【新智元导读】昨日Nature封面论文:哈佛大学研究者借助机器学习算法,利用“废弃”数据成功预测新材料的合成,引发学界激论:人工智能真能加速发现神奇新材料吗?该研究所用的“计算材料学”结合计算机模型和机器学习,是对传统研究方法的革新。计算机科学和人工智能的影响已经拓展到越来越多的领域,机器学习或将改变未来科研方式。 发现一种新的材料是非常艰难的过程,通常要经历无数次失败,偶尔在机缘巧合之下取得成果,还要费劲功夫反向检测这种新材料的性质。但有一批材料科学家转换思路,使用计算机模型和机器学习算法生成海量假想的材
即使在缺少试验数据的情况下,设备学习系统也可以在材料“配方”中找到相应的模式。 上个月,麻省理工学院的三位材料科学家及其同事发表了一篇论文,讲述了一种新型人工智能系统,可以通过科学研究论文搜寻并提取用于生产特定类型材料的“配方”。 这项工作被设想成朝着人工智能系统迈出的第一步,这种系统可以为只在理论上存在的材料提供制作配方。目前,在《npjComputational Materials》杂志上的一篇论文中,麻省理工学院电气工程与计算机科学系(EECS)的三位材料科学家与他们的同事一起朝着这个研究方向迈出了重
新材料技术是我国制造业的“底盘技术”,在人工智能、云计算等信息技术的加持下,新材料的发现与设计、分析与计算迎来了哪些变化?8月26日,腾讯教育联合腾讯云、腾讯量子实验室、龙讯旷腾、NVIDIA共同举办云计算助力材料多尺度计算研讨会,邀请11位材料科学领域专家学者分享多尺度计算模拟与云计算领域的最新进展、技术及成果,推动多尺度计算模拟的理论发展和应用探索。 腾讯杰出科学家、腾讯量子实验室负责人张胜誉,龙讯旷腾CEO吕海峰,香港城市大学讲座教授张瑞勤,北京航空航天大学物理学院院长、教授吕广宏,中国科学院半导体
麻省理工学院的三位材料科学家及其同事发表的论文中,描述其 AI系统可通过科学论文和提取“食谱”合成特定类型的材料。 2017年11月,美国麻省理工学院的三位材料科学家及其同事发表论文,描述了一种新的人工智能系统,可钻研科学论文并提取“配方”,合成特定类型的材料。 这一工作被看做向为仅理论描述的材料生成配方的系统迈出的第一步。现在,在《计算材料学》(Computational Materials)期刊发表的一篇论文中,这三位材料科学家联合麻省理工学院电机工程与计算机科学系(EECS)的一位同事将这项工作继续往
大数据文摘作品 编译:李雷、大茜、Aileen 算法和材料数据库正帮科学家预测哪些元素能合成新材料。 几百年来,人们一直是通过反复试验或者靠运气和偶然发现新材料。现在,科学家们正在使用人工智能来加速这一过程。 最近,西北大学的研究人员用AI来解决如何生成新的金属玻璃混合物的问题。这比起在实验室进行实验快了200倍。 科学家们正在构建由数千种化合物组成的数据库,以便用算法来预测哪些化合物的组合会形成有趣的新材料。还有人用AI来分析已发表的论文挖据“材料配方”以产生新材料。 过去,科学家和建筑工人们只能将材料混
今天我们介绍由蒙特利尔大学MILA - Quebec人工智能机构的Yu Song发表在arXiv上的工作,该工作提出了MatSci-NLP,用于评估自然语言处理(NLP)模型在材料科学文本上的性能的自然语言基准。该工作从公开可用的材料科学文本数据构建基准,以涵盖七个不同的NLP任务,包括传统的NLP任务(如命名实体识别和关系分类)以及特定于材料科学的NLP任务(如合成动作检索以及涉及创建材料的合成程序)。研究了在不同科学文本语料库上预训练的基于BERT的模型,以了解预训练策略对理解材料科学文本的影响。在低资源训练设置下的实验表明,在科学文本上预训练的语言模型优于在一般文本上训练的BERT。此外,该工作提出了一种统一的文本到模式的MatSci-NLP多任务学习方法,并将其性能与专门针对材料科学期刊进行预训练的模型MatBERT进行了比较。在对不同训练方法的分析中,发现提出的受问答启发的文本到图式方法始终优于单任务和多任务NLP微调方法。
Schrodinger 2018-1是Schrodinger软件的最新版本,也是目前计算化学领域的领导者,能够为生命科学和材料研究提供软件解决方案和服务。该软件并不是独立,而是一个软件合集包,由maestro、maesrto elements、materials science、bioluminate、knime、canvas、mmshare、aacg、Glide、Impact、Jaguar等软件组合而成,是目前非常专业优秀的分子建模,药物设计和材料科学软件。 全新Schrodinger 2018-1软件功能更加强大,对Maestro图形界面、FEP +、分子动力学、AutoQSAR、工作流程和流水线进行了更新和升级,比如通过改进的属性树来轻松控制项目表中的显示属性,可以指定原子标签的小数精度,可以在界面中指定自定义热区,能够将FEP +结果导出到Excel工作簿中以供进一步分析,新的Bioisoster替代节点,改进了Windows上许多面板的响应能力等等,可以大幅度的提高用户的工作效率。
来源:ScienceAI本文约2600字,建议阅读5分钟本文简要讨论了 ChatGPT 可能应用于计算材料科学的 3 个方面,即生成结构、计算材料软件编程,数据可视化等。 ChatGPT 已火爆全球,它可以完成一系列具有挑战性的任务,比如撰写论文、编程、作曲、绘画等。 但 ChatGPT 在计算材料科学中的潜在应用还有待讨论。 近日,浙江大学材料科学与工程学院洪子健在《Energy Material Advances》发表题为「ChatGPT for Computational Materials Sci
本文适用于对以机器学习为中心研究的跨专业学者(生物,化学,材料科学专业等)的研究者。这篇文章主要以材料科学为例,涵盖了有关数据,特征工程,模型训练,验证,评估和对比,一些热门的材料评估指标和数据集,模型和架构分享,以及发布的内容。结果,这里还包括了相互Jupyter Notebook和一些示例Python程序来演示一些概念,工作流程和最佳方法实践。 总体而言,此处以一种简单的形式形式的数据驱动的方法和机器学习工作流程以及注意事项。研究人员的读者可以根据本文的建议阅读参考资料,尝试最佳实践,并运用到自己领域上的相关专业知识。
工业世界里,高纯气体被广泛应用于半导体制造、光纤生产、科学研究、医疗健康、环保能源等诸多领域。例如,半导体行业,高纯气体是芯片制造的关键原材料,直接影响着集成电路的性能和良率。
清华大学化工系卢滇楠教授团队,联合美国加州大学河滨分校吴建中教授和北京科学智能研究院高志锋研究员,提出一种三维 MOF 材料吸附行为的机器学习模型 Uni-MOF,用于预测各类工况下纳米多孔材料对各类气体的吸附性能。
大数据文摘出品 玩过FPS游戏的应该都有听声辩位的能力吧? 枪声和脚步声,那可是判断敌人方向法宝,关键是,现实中在混乱的环境中,别说听脚步声了,听到枪声估计也只是被吓一跳,根本不知道从哪过来的。 如果有这么一件衣服,可以帮你判断枪声的方向,那对于执行任务的“真·反恐精英”来说,应该就很有用处了。 麻省理工学院的材料科学家就开发了这么一种新材料,这种新材料是一种由单纤维构成的声音传感器,它可以将织物变成麦克风和扬声器,用于双向通信、探测枪声方向,甚至能够监测怀孕期间胎儿的心跳。 这个3月16日发布在了《自然
多孔材料的水吸附等温线是一个非常重要的参数,但这一参数的获得并不容易。这是因为多孔材料种类过多、结构多元,通过实验和计算的方式获得水吸附等温线数据成本过高,耗时过长。
2022年安徽大学考研早已尘埃落定,写这篇文章的时候,我想安徽大学2022届研究生应该已经报到了。本文旨在为后来的考生做力所能及的帮助,希望可以在本文的帮助下做出正确的决策,顺利上岸……
可能有人会好奇,这里的加拿大皇家学会是一个怎样的组织?被它选中的院士含金量有多高?据维基百科等资料显示,获得 RSC 的认可可以说是个人在艺术、社会科学和科学领域能够获得的最高荣誉,含金量绝对足够高。
威斯康星大学麦迪逊分校和橡树岭国家实验室的研究人员训练计算机,使其快速一致地检测和分析核反应堆材料的微观辐射损伤,并且计算机在这项艰巨的任务中表现胜过人类。
美国能源部劳伦斯伯克利国家实验室(伯克利实验室)的研究人员表明,一种未经材料科学训练的算法可以扫描数百万篇论文的文本并发现新的科学知识。
MDI Jade是一款功能强大的x射线衍射软件,它被广泛应用于材料科学、地质学和生物学领域。MDI Jade具有许多独特的功能,这些功能可以帮助用户快速地分析和解释衍射数据。在本文中,我将通过几个实际案例来介绍MDI Jade的一些独特功能。
编辑/凯霞 机器学习在加速材料研究方面具有巨大潜力。材料科学的许多领域都从它的应用中受益,但仍然存在一些挑战,该领域是否会像围绕它的大肆宣传那样,还有待观察。 机器时代即将来临。当我们提出材料科学中机器学习的焦点问题时,我们很清楚算法可以为其编写合理的开篇社论。毕竟,它不会是第一次写文章,或者就此而言,甚至也不是第一次写书。 你可以询问 Alexa 或 Siri,它会使用它的机器学习算法为你找到一些关于人工智能的好处和危险的文章。根据你过去的搜索以及他们对你的兴趣所揭示的内容,它可能会继续推测是否有太多
3月15日,科睿唯安公司(原汤森路透知识产权与科技事业部)公布了最新的基本科学指标数据库(Essential Science Indicators,简称ESI),中国科学院大学(简称“国科大”)发表论文的被引频次在全球大学排名107位,位居内地高校第一。 本月,在ESI的22个学科中,国内共有4所高校的3个学科入选含金量最高的ESI前万分之一学科,其中包括国科大的化学和材料科学,清华大学的工程和材料科学以及哈尔滨工业大学和上海交通大学的工程。 此外,国科大的农业、工程、环境生态、地球科学(本月新增)、植
Origin软件是一款非常强大的科学数据分析和图形绘制软件。它不仅致力于提供最先进的分析工具,而且还提供了一些独特的功能,这些功能可以帮助你更好地理解你的数据和结果。在本文中,我将介绍五个Origin软件的独特功能,并通过实例展示其应用。
6月16日,腾讯量子实验室与清华大学物理系在北京签署合作备忘录,双方就功能材料数据库、机器学习辅助的材料计算方法、材料虚拟筛选云平台等领域展开探讨,达成合作。清华大学物理系段文晖院士与腾讯量子实验室负责人、腾讯杰出科学家张胜誉共同签署了合作备忘录,清华大学物理系徐勇教授、腾讯量子实验室专家研究员郝少刚、腾讯科学技术协会张谦秘书长等参与了签署仪式。 近年来,腾讯持续加大基础科学研究投入,人工智能(AI)、大数据(Big Data)和云计算融合的 ABC2.0 核心技术布局逐渐完善,建立了人工智能、量子
X-射线衍射技术是一种常用的结晶学分析技术,它可以通过研究样品在X-射线的照射下的散射图像,推导出样品的晶体学信息。MDIJade软件是一款基于衍射数据分析的软件,它可以快速准确地处理X-射线衍射实验数据,并将其转化为晶体学信息。MDIJade软件在材料科学、化学、地质学等领域中得到了广泛的应用。本文主要介绍了MDIJade软件在这些领域中的应用和突破。
大数据文摘转载自机器人大讲堂 一根“管子”插着子弹头,在迷宫里不断伸长,寻找出路: 重点在于,这根“管子”是自己“生长”出来的,就像植物一样不断延长。 这是全球第一个能自己生长出新身体的机器人!没有刚性链条一节一节向上推,也没有一堆吹气塑料管。它只需要光和一种液体,就能像韭菜一样从尖端“长”出新身体来,一分钟能长12cm! 这项研究来自明尼苏达大学双城分校的科研团队,他们开发了这种前所未有的、使合成材料能够生长的新工艺。这种新方法将允许研究人员建造更强大的软机器人,可以在难以到达的地方、复杂的地形和人
作者:王可汗本文约1800字,建议阅读8分钟本文解读了机器学习在计算化学领域的最新研究,带你速读4篇相关领域的最新顶会论文。 计算模拟和实验研究是当今研究化学,生物学和材料科学的两个重要手段。当前,以机器学习为代表的人工智能技术在科学计算领域潜力巨大,展示出旺盛的生命力和光明前景。本文解读了机器学习在计算化学领域的最新研究,带你速读4篇相关领域的最新顶会论文。 1. 论文题目:So3krates: Equivariant attention for interactions on arbitrary len
该方法使用人工智能来精确定位各种热老化时间表。InFLOWS AI首席运营官Jake Thiede没有参与这项研究,他在接受采访时表示:“人工智能在材料方面很有用,因为你可以虚拟化实验,以相当高的预测准确性运行数千个实验。”。
2020年8月17日发表在nature communications上的一篇关于"Machine learning for chemical discovery"评论的文章,通讯作者是卢森堡大学物理和材料科学系的Alexandre Tkatchenko教授。发现具有所需属性的化学物质是一个漫长而艰辛的过程。包含数百万个分子的可靠量子力学特性的精选数据集变得越来越可用。从这些数据集中获取化学知识的新型机器学习工具的开发具有革新化学发现过程的潜力。作者对这个新兴领域的最新突破发表评论,并讨论未来几年的挑战。
Artificial Intelligence Chemistry是Elsevier新发行一本经过同行评审的开放获取期刊(ISSN: 2949-7477)。
---- 新智元报道 编辑:LRS 【新智元导读】祝贺!近日,美国国家工程院发布新增院士名单,多位华人入选。 2023年2月7日,美国国家工程院公布了新增院士名单,本次共选举出106名院士和18名外籍院士,目前工程院院士总人数达2420人,外籍院士319人。 美国国家工程院是美国工程科技界最高水平的学术机构,成立于1964年12月,是世界上较有影响的工程院之一,当选美国国家工程院院士也是工程领域专家的最高专业荣誉之一。 下面为大家介绍部分当选的华人院士,其中也包括计算机行业的从业者,如微软黄学东的
2023年11月20日,SandboxAQ宣布与英伟达™(NVIDIA®)合作,为药物发现、电池设计、绿色能源等领域预测化学反应。SandboxAQ将利用英伟达量子平台,使用张量网络直接模拟支撑现代化学、生物学和材料科学的量子力学。
这不是一项技术的突破,而是很多基础技术都产生了突破,比如大数据、人工智能、材料科学、纳米技术、3D打印、5G网络、基因技术、区块链、生物技术、量子计算等等,技术的融合导致了技术能够生活化的普及。未来比你想的快。
近日,Perlmutter 超级计算机在美国国家能源研究科学计算中心 (NERSC) 正式投入使用,将为 7000 多名研究人员提供近 4 百亿亿次浮点运算的 AI 性能,是人工智能领域使用 16 位和 32 位混合精度数学处理工作负载的最快超级计算机。
导读:剑桥大学Nathan Benaich 与Ian Hogarth 博士共同发布关于人工智能最近12个月进展的报告,其中包含对新技术,人才流动,工业界动向,各国政策的观察。同时对未来12个月的趋势做了预测。
不过在这个各种人设被推翻的时代,学者们也在尝试反转机器人笨重,单一的刻板印象。耶鲁大学研发出的最新的“机器皮”技术,能够将物体动起来,让日常万物都变成机器人。
清华大学研究人员利用原创的深度学习密度泛函理论哈密顿量 (DeepH) 方法,发展出 DeepH 通用材料模型,并展示了一种构建「材料大模型」的可行方案,这一突破性进展为创新材料发现提供了新机遇。
北京时间10月9日,瑞典卡罗琳斯卡医学院在斯德哥尔摩宣布了今年诺贝尔化学奖的获奖者名单。
---- 新智元报道 编辑:David 如願 【新智元导读】我秒我自己?MIT新材料打造「人造突触2.0」,提速100万倍!1.0也是他们搞的 近年来,随着科学家们不断推动机器学习的边界,训练日益复杂的神经网络模型所需的时间、能源和资金正在飞速增长。「模型能建,训练太慢」成为困扰越来越多研究人员的一个头疼问题。 最近,被称为「模拟深度学习」的人工智能新领域有望以更少的能源实现更快的计算。 可编程电阻器是模拟深度学习的关键部分,就像晶体管是数字处理器的核心元素一样。 通过在复杂的层中重复排列可编程电
今天为大家介绍的是来自Kamal Choudhary团队的一篇论文。在这项工作中,作者介绍了ChemNLP库,它可用于以下方面:(1)整理材料和化学文献的开放访问数据集,开发和比较传统机器学习、transformer和图神经网络模型,用于(2)对文本进行分类和聚类,(3)进行大规模文本挖掘的命名实体识别,(4)生成摘要以从摘要中生成文章标题,(5)通过标题生成文本以建议摘要,(6)与密度泛函理论数据集集成,以识别潜在的候选材料,如超导体,以及(7)开发用于文本和参考查询的网络界面。作者主要使用公开可用的arXiv和PubChem数据集,但这些工具也可以用于其他数据集。此外,随着新模型的开发,它们可以轻松集成到该库中。
根据智研咨询数据,2020年中国纯电动汽车销量为111.5万辆,同比增长14.8%。
“机器学习正在材料研究的所有领域产生影响。”麻省理工材料研究实验室主任Carl V. Thompson说。
在数据科学领域里工作的人才需要具备两方面的素质:一是概念性的,主要是对模型的理解和运用;二是实践性的,主要是处理实际数据的能力。培养这样的人才,需要数学、统计和计算机科学等学科之间的密切合作,同时也需要和产业界或其他拥有数据的部门之间的合作。目前还没有任何一所高校具有这样的平台。 数据科学的教育体系应该包括如下几方面的内容: (1)数学的基础知识。除了微积分、线性代数和概率论这三大基础中的基础以外,还需要随机过程、函数逼近论、图论、拓扑学、几何、变分法、群论等方面的基础知识。目前,可能还不是
近几年来,得益于大数据的积累、计算能力的提升,深度学习从学术到工程领域均取得了非常显著的发展与突破,尤其是诸如图像识别、语音识别等实际场景应用。但是,依赖于海量的训练数据、灵活的模型、足够的运算能力以及足以对抗维度灾难的先验经验,从很大程度上来讲妨碍了深度学习技术更为广泛的运用。为此,在全球范围内,众多人工智能领域的学术大师及业界专家上下求索,也由此催生了小数据学习(Learning from limited information),通过更少的数据以及更确定的方法让 AI 学习更加高效。 然而什么是小数据
编辑 | 白菜叶 材料表征,即通过各种物理、化学等测试方法,揭示和确定材料的结构特征,是科学家理解锂离子电池电极及其性能限制的基础方式。基于实验室的表征技术地进步,科学家们已经对电极的结构和功能关系产生了许多强有力的见解,但还有更多未知情况等待探索。该技术的进一步地改进,取决于对材料中复杂的物理异质性的更深入理解。 然而,表征技术的实际局限性,限制了科学家直接组合数据的能力。例如,某些表征技术会对材料造成破坏,因此无法对同一区域进行其他参数的分析。幸运的是,人工智能技术拥有巨大潜力,可以整合传统表征技术所
本期将为大家介绍香港理工大学计算学系林婉瑜老师招聘博士的相关信息。 导师简介 Dr. LIN Wanyu (林婉瑜博士) 现任香港理工大学计算学系助理教授。她曾于 2020 年在加拿大多伦多大学取得博士学位。她的主要研究方向包括可信人工智能、图神经网络及其在材料科学的应用,其相关研究工作多次发表在人工智能领域国际顶级会议及期刊上,包括 ICML、CVPR、SIGMOD、AAAI、TNNLS、TIFS 等,并曾经入围 CVPR2022 最佳论文 -- CVPR Best Paper Finalist (33
在人们的普遍印象里,论文上了 Nature,那结论自然也就八九不离十了。然而对于熟悉人工智能的人来说,该研究有些奇怪的是:论文中模型使用的技术是「词嵌入」——既不是卷积神经网络,也不是循环神经网络等更复杂的模型。这么简单的模型,真的可以帮助我们找到成百上千研究者多年来从未找到的新材料吗?
今年,分区表共设18个大类,176个小类(JCR学科分类体系Journal Ranking)。在原有自然科学期刊的基础上,新增社会科学期刊 (SSCI所收录的期刊 )。材料科学新设置为一单独大类,预计有373本期刊将归属在材料科学大类。最多的仍然是医学大类,有3554本,工程技术大类有1188本。
导师简介 Dr LIN Wanyu (林婉瑜博士) 现任香港理工大学计算学系助理教授。她曾于2020年在加拿大多伦多大学取得博士学位。 她的主要研究方向包括可信人工智能、图神经网络及其在材料科学的应用,其相关研究工作多次发表在人工智能领域国际顶级会议及期刊上,包括ICML、CVPR、SIGMOD、AAAI、TNNLS、TIFS等,并曾经入围CVPR2022最佳论文-- CVPR Best Paper Finalist (33/8161=0.4%)。她目前担任神经网络及人工智能领域顶级期刊IEEE Trans
然而随着计算机算力的不断提升,计算机的AI计算已经与人脑有了本质的区别:与人类大脑相比,AI通过在大数据中寻找模型规律的能力是人类大脑远不能及的。
领取专属 10元无门槛券
手把手带您无忧上云