基於最小狀態空間的 RNN 框架可以解決所有類別材料的建模問題
無需超算設施，開源網站可準確預測材料帶隙特性
使用虛擬人群進行臨床試驗
基於藥代動力學/藥效學的深度學習從早期資料中預測反應時間
相關器卷積神經網路：類似影像的量子物質資料的可解釋架構
是相同的還是不同的？這個問題困擾著神經網路
AI 快速準確地追蹤健康的人造幹細胞
模擬指導哺乳動物細胞中新功能的快速工程
基於最小狀態空間的 RNN 框架可以解決所有類別材料的建模問題
在新材料投入實際生產之前，需要了解它們的力學行為並對其進行建模，以最佳化結構的剛度和強度。瑞士聯邦理工學院的兩名研究人員透過引入「最小狀態空間」開發了用於材料建模的迴圈神經網路框架，併成功應用於四種不同的材料類別，相關研究成果於6月23日發表在雜誌 Science Advances 上。研究人員表示，他們的框架是「第一個能夠表示各種材料的三維應力應變響應的通用模型。」
材料建模工作流程論文連結：https://doi.org/10.1126/sciadv.abf3658
無需超算設施，開源網站可準確預測材料帶隙特性
帶隙是材料效率的關鍵指標，通常使用密度泛函理論來預測材料的帶隙，但你可能需要用超級計算機進行計算。不過，現在有了免費的易於使用的網站可以準確預測這材料特性。墨爾本皇家理工大學的研究人員使用之前 250,000 次超級計算機計算生成的資料，訓練了一個機器學習平臺，該平臺整合了 5 不同的機器學習技術模型，並在光伏材料上進行了實驗驗證。相關研究成果於5月27日發表在雜誌 Journal of Cheminformatics 上。論文連結：http://dx.doi.org/10.1186/s13321-021-00518-y
相關報導：https://phys.org/news/2021-06-machine-solar-energy-supercomputer-killer.html
使用虛擬人群進行臨床試驗
臨床試驗的成本不斷增加，利茲大學的最新研究表明，涉及虛擬患者的研究在評估用於治療腦動脈瘤的醫療裝置方面與傳統臨床試驗一樣有效。該團隊使用分流器效能評估 (FD-PASS) 計算機模擬試驗，模擬了 164 名具有 82 個不同解剖結構的虛擬患者的顱內動脈瘤的治療。相關研究成果於今天6 月 23 日在雜誌 Nature Communications 上。
FD-PASS 計算機試驗的工作流程論文連結：https://doi.org/10.1038/s41467-021-23998-w
相關報導：https://medicalxpress.com/news/2021-06-virtual-populations-clinical-trials.html
基於藥代動力學/藥效學的深度學習從早期資料中預測反應時間
目前，使用藥代動力學或藥效學 (PK/PD) 方法對給藥後的患者反應時間進行縱向分析，仍需要大量的人類經驗和相關的專業知識。因此，美國基因泰克公司提出了一種新的 PK/PD 神經網路框架，將藥理學原理與常微分方程相結合，可以模擬患者對未經測試的給藥方案的反應。應用於由 600 多名患者組成的臨床資料集的藥物濃度和血小板反應分析，實驗證明了該模型對患者反應時間過程的自動預測分析的潛力。相關研究成果於6月21日發表在雜誌 Nature Machine Intelligence 上。
PK/PD 神經架構論文連結：https://doi.org/10.1038/s42256-021-00357-4
相關器卷積神經網路：類似影像的量子物質資料的可解釋架構
來自量子系統的類似影像的資料有望為相關量子物質的物理學提供更深入的瞭解。然而，凝聚態物理的傳統框架缺乏分析此類資料的原則性方法。最近，美國康內爾大學和哈佛大學的研究人員開發了相關器卷積神經網路 (Correlator convolutional neural networks, CCNN)，成功地區分了單點相關器和兩點相關器無法區分的模擬快照。新方法非常適合構建簡單、通用、端到端的可解釋架構，從而為從實驗和數值資料的機器學習研究中獲得新的物理見解鋪平道路。相關研究成果於6月23日發表在雜誌 Nature Communications 上。
相關器卷積神經網路架構論文連結：https://doi.org/10.1038/s41467-021-23952-w
是相同的還是不同的？這個問題困擾著神經網路
儘管神經網路已經取得了巨大的成功，但人工智慧系統似乎無法區分「相同」和「不同」的概念。最近一些科研成果提供了經驗證據，表明當前主宰 AI 的 CNN 缺乏基本的推理能力，無法用更多的資料或更聰明的訓練來支撐。研究人員擔心，如果不能滿足這一點，創造真正的智慧機器的努力可能是無望的。
提升 CNN 的層數並不能使它區分相同和不同兩個概念相關報導：https://www.quantamagazine.org/same-or-different-ai-cant-tell-20210623/
AI 快速準確地追蹤健康的人造幹細胞
幹細胞治療處於再生醫學的前沿，但直到現在，研究人員和臨床醫生仍需透過顯微鏡單獨觀察每個細胞來評估幹細胞的質量。現在，東京醫科齒科大學的研究人員已經找到了一種利用人工智慧加速這一過程的方法。研究提出的基於深度卷積神經網路的自動細胞跟蹤 (DeepACT) 技術，可用於開發可靠的人造幹細胞無創質量控制和識別的培養平臺。相關研究成果於3月30日發表在雜誌 STEM CELLS 上。
DeepACT 包含的兩個主要模組論文連結：http://dx.doi.org/10.1002/stem.3371
相關報導：https://phys.org/news/2021-06-ai-healthy-stem-cells-quickly.html
模擬指導哺乳動物細胞中新功能的快速工程
計算機程式中的指令指示計算機執行不同的命令，同樣，合成生物學家正在學習如何指導人類細胞活動的規則。然而，該領域的一個挑戰是，在製作按預期執行的電路時，通常需要多次反覆試驗和錯誤。現在，美國醫學影像和生物工程研究院（NIBIB）資助的合成生物學家和計算機學家聯手使用計算機模擬來規避重新設計和重新測試每個基因迴路的過程。相關研究成果於2月19日發表在雜誌 Science Advances 上。
生物工程師使用計算機模型來構建可以引入細胞以對抗或預防疾病的基因迴路論文連結：http://dx.doi.org/10.1126/sciadv.abe9375
相關報導：https://phys.org/news/2021-06-simulations-rapid-functions-mammalian-cells.html