国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

1. DeepMind/威尼斯大學(xué)Nature: 填補(bǔ)空白，使用深度神經(jīng)網(wǎng)絡(luò)破譯古代文字！

機(jī)器學(xué)習(xí)頂刊匯總：Nature、AM、JACS、Angew、Small Methods等成果

古代史研究依賴于諸如金石學(xué)之類的學(xué)科，即研究銘文并將其作為古代文明思想、語言、社會和歷史的證據(jù)。然而，幾個世紀(jì)以來，許多銘文已經(jīng)被損壞到難以辨認(rèn)的程度，或是被運到遠(yuǎn)離其原始位置的地方，而且其書寫日期也充滿了不確定性。然而，用于修復(fù)和歸因銘文的傳統(tǒng)金石學(xué)方法涉及高度復(fù)雜、耗時且專業(yè)的工作流程。

在此，英國DeepMind公司Yannis Assael、意大利威尼斯大學(xué)Thea Sommerschield等人通過使用最先進(jìn)的機(jī)器學(xué)習(xí)方法克服了當(dāng)前金石學(xué)研究的限制，受生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，深度神經(jīng)網(wǎng)絡(luò)可以在大量數(shù)據(jù)中發(fā)現(xiàn)和利用復(fù)雜的統(tǒng)計模式。作者展示了一種經(jīng)過訓(xùn)練的名為Ithaca（伊薩卡，古希臘神話英雄奧德修斯的故鄉(xiāng)）的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，可以同時執(zhí)行文本恢復(fù)、地理/時間歸因的任務(wù)。該架構(gòu)以公元前7世紀(jì)到公元5世紀(jì)期間的古希臘語言和整個古代地中海世界的銘文進(jìn)行訓(xùn)練，數(shù)據(jù)集來源于帕卡德人文學(xué)院（PHI），由178551 個銘文的轉(zhuǎn)錄文本組成。這種選擇主要有兩個原因：首先，希臘銘文記錄的內(nèi)容和上下文的可變性，這使其成為語言處理的絕佳挑戰(zhàn)；其次，古希臘語的數(shù)字化語料庫是訓(xùn)練機(jī)器學(xué)習(xí)模型的重要資源。

圖1. Ithaca架構(gòu)處理流程示例

為了應(yīng)對部分文字丟失的挑戰(zhàn)，作者將字符和單詞的共同表示作為Ithaca的輸入，用特殊符號“[unk]”表示損壞、丟失或未知的單詞。研究表明，該架構(gòu)側(cè)重于協(xié)作、決策支持和可解釋性。雖然歷史學(xué)家、Ithaca在單獨修復(fù)受損文本時僅分別達(dá)到25%、62% 的準(zhǔn)確率，但二者結(jié)合修復(fù)的準(zhǔn)確率可提高至72%，證實了該研究工具的協(xié)同效應(yīng)。此外，Ithaca實現(xiàn)了以71%的精確度將銘文定位到其原始地理位置，且將其年代追溯到距其真實年代范圍不到30年的時間，從而重新編輯了古典雅典的關(guān)鍵文本并為古代史上的專題辯論做出了貢獻(xiàn)。這項研究展示了Ithaca模型如何促進(jìn)AI和歷史學(xué)家之間的合作，從而徹底影響人類歷史上最重要時期之一的研究和撰寫。

圖2. Ithaca架構(gòu)的輸出結(jié)果示例

Restoring and attributing ancient texts using deep neural networks, Nature 2022. DOI: 10.1038/s41586-022-04448-z

2. 橡樹嶺國家實驗室AM: 假設(shè)學(xué)習(xí)用于探索自動化實驗中的物理發(fā)現(xiàn)

目前，機(jī)器學(xué)習(xí)正迅速成為通過自動化、高通量合成及散射和電子/探針顯微鏡的主動實驗進(jìn)行物理發(fā)現(xiàn)的一個組成部分。反之，這迫切需要開發(fā)能夠以最少的步驟探索相關(guān)參數(shù)空間的主動學(xué)習(xí)方法。

在此，美國橡樹嶺國家實驗室Maxim Ziatdinov, Sergei V. Kalinin等人通過將結(jié)構(gòu)化高斯過程（sGP）與強(qiáng)化學(xué)習(xí)（RL）策略相結(jié)合，引入了一種基于假設(shè)和實驗空間共同引導(dǎo)的主動學(xué)習(xí)方法并將其命名為假設(shè)學(xué)習(xí)。在主動學(xué)習(xí)期間，系統(tǒng)行為的正確模型會降低所研究系統(tǒng)的整體貝葉斯不確定性。該方法由短的預(yù)熱階段和探索階段組成，并假設(shè)在參數(shù)空間的隨機(jī)/統(tǒng)一初始化坐標(biāo)處存在多個測量值（“種子”測量值）。預(yù)熱階段的作用是為探索階段產(chǎn)生“動力”，因為主動學(xué)習(xí)設(shè)置的目標(biāo)是用最少的步驟來發(fā)現(xiàn)整體數(shù)據(jù)分布。此外，還必須向算法提供一個概率模型列表。這些模型可以作為獨立的參數(shù)模型，也可以將其包裝到sGP中。在經(jīng)典實驗設(shè)置下，一旦薄膜生長/材料被合成，該方法就會自動探索其特性并根據(jù)結(jié)果選擇新的探索點（不同的成分或生長條件）。

圖1. 該方法用于Sm摻雜BiFeO₃樣品的PFM結(jié)果

這種方法非常類似于經(jīng)典的人類驅(qū)動的物理發(fā)現(xiàn)，通過可調(diào)節(jié)參數(shù)的模型來實現(xiàn)幾個替代假設(shè)并在實驗中進(jìn)行測試。接下來，作者通過使用壓電響應(yīng)力顯微鏡（PFM）測量探索Sm摻雜BiFeO₃中濃度引起的相變展示了這種方法?？傊?，該研究所提出的方法為掃描探針或其他成像方法與材料科學(xué)之間的協(xié)同研究提供了強(qiáng)有力的證明。雖然傳統(tǒng)的組合研究受限于對庫中材料結(jié)構(gòu)和功能進(jìn)行量化的需要，但這項聚焦X射線方法和掃描探針顯微鏡的最新進(jìn)展提供了一種解決方案。同時，本文提出的假設(shè)驅(qū)動的高斯過程框架進(jìn)一步允許物理模型之間的合并和選擇。雖然該方法在此研究中僅針對1D情況的應(yīng)用，但可直接將其擴(kuò)展到更高維的參數(shù)空間和更復(fù)雜的物理問題。

圖2. “自動化科學(xué)家”的概念

Hypothesis learning in automated experiment: application to combinatorial materials libraries, Advanced Materials 2022. DOI: 10.1002/adma.202201345

3. JACS: 人間清醒！基于文獻(xiàn)數(shù)據(jù)的機(jī)器學(xué)習(xí)模型真的靠譜嗎？

機(jī)器學(xué)習(xí)（ML）正在對許多研究領(lǐng)域產(chǎn)生影響，在學(xué)習(xí)基于明確定義的規(guī)則或大型高質(zhì)量數(shù)據(jù)集的領(lǐng)域中取得了顯著的成功。相比之下，當(dāng)數(shù)據(jù)集質(zhì)量較低且包含模型未正確捕獲的特征時，預(yù)測效果可能會比較一般。一些報道嘗試使用ML來預(yù)測特定反應(yīng)的反應(yīng)條件，似乎只要提供足夠數(shù)量的文獻(xiàn)來構(gòu)建模型就可以獲得準(zhǔn)確預(yù)測。然而，事實真是如此嗎？

在此，美國伊利諾伊大學(xué)厄巴納-香檳分校Martin D. Burke及韓國基礎(chǔ)科學(xué)研究所（IBS）Bartosz A. Grzybowski教授等人通過案例研究證明，這可能是一種過于樂觀的解釋，即使有大量精心整理的文獻(xiàn)數(shù)據(jù)，ML方法可能也不會比文獻(xiàn)中報道的普遍反應(yīng)條件的估計效果好很多。換句話說，這些ML模型并沒有提供更多的見解，只是提出了最普遍的反應(yīng)條件。而這些反應(yīng)條件本可以通過對文獻(xiàn)案例的簡單統(tǒng)計獲得，這意味著ML沒有實現(xiàn)“機(jī)器智能”。具體而言，作者基于精心挑選的>10000篇文獻(xiàn)數(shù)據(jù)庫并以雜環(huán)Suzuki偶聯(lián)反應(yīng)作為案例研究，考慮預(yù)測最適合于雜芳基-雜芳基或芳香基-雜芳基Suzuki偶聯(lián)反應(yīng)給定底物的反應(yīng)條件。

圖1. 預(yù)測問題的公式化和基于文獻(xiàn)的反應(yīng)條件統(tǒng)計

對于具有完整條件信息的>10000個反應(yīng)示例，該反應(yīng)似乎提供了足以成功實現(xiàn) ML預(yù)測的反應(yīng)統(tǒng)計數(shù)據(jù)。在對鈀的溶劑、堿、溫度和來源進(jìn)行分類后，作者應(yīng)用各種神經(jīng)網(wǎng)絡(luò)方法（前饋和圖卷積）、詞嵌入和正樣本-無標(biāo)簽（PU）學(xué)習(xí)方法來開發(fā)預(yù)測模型。結(jié)果表明，即使搜索空間僅限于溶劑和堿，ML模型也不能提供對最佳反應(yīng)條件的任何有意義的預(yù)測。在所有情況下，ML的表現(xiàn)并不比文獻(xiàn)提出的普遍性反應(yīng)條件好多少。這些結(jié)果表明，合成化學(xué)中的數(shù)據(jù)受到了非科學(xué)因素的嚴(yán)重影響，例如某些化學(xué)家對某些協(xié)議的主觀偏好，甚至是實驗室中當(dāng)前化學(xué)品的可用性。因此，作者認(rèn)為，化學(xué)中應(yīng)用ML研究的前進(jìn)道路是使用自動化協(xié)議生成標(biāo)準(zhǔn)化的數(shù)據(jù)集，特別是在不同條件下進(jìn)行的多次重復(fù)反應(yīng)，從而客觀比較和學(xué)習(xí)好與壞的條件。

圖2. 回歸模型的學(xué)習(xí)結(jié)果

Machine Learning May Sometimes Simply Capture Literature Popularity Trends: A Case Study of Heterocyclic Suzuki–Miyaura Coupling, Journal of the American Chemical Society 2022. DOI: 10.1021/jacs.1c12005

4. 鞏金龍/趙志堅Angew: 機(jī)器學(xué)習(xí)+DFT探究銅鋅催化劑的CO₂ER活性位點

在銅基催化劑上將CO₂電化學(xué)還原（CO₂ER）為多碳化學(xué)原料具有相當(dāng)大的吸引力，但目前仍存在活性位點不明確的問題，這阻礙了催化劑的合理設(shè)計和大規(guī)模工業(yè)化。

在此，天津大學(xué)鞏金龍教授、趙志堅教授等人基于神經(jīng)網(wǎng)絡(luò)的全局優(yōu)化、DFT計算相結(jié)合的方法進(jìn)行了一種大規(guī)模模擬以獲得真實的銅鋅納米粒子（NPs）模型，并研究了CO₂ER中CuZn催化劑上C₂₊產(chǎn)物活性位點的原子級結(jié)構(gòu)。為了深入了解CuZn NPs的真實表面結(jié)構(gòu)，尋找熱力學(xué)最穩(wěn)定的結(jié)構(gòu)至關(guān)重要。作者基于具有神經(jīng)網(wǎng)絡(luò)勢隨機(jī)表面行走算法（NNSSW）的全局優(yōu)化來搜索CuZn NPs的全局最小值（GM），研究了具有309個金屬原子的較大NPs。通過基于神經(jīng)網(wǎng)絡(luò)勢能的高通量測試，作者分析了2000多個表面位點并最終確定了兩種活性位點，即平衡的Cu-Zn位點和 Zn原子主導(dǎo)的Cu-Zn位點，二者均有助于C-C耦合從而提高CO₂ER的選擇性。

圖1. CuZn NPs合成的理論模擬

通過Bader電荷和ICOHP分析表明，CuZn協(xié)同效應(yīng)位點對中間體*CO的吸附有很大影響，并且在CO₂ER生成C₂₊產(chǎn)物的過程中起著至關(guān)重要的作用。CuZn原子排列會影響關(guān)鍵中間體*CO與CuZn表面的相互作用，從而影響*CO與活性位點之間的電子轉(zhuǎn)移。實驗結(jié)果也再次證明，由適度的Zn摻雜驅(qū)動的具有最佳*CO吸附的 NP 可以促進(jìn)CO₂ER生成C₂₊產(chǎn)物。因此，這項工作為結(jié)合機(jī)器學(xué)習(xí)方法合理設(shè)計高效銅基催化劑提供了指導(dǎo)，為構(gòu)建更現(xiàn)實的大尺度粒子模型和建立更準(zhǔn)確的多相催化原子級結(jié)構(gòu)-性能關(guān)系提供了通用的研究框架。

圖2. 活性位點的實驗驗證

Nature of the Active Sites of Copper Zinc Catalysts for Carbon Dioxide Electroreduction, Angewandte Chemie International Edition 2022. DOI: 10.1002/anie.202201913

5. 圣光機(jī)大學(xué)Small Methods: 遷移學(xué)習(xí)+輪廓檢測進(jìn)行手繪圖的逆向材料搜索

各種形態(tài)和成分的納/微米材料在許多不同領(lǐng)域都有廣泛的用途。然而，尋找具有所需結(jié)構(gòu)、形狀和尺寸的定制納米材料仍然是一個挑戰(zhàn)，并且通常通過在文獻(xiàn)中進(jìn)行人工篩選來實現(xiàn)。

在此，俄羅斯圣光機(jī)大學(xué)Vladimir Vinogradov等人首次開發(fā)了掃描/透射電子顯微鏡逆向圖像搜索和基于手繪圖的遷移學(xué)習(xí)搜索，即通過將在超過1400萬張圖像上預(yù)訓(xùn)練的VGG16卷積神經(jīng)網(wǎng)絡(luò)（CNN）重新用于圖像特征提?。‵E）和圖像相似性（IS）確定。其中，VGG16 CNN由卷積層、池化層和全連接密集層組成，所有這些層都代表了輸入圖像像素強(qiáng)度的數(shù)學(xué)變換。卷積層表示將濾波器應(yīng)用于像素組，從而考慮相鄰像素之間的相互關(guān)系。池化層用于壓縮圖像，從而產(chǎn)生更緊湊的圖像表示。密集層通常用于進(jìn)一步的分類任務(wù)，以向量的形式產(chǎn)生一個或多個單獨的輸出，其分類精度與從圖像中提取高級特征的有效性高度相關(guān)。結(jié)果表明，這種方法允許搜索具有最接近的形狀豐度、尺寸分布及材料表面形態(tài)的材料，其中所有搜索結(jié)果在所有這些參數(shù)之間的折衷下進(jìn)行排序。

圖1. VGG16 CNN的逐層架構(gòu)及逆向SEM圖像搜索

此外，該方法在超過200種通過隨機(jī)高通量篩選手動合成的>20種不同形狀、尺寸和表面形態(tài)的CaCO₃基納米材料及從研究文章中提取的超過6種形狀的Au納米粒子的案例使用中得到證明，從而驗證了該方法的多功能性。更重要的是，Canny輪廓檢測能夠?qū)崿F(xiàn)基于手繪圖的查詢，該查詢引入了具有所需形狀、尺寸和表面形態(tài)的定制逆向材料搜索。這些發(fā)現(xiàn)表明，從顯微鏡圖像中提取的特征可作為納米材料的形狀、大小和形態(tài)的通用描述符。這項研究所開發(fā)的方法不僅可用于高級納米材料搜索、合成過程驗證和描述符生成，還可以進(jìn)一步配備機(jī)器學(xué)習(xí)解決方案，從而在考慮形態(tài)特性的同時提供數(shù)據(jù)驅(qū)動的新型納米材料發(fā)現(xiàn)。

圖2. 基于手繪的逆向圖像搜索展示

Inverse Material Search and Synthesis Verification by Hand Drawings via Transfer Learning and Contour Detection, Small Methods 2022. DOI: 10.1002/smtd.202101619

6. Batteries & Supercaps: 貝葉斯優(yōu)化篩選鋰離子電池的電解液添加劑最佳用量

液體電解質(zhì)的成分是影響鋰離子電池（LIBs）循環(huán)壽命的關(guān)鍵因素，電解液添加劑成分的選擇和量化是一個活躍的研究領(lǐng)域?？紤]到添加劑組分及用量的龐大組合空間，貝葉斯優(yōu)化可用于引導(dǎo)搜索最佳解決方案，同時可大大減少實驗工作量。

在此，德國亞琛工業(yè)大學(xué)Dirk Uwe Sauer教授、Felix Hildenbrand等人通過使用貝葉斯優(yōu)化算法來指導(dǎo)搜索，研究了用于提高NMC622-石墨電池循環(huán)壽命的氟代碳酸亞乙酯（FEC）和碳酸亞乙烯酯（VC）最佳添加劑組合。其中，作者將不同的測量值用作目標(biāo)變量，如開路電壓梯度和庫侖效率。研究表明，使用高斯過程（GP）算法指導(dǎo)搜索有助于加快搜索速度且具有最佳性能，共計進(jìn)行了四次迭代。其中，在三次迭代中可以確定2個最佳組合，并在第四次迭代中確認(rèn)其性能。最終，1.85 wt% FEC+1.1 wt% VC 和1.0 wt% FEC+1.0 wt% VC被確定為性能最佳的添加劑組合，可實現(xiàn)1000次以上的循環(huán)并分別保持了992 mAh和1004 mAh的中值容量。

圖1. 按迭代排序的每種電解液的研究參數(shù)

此外，研究表明，VC有助于減少初始容量損失和過電位增加，而FEC則提高了長期穩(wěn)定性。因此，VC的濃度應(yīng)該受到限制，因為它對長期穩(wěn)定性和放氣行為有負(fù)面影響。同時，增加FEC濃度一方面沒有缺點，但另一方面并沒有進(jìn)一步提高性能，減少其使用量有助于降低成本。未來的工作可以使測試條件多樣化并執(zhí)行特定于應(yīng)用程序的測試，其結(jié)果可以在多目標(biāo)優(yōu)化中進(jìn)行處理?？傊ㄟ^這種方式，可以實現(xiàn)添加劑的選擇及量化設(shè)計。另外，該研究所提出的方法還可以應(yīng)用于優(yōu)化其他影響電池循環(huán)壽命的設(shè)計參數(shù)。最后，將貝葉斯優(yōu)化的參數(shù)選擇應(yīng)用于工業(yè)電池生產(chǎn)線將具有重要意義。

圖2. 所有研究的LIB的循環(huán)放電容量

Selection of Electrolyte Additive Quantities for Lithium-Ion Batteries Using Bayesian Optimization, Batteries & Supercaps 2022. DOI: 10.1002/batt.202200038

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://m.xiubac.cn/index.php/2023/10/14/5a138e7e9a/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

機(jī)器學(xué)習(xí)頂刊匯總：Nature、AM、JACS、Angew、Small Methods等成果

相關(guān)推薦

機(jī)器學(xué)習(xí)頂刊匯總：Nature、AM、JACS、Angew、Small Methods等成果