记录

联想Y9000P 2022安装Ubuntu20.04问题记录

Legendyyy的博客 7120

大模型评测的真正难点:内在精细决策逻辑与人认知的对齐

知乎:Qs.Zhang张拳石链接:https://zhuanlan.zhihu.com/p/2092355900陈鹭,张拳石Lu Chen, Yuxuan Huang, Yixing Li, Yaohui Jin, Shuai Zhao, Zilong Zheng, Quanshi Zhang, "Alignment Between the Decision-Making Logic of LLM...

zenRRan的博客 531

Halcon: 获取仿射矩形-rectangle2的四个顶点、四条边的中点

Halcon 工业应用实用教程中的一个例子: * CenterY : 仿射矩形中心y * CenterX: 仿射矩形中心x * Phi: 仿射矩形角度 * Len1: 仿射矩形宽的一半 * Len2: 仿射矩形高的一半 * CornerY: 仿射矩形端点y * CornerX: 仿射矩形端点x * LineCenterY: 仿射矩形边中点y * LineCenterx: 仿射矩形边中点x * 矩...

ruotianxia的博客 8576

2024 年 8 个顶级开源 LLM(大语言模型)_开源llm

选择开源 LLM 的公司将可以访问 LLM 的工作原理,包括它们的源代码、架构、训练数据以及训练和推理机制。这种透明度是审查的第一步,也是定制的第一步。由于每个人都可以访问开源 LLM,包括它们的源代码,因此使用它们的公司可以针对其特定用例对其进行自定义。

2401_87018788的博客 1277

ENVI5.6 自动化流程:GF系列卫星影像批处理与质量优化

本文详细介绍了如何利用ENVI5.6构建针对GF-2、GF-6、GF-7系列卫星影像的自动化批处理流水线。通过配置Batch Processing工具,实现从正射校正到图像融合的全流程批量处理,并分享参数设置、质量监控与故障排查的实战经验,旨在显著提升海量遥感影像的处理效率与成果质量。

efc1234567的博客 604

天龙八部源码深度解析:从宠物系统到副本机制(C++游戏开发实战)

本文深度解析《天龙八部》源码架构,重点剖析宠物系统状态机实现与副本动态加载机制等核心模块。通过C++代码示例展示宠物AI状态迁移逻辑和副本场景管理技术,为现代游戏开发提供兼容性改造方案与设计启示。适合游戏开发者学习经典MMORPG的工程化实现路径。

weixin_29011239的博客 391

CVPR最佳论文首位华人得主为什么要转向AI for Science?

近期,科技部联合自然科学基金委启动“人工智能驱动的科学研究”专项部署工作,布局AI for Science(以下简称AI4S)前沿科技研发体系,人工智能领域大牛何恺明转向了AI4S。国际层面,特斯拉、谷歌、微软等都在布局AI4S相关工作......从国内到全球,从学界到业界,AI4S 俨然已成燎原之势。9月4日,我们邀请到美国Top10 CS博士 ,20+个顶会审稿人Paul老师聚焦上月热点,为大...

3D视觉工坊 491

【STK】手把手教你利用STK进行导弹和反导仿真02 - STK/MMT模块01 导弹任务分析工具概述

种工具:导弹设计工具(Missile Design Tool,MDT )、导弹飞行工具(Missile Flight Tool,截弹,或者用内置拦截弹编辑器创建的个性化的拦截弹, IFT 能够对 ―一对一 ‖动能拦截。导设置系统参数, 并对其有效性进行验证, 画性能图,保证该设计是可行的。(SAIC)公司联合开发研制,极大扩展了 STK 原有的导弹对象的功能,能够精确仿真。IFT 能够对拦截飞机、 导弹、卫星等目标进行仿真和分析。(2)推进系统参数,包括推力,比冲,秒流量,推力持续时间,喷嘴出口面积,

weixin_44184852的博客 1884

【Ansys 2024 R1 】助力扩展AI支持的多物理场优势,重构用户体验

AnsysGPT是一款经过Ansys训练的AI虚拟助手,可提供全天候的客户支持。用于Ansys Icepak™、Ansys Mechanical™、Ansys HFSS™、Ansys RaptorX™和Ansys Q3D Extractor™求解器引擎的统一仿真平台和工作流程可优化基于多物理场的电磁仿真工作流程。例如,面向嵌入式软件的Ansys Scade One™基于模型的设计环境,在参考了新的设计语言基础上进行构建,便于学习和使用,其旨在与云计算模型以及系统和软件工程师目前使用的大量高级技术无缝集成。

ueotek的博客 2121

RK3568笔记九十四:基于QT的YOLOV5目标检测

基于RK3568平台的实时目标检测应用,使用YOLOv5模型和RKNN推理引擎实现摄像头实时目标检测,并通过Qt界面显示检测结果。主要功能实时摄像头目标检测:从摄像头获取视频流,使用YOLOv5模型进行目标检测RKNN推理加速:利用RK3568内置的NPU进行模型推理加速图形界面显示:使用Qt框架构建用户界面,实时显示检测结果RGA图像处理:使用Rockchip Graphic Accelerator进行图像缩放处理。

523

LSTM+Transformer混合模型时间序列预测实战教学

LSTM+Transformer混合模型时间序列预测实战教学 毕业设计

8221

华科大/上海AI Lab/上海交大科研先锋深度分享:最新成果,顶会投稿经验,跨学科合作挑战……

作者:十九编辑:李宝珠转载请联系本公众号获得授权,并标明来源华中科技大学黄宏副教授、上海人工智能实验室 AI for Sciense 中心青年研究员周东展、上海交通大学自然科学研究院的助理研究员周冰心共同探讨了 AI 在社会科学、物理化学、生命科学领域的前沿发展,并分享了各自在选择科研方向上的见解,以及对 AI 顶会的投稿经验。人工智能融合了计算机科学、数学、统计学、认知科学等多个学科,其发展高度依赖跨学科人才的培养。

HyperAI超神经 931

YOLO26创新改进 | 全网独家创新篇、小目标检测专属 | AAAI 2025 | 引入HS-FPN中的HFP和SDP创新点,从频域增强小目标特征,淘汰FPN进行升级,助力YOLO26有效涨点

本文提出HS-FPN特征金字塔网络,通过高频感知模块(HFP)和空间依赖感知模块(SDP)优化YOLO26模型。HFP利用高通滤波器增强小目标的高频特征,SDP捕获相邻像素的空间依赖关系。在AI-TOD等小目标检测数据集上,HS-FPN相比传统FPN显著提升性能。文章详细介绍了HFP和SDP的模块结构、核心代码实现,以及如何在YOLO26中集成这两个模块的配置方法,提供了多个版本的yaml文件配置方案。实验结果表明该方法能有效改善微小目标检测效果。

Ai缝合怪、助力小伙伴高效发论文 208

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 341

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")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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 279

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

【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 616

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

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 208

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

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 351

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 87

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

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! 514

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 618

【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。

408

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 402
上一篇: 千里挑一找女友/哄哄模拟器/虚拟伴侣……AI 承包恋爱服务
下一篇: 亚马逊工程师严选,超 40 篇 LLM 论文汇总
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