全部新闻
通过实验和计算数据开发用于异质催化的机器学习
2025-07-18 12:10:57
提供的参考清单包括各种文章和论文，重点介绍了人工智能，机器学习和数据驱动方法在材料科学和化学工程中的应用。以下是从这些参考文献中得出的一些关键见解：###关键主题1。**催化的机器学习：** - 诸如“异质催化中知识产生的可解释的机器学习”（Esterhuizen等，2022）的文章强调使用机器学习来理解和预测催化过程。 - 采用钢筋学习等技术来发现新的催化反应机制，如“使用第一原则的深钢筋学习发现催化反应网络”（Lan＆An，2021）。2。**自动实验室系统：** - Szymanski等人（2023年）的论文讨论了加速材料合成和探索的自主实验室。 - 自动化技术还适用于在“通过机器人技能学习来加速实验室自动化来进行样品刮擦”中所述的高通量筛选中的样品刮擦（Pizzuto等，2024）。3。**高通量筛选：** - 类似组合库和虚拟筛选之类的方法，包括Farrusseng等人（2005年）的作品，包括基于QSAR模型的材料设计的示例。 - 高通量筛选通常与机器学习结合在一起，以预测合成之前的材料特性。4。**域知识与机器学习：** - 诸如“机器学习材料属性所需的领域知识？”之类的论文？（Murdock等，2020）探讨领域专业知识在开发有效模型中的作用和必要性。 - 将域知识纳入模型鲁棒性的影响是一个反复出现的主题，如Chen等人所示。（2024）。5。**材料发现：** - 机器学习技术用于加速材料发现，例如通过Mamun等人（2020）的深度学习方法来预测双金属合金催化剂的吸附能。 - 新材料家族（如高凝集钙钛矿）的高通量合成和表征是最近研究的重点。6。**反应动力学和机制：** - 如Veeramani等人（2024）所述，使用机器学习来预测光谱数据中的反应动力学和机制。 - 在Kollenz等人中还探索了用于预测瞬时动力学行为和通过深度学习的光化学反应的技术。（2020）。###技术进步1。**软件和库：** - 提到Pytorch和Julia是实施机器学习模型的关键工具。 - XGBoost用于可扩展的树木增强系统，从而提高了预测分析的效率。2。**数据处理和建模技术：** - 在Fare等人（2022年）等研究中探索了处理不同质量和准确性数据的多保真建模技术。 - 描述了增强多保真数据集的实用性的denoisis方法，例如Liu等人。（2022）。###更广泛的上下文1。**观点和评论：** - 文章提供了有关AI驱动材料科学的广泛含义和潜在影响的见解。 - 关于无机材料的高通量预测和合成中挑战的讨论突出显示了进一步研究的领域。总体而言，这些参考文献共同说明了利用机器学习的快速发展，以加速催化，材料科学和化学工程中的发现和优化过程。自动化，领域知识和复杂建模技术的整合对于克服这些领域的传统障碍越来越重要。
提供的参考清单包括各种文章和论文，重点介绍了人工智能，机器学习和数据驱动方法在材料科学和化学工程中的应用。以下是从这些参考文献中得出的一些关键见解：###关键主题1。**催化的机器学习：** - 诸如“异质催化中知识产生的可解释的机器学习”（Esterhuizen等，2022）的文章强调使用机器学习来理解和预测催化过程。 - 采用钢筋学习等技术来发现新的催化反应机制，如“使用第一原则的深钢筋学习发现催化反应网络”（Lan＆An，2021）。2。**自动实验室系统：** - Szymanski等人（2023年）的论文讨论了加速材料合成和探索的自主实验室。 - 自动化技术还适用于在“通过机器人技能学习来加速实验室自动化来进行样品刮擦”中所述的高通量筛选中的样品刮擦（Pizzuto等，2024）。3。**高通量筛选：** - 类似组合库和虚拟筛选之类的方法，包括Farrusseng等人（2005年）的作品，包括基于QSAR模型的材料设计的示例。 - 高通量筛选通常与机器学习结合在一起，以预测合成之前的材料特性。4。**域知识与机器学习：** - 诸如“机器学习材料属性所需的领域知识？”之类的论文？（Murdock等，2020）探讨领域专业知识在开发有效模型中的作用和必要性。 - 将域知识纳入模型鲁棒性的影响是一个反复出现的主题，如Chen等人所示。（2024）。5。**材料发现：** - 机器学习技术用于加速材料发现，例如通过Mamun等人（2020）的深度学习方法来预测双金属合金催化剂的吸附能。 - 新材料家族（如高凝集钙钛矿）的高通量合成和表征是最近研究的重点。6。**反应动力学和机制：** - 如Veeramani等人（2024）所述，使用机器学习来预测光谱数据中的反应动力学和机制。 - 在Kollenz等人中还探索了用于预测瞬时动力学行为和通过深度学习的光化学反应的技术。（2020）。###技术进步1。**软件和库：** - 提到Pytorch和Julia是实施机器学习模型的关键工具。 - XGBoost用于可扩展的树木增强系统，从而提高了预测分析的效率。2。**数据处理和建模技术：** - 在Fare等人（2022年）等研究中探索了处理不同质量和准确性数据的多保真建模技术。 - 描述了增强多保真数据集的实用性的denoisis方法，例如Liu等人。（2022）。###更广泛的上下文1。**观点和评论：** - 文章提供了有关AI驱动材料科学的广泛含义和潜在影响的见解。 - 关于无机材料的高通量预测和合成中挑战的讨论突出显示了进一步研究的领域。总体而言，这些参考文献共同说明了利用机器学习的快速发展，以加速催化，材料科学和化学工程中的发现和优化过程。自动化，领域知识和复杂建模技术的整合对于克服这些领域的传统障碍越来越重要。
AI有助于儿童稀有骨折检测吗？
2025-07-18 12:00:31
在成骨的患者中，AI辅助将放射科医生的骨折检测准确性从83.4％提高到90.7％，尽管独立的AI性能较低，为74.8％。使用AI支持的放射科医生的人均准确性提高了7.0％，每裂缝精度提高了3.7％，而AI降低了真实和假阳性/负面因素。该研究表明，AI可以提高放射科医生的性能，但由于其独立性较低，强调了自主使用的风险。
在成骨的患者中，AI辅助将放射科医生的骨折检测准确性从83.4％提高到90.7％，尽管独立的AI性能较低，为74.8％。使用AI支持的放射科医生的人均准确性提高了7.0％，每裂缝精度提高了3.7％，而AI降低了真实和假阳性/负面因素。该研究表明，AI可以提高放射科医生的性能，但由于其独立性较低，强调了自主使用的风险。
麻省理工学院的新AI可以通过他们的眼睛看着世界来教会自己来控制机器人 - 只需要一个相机
2025-07-18 12:00:00
麻省理工学院的科学家已经开发了一个AI系统，该系统教授机器人如何使用基于摄像头的视觉数据在没有传感器或训练的情况下控制自己。该系统将机器人可见的3D点映射到其执行器，从而在训练几个小时后可以精确运动。这一突破允许更具适应性和具有成本效益的机器人自动化，尤其是在诸如软机器人技术之类的非传统设计中。正如6月25日在自然界发表的实验中所证明的那样，AI模型通过实验随机行动来模仿人类的学习，以了解控制机制。
麻省理工学院的科学家已经开发了一个AI系统，该系统教授机器人如何使用基于摄像头的视觉数据在没有传感器或训练的情况下控制自己。该系统将机器人可见的3D点映射到其执行器，从而在训练几个小时后可以精确运动。这一突破允许更具适应性和具有成本效益的机器人自动化，尤其是在诸如软机器人技术之类的非传统设计中。正如6月25日在自然界发表的实验中所证明的那样，AI模型通过实验随机行动来模仿人类的学习，以了解控制机制。
2025-07-18 12:00:00
2025-07-18 12:00:00
2025-07-18 11:32:01
2025-07-18 11:23:52
2025-07-18 11:15:18
2025-07-18 11:00:02
2025-07-18 10:53:43