微软研究人员的 10 项科学突破

想象一下可以修复桥梁或飞机部件裂缝的自愈材料，可以将污染物分解为有价值的副产品的催化剂，或者可以提高土壤肥力以提高产量或促进恶劣气候下粮食可持续生长的突破。

研究发表于自然今年早些时候，微软研究人员详细介绍了如何创造奇异的量子特性，从而开发出一种名为“量子芯片”的新型量子芯片。马约拉纳 1。该芯片由一种新型量子架构提供动力，预计将实现量子计算机能够在几年而不是几十年内解决当今计算机无法解决的有意义的工业规模问题。

该芯片利用了世界上第一个拓扑导体，这是一种突破性的材料，可以观察和控制马约拉纳粒子，以产生更可靠和可扩展的量子位，这是量子计算机的构建模块。虽然工程工作仍在进行中，但许多艰巨的科学和工程挑战现已得到解决。

蛋白质构成生命的功能构件，是药物发现和生物技术的核心。尽管近年来使用人工智能在更好地理解蛋白质结构方面取得了巨大进展，但其中许多方法只能提供高度灵活的分子的快照，或者需要数年甚至数十年的模拟时间。

输入生物分子模拟器-1（生物Emu-1），一种生成式深度学习模型，使科学家能够一睹每种蛋白质可以采用的不同结构的丰富世界。这很重要，因为对蛋白质的更深入了解可以设计出更有效的药物，因为许多药物通过影响蛋白质结构来发挥作用，以增强其功能或防止其造成伤害。

正如杂志中所解释的科学，BioEmu-1 每小时可以在单个图形处理单元 (GPU) 上生成数千个蛋白质结构，而计算成本仅为传统模拟的一小部分。基于此，BioEmu-1可以以前所未有的速度预测蛋白质的功能相关结构变化，并预测蛋白质稳定性，这是设计用于治疗目的的蛋白质时的一个重要因素。

材料创新推动技术进步——从电池、燃料电池到磁铁——对于创造未来能源突破至关重要。但长期以来，识别下一种新材料一直依赖于昂贵且耗时的实验。即使是计算机驱动的筛选也需要评估数百万个选项。

MatterGen 是一种生成式人工智能工具，它跳过筛选，而是根据概述特定应用的设计要求的提示来生产新颖的材料，正如该杂志所解释的那样自然。就像人工智能图像生成器如何根据提示将模糊的图片变成清晰的图片一样，它从随机的 3D 结构开始，逐渐调整原子、元素和重复图案，以创建具有定义的化学、机械、电子或磁性属性的逼真材料。经过超过 600,000 个示例的训练，MatterGen 在生成整个元素周期表的无机材料方面达到了最先进的水平。物质生成器还可以与 MatterSim 配合使用，这是一种人工智能驱动的工具，可以快速模拟材料属性。它们一起可以创建一个反馈循环，加速模拟和探索。

在医疗保健领域，更快地获取信息可以挽救生命。

研究结果发表于 自然机器智能表明生成式人工智能基础模型可能能够为临床医生提供更准确的信息并改善患者护理。

Microsoft Research 和 Mayo Clinic 之间的合作重点是构建集成文本和 X 射线图像的多模式基础模型。该项目将微软研究院的人工智能技术与梅奥诊所的 X 射线数据结合起来，帮助医生获得更好、更全面的医疗数据，以便他们能够在更短的时间内分析放射学结果。

该技术被称为恐龙，因其专注于放射学和特定的计算机学习方法而得名。它的工作原理是识别不同受试者胸部 X 光片之间的解剖匹配，同时通过热图的比例亮度来指示相似性，热图是一种视觉叠加，使用颜色来显示 X 光片、CT 或 MRI 及其他类型图像上感兴趣或重要的区域。

微软的极光人工智能基础模型利用人工智能的最新进展，不仅可以更准确地预测天气，还可以更准确地预测各种环境事件。

与传统的数值预测和之前的人工智能方法相比，Aurora 由微软研究院开发，能够以更高的精度和速度预测这一系列的大气事件，并且计算成本低得多。Aurora 的与众不同之处在于它的多功能性。它可以通过微调进行专业化，超越传统的天气预报，例如预测空气污染、海浪和热带气旋。

Aurora 通过对超过一百万小时的数据的一般天气模式进行训练，学习如何生成预报。– 与需要在大型超级计算机上花费数小时才能生成类似预测的传统系统相比，它可以在几秒钟内生成预测。Aurora 的早期结果发表于自然，引起了人们对如何利用它来更好地预测降雨、加强农作物物流和保护能源网的特别兴趣。微软继续推进极光作为一个开源平台，通过微软人工智能公益资助和投资社区气象站。

乳腺癌是全世界女性中最常见的癌症。虽然早期筛查可以挽救生命，但它往往会导致高假阳性率、显着增加患者的焦虑和不必要的活检。对于乳腺组织致密的女性来说，这个问题尤其严重，这种情况会增加患乳腺癌的风险，并使通过乳房X光检查等传统成像方法更难发现异常情况。

但是一个新的人工智能模型叫做燃料电池驱动装置（完全卷积数据描述）旨在通过生成 MRI 热图来改进早期检测，以非常高的准确度定位可疑肿瘤，优于其他 AI 模型。通过合作开发Microsoft 的 AI for Good 实验室华盛顿大学和 Fred Hutchinson 癌症中心的研究结果发表在放射科，该模型现已开源。虽然人工智能不会取代放射科医生，但它可以为他们提供更好的工具来评估疑难病例或减少他们的工作量。

现代世界是用混凝土建造的。混凝土的关键成分水泥无处不在。它是地球上仅次于水的第二大使用材料，也是温室气体排放的最大来源之一。

现在，华盛顿大学和微软的研究人员开发了一种新型低碳混凝土由海藻制成，旨在在不牺牲性能的情况下减少排放。

虽然大部分水泥排放来自生产过程中用于加热原材料的化石燃料，但海藻是一种碳汇。它从空气中吸收碳，并在生长过程中将其储存起来。该团队的研究结果发表于物质，表明与水泥混合的干燥粉状海藻的全球变暖潜能值 (GWP) 比二氧化碳低 21%，GWP 是一种用于比较热量气体滞留量的指标。借助定制的机器学习模型，该团队仅用了 28 天就开发出了这种新配方，而相比之下，通常要经过五年的反复试验。

洪水每年都会造成广泛的全球损失。尽管卫星观测已被证明对于洪水检测和跟踪具有无价的价值，但跨越较长时间段的全面的全球洪水数据集仍然稀缺，这使得防灾工作变得更加复杂。

但是深度学习洪水检测模型微软人工智能公益实验室利用雷达图像的强大地球观测卫星的云穿透能力，使研究人员即使在云层覆盖和漆黑的夜晚也能绘制受洪水影响的区域。

正如中所解释的自然通讯，该模型允许研究人员分析专门数据，以绘制全球地图，显示 10 年来洪水发生的地点，提供洪水易发地区的可靠图片。这种长期观点使政策制定者能够更深入地了解洪水趋势，以便社区能够更好地做好准备。研究人员的长期分析表明，全球洪水可能正在增加，但还需要更多的研究。该团队的预测和代码是公开的，因此世界各地的研究人员和响应人员可以改进洪水监测和灾害响应。

微软开发了一个模拟光学计算机（AOC），使用光而不是传统的数字电子设备来有效地解决复杂的优化问题并加速人工智能推理，即运行经过训练的人工智能模型来生成输出的过程，而无需进一步训练。优化问题旨在从几乎无限的可能性中找到最佳解决方案。

研究结果发表在期刊上自然，展示了利用光来实现关键计算的潜力，其能耗可能只是当今常用 GPU 的一小部分，而且速度明显更高。它采用现有的可扩展技术（例如 Micro-LED 灯）构建而成，价格更实惠，也更容易通过现有供应链进行制造。该原型成功解决了银行业和医疗保健领域的两类优化问题 - 找到最有效的方法来解决复杂的银行交易，并缩短了 MRI 扫描所需的时间。

人工智能的进步正在开辟生物学领域的非凡前沿。然而，这些技术也带来了生物安全风险，并可能降低设计有害毒素或病原体的障碍。这种“双重用途”的潜力，即相同的知识可以被利用来行善，也可以被滥用来造成伤害，这给现代科学带来了一个严重的困境。

微软主导的论文发表于科学描述了一个两年保密项目该项目于 2023 年底开始。微软研究人员认识到，该工作本身（详细介绍了方法和故障模式）如果公开发布，可能会被恶意行为者利用。为了指导分享内容的决策，他们举行了多方利益相关者审议，涉及政府机构、国际生物安全组织和政策专家。

作者还设计了一个数据和方法的分层访问系统，与国际生物安全和生物安全科学倡议合作实施（伊比斯）。据他们所知，这是领先的科学期刊首次正式认可采用分层访问方法来管理信息危害。