学术背景 在材料科学和化学领域，理解材料在原子层面的性质至关重要。然而，传统的原子间势能计算方法（如密度泛函理论，DFT）虽然精度高，但计算成本极高，难以应用于大规模系统。近年来，机器学习（ML）势能在原子模拟中的应用取得了显著进展，特别是基于高斯过程（Gaussian Process, GP）的ML势能，因其在主动学习、不确定性预测和低数据需求方面的优势而备受关注。然而，基于核函数的模型在处理大规模数据集时面临严重的扩展性问题，尤其是当数据集规模超过10^4时，计算复杂度急剧增加，难以实现真正的通用性。 为了应对这一挑战，Soohaeng Yoo Willow、Seungwon Kim等作者提出了一种新的稀疏贝叶斯委员会机器（Robust Bayesian Committee Machin...

随着人工智能（AI）技术的快速发展，人工神经网络（Artificial Neural Networks, ANNs）在多个领域取得了显著成就。然而，传统的神经网络训练方法——尤其是反向传播算法（Backpropagation）——在硬件实现上存在诸多挑战。反向传播算法虽然在软件中高效，但在硬件中实现时，要求计算路径可逆、每个神经元需要大量内存，并且需要计算激活函数的导数，这些条件在硬件中难以满足。此外，传统的互补金属氧化物半导体（CMOS）硬件在训练和部署这些算法时，能源消耗巨大，限制了其扩展性和广泛应用。 为了解决这些问题，研究人员开始探索脑启发（brain-inspired）的硬件解决方案，尤其是模拟神经形态硬件（analog neuromorphic hardware）。这类硬件能够以...

背景介绍 二维材料（2D materials）因其独特的物理化学性质，在纳米电子学、光电子学等领域展现出巨大的应用潜力。然而，这些材料在纳米尺度上的结构扰动（structural perturbations）对其性能有着重要影响。传统的表征方法如拉曼光谱（Raman spectroscopy）虽然能够提供材料的结构信息，但其空间分辨率通常受到衍射极限的限制，难以在纳米尺度上精确探测结构变化。为了解决这一问题，研究者们开始探索将机器学习（machine learning, ML）与光谱技术结合，以提高空间分辨率并揭示纳米尺度的结构扰动。 本研究由来自Hanyang University、Sungkyunkwan University、Korea Advanced Institute of Sc...

学术背景 化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）磁共振成像（MRI）是一种先进的非侵入性成像技术，能够提供活体组织的详细分子信息。CEST MRI通过选择性饱和特定代谢物的可交换质子，并将这种饱和转移到水分子中，从而实现对低浓度蛋白质和代谢物的检测和定量。尽管CEST MRI在神经退行性疾病和癌症等疾病的诊断中显示出巨大潜力，但其在临床中的应用仍面临诸多技术挑战，例如数据采集时间长、图像处理复杂以及解释难度大。这些问题限制了CEST MRI从研究环境向临床实践的过渡。 近年来，人工智能（Artificial Intelligence, AI）在医学影像领域的应用日益广泛，尤其是在处理大规模数据和提供精确诊断方面表现出色。AI...

露天矿山爆破作业在矿物提取中至关重要，但同时也伴随着显著的环境和结构风险。爆破过程中产生的峰值粒子速度（Peak Particle Velocity, PPV）是评估爆破振动对周围结构和环境影响的关键指标。准确的PPV预测对于优化爆破实践、减少环境破坏和确保结构安全具有重要意义。传统的预测方法在处理非线性关系和高维数据时存在局限性，而机器学习（Machine Learning, ML）技术，特别是混合机器学习方法，展现出在PPV预测中的巨大潜力。本文旨在系统综述混合机器学习技术在露天矿山爆破PPV预测中的应用，探讨其优势、挑战及未来研究方向。 论文来源 本文由Gundaveni Shylaja和Ragam Prashanth共同撰写，两位作者均来自VIT-AP University的计算机科...

学术背景 随着云计算技术的快速发展，动态和异构的云环境对高效的作业调度需求日益增长。传统的调度算法在简单系统中表现良好，但在现代复杂的云基础设施中已无法满足需求。云环境的资源异构性、能源消耗和实时适应性等问题，促使研究者探索基于人工智能（AI）的解决方案。AI驱动的作业调度技术通过机器学习、优化技术、启发式技术和混合AI模型，提供了更高的适应性、可扩展性和能源效率。本文旨在全面回顾AI驱动的作业调度技术，分析现有方法的优缺点，并探讨如何通过AI克服传统算法的不足。 论文来源 本文由Yousef Sanjalawe、Salam Al-E’mari、Salam Fraihat和Sharif Makhadmeh共同撰写，发表在《Artificial Intelligence Review》期刊上，...

学术背景 近年来，纳米技术和物联网（IoT）的快速发展催生了一个革命性的领域——纳米物联网（IoNT）。纳米物联网将纳米级设备与互联网连接，使其能够在农业、军事、多媒体和医疗等领域中发挥重要作用。然而，尽管纳米物联网和机器学习（ML）都取得了显著进展，但关于两者如何结合的全面研究却相对缺乏。现有的研究主要集中在纳米物联网的架构、通信方法和特定领域的应用上，而忽略了机器学习在数据处理、异常检测和安全方面的潜力。因此，本文旨在填补这一空白，通过深入分析纳米物联网与机器学习的结合，探讨机器学习在纳米物联网中的最新应用，并系统地讨论这一结合所面临的挑战。 论文来源 本文由Aryan Rana、Deepika Gautam、Pankaj Kumar、Kranti Kumar、Athanasios V....

近年来，人类肠道微生物群（Human Gut Microbiota, HGM）在药物和营养素代谢中的重要作用逐渐被认识到。肠道微生物群不仅影响口服药物的生物利用度，还通过其代谢酶参与药物和生物活性分子的生物转化（biotransformation），从而影响药物的药代动力学和药效学特性。然而，由于肠道微生物群的复杂性和个体间的差异性，确定特定微生物对药物和营养素代谢的具体贡献仍然是一个巨大的挑战。为了解决这一问题，研究人员开发了GutBugDB，这是一个开放获取的数字资源库，旨在预测人类肠道微生物群介导的生物和异生物质（xenobiotic）分子的生物转化。 论文来源 该研究由Usha Longwani、Ashok K. Sharma、Aditya S. Malwe、Shubham K. J...

研究背景 基因调控网络（Gene Regulatory Networks, GRNs）是理解细胞内复杂生物过程的关键工具。它揭示了转录因子（Transcription Factors, TFs）与靶基因之间的相互作用，从而控制基因的转录过程，进而调控细胞行为。随着单细胞RNA测序（single-cell RNA-sequencing, scRNA-seq）技术的发展，研究者能够在单细胞分辨率下获取基因表达数据，这为GRNs的推断提供了前所未有的机会。然而，scRNA-seq数据的稀疏性和高变异性为GRNs的推断带来了巨大挑战。 现有的GRN推断方法主要分为两类：基于相关性或互信息的无监督学习方法，以及基于机器学习的监督学习方法。尽管这些方法在某些情况下表现出色，但它们往往依赖于成对基因的相关...

基于机器学习的肿瘤临床试验结果泛化性评估研究 学术背景 随机对照试验（Randomized Controlled Trials, RCTs）是评估抗癌药物疗效的黄金标准，但其结果往往难以直接推广到真实世界中的肿瘤患者。RCTs通常采用严格的入组标准，导致研究人群与真实世界的肿瘤患者群体存在显著差异。此外，RCTs中可能存在与患者预后风险相关的选择偏倚，进一步限制了试验结果的泛化性。为了解决这一问题，研究者们开发了名为TrialTranslator的框架，通过机器学习模型对真实世界中的肿瘤患者进行风险分层，并模拟RCTs，以系统评估试验结果的泛化性。 该研究旨在回答以下问题：真实世界中的肿瘤患者是否能够从RCTs中报告的生存获益中获益？不同预后风险的患者群体在生存时间和治疗获益方面是否存在显著...