科学家融合人工智能和物理模拟来设计创新材料

科学家融合人工智能和物理模拟来设计创新材料马克斯-普朗克的科学家探讨了人工智能在材料科学中的可能性，并在《自然-计算科学》杂志上发表了他们的评论。先进材料变得越来越复杂，因为它们必须满足有关可持续性和适用性的高要求。DierkRaabe及其同事回顾了人工智能在材料科学中的应用，以及如果与基于物理的模拟相结合，它所开启的未开发的空间。PC版：https://www.cnbeta.com.tw/articles/soft/1352699.htm手机版：https://m.cnbeta.com.tw/view/1352699.htm

磁铁的魔力 - 人工智能如何革新材料发现的方式

磁铁的魔力-人工智能如何革新材料发现的方式艾姆斯国家实验室（AmesNationalLaboratory）的科学家们设计出一种机器学习模型，可以在不使用稀缺元素的情况下预测新型磁体材料。这种以材料居里温度为重点的创新方法为未来的技术应用提供了一条更具可持续性的道路。高性能磁体的重要性高性能磁体对于风能、数据存储、电动汽车和磁制冷等技术至关重要。这些磁体包含钴和稀土元素（如钕和镝）等关键材料。这些材料需求量大，但供应有限。这种情况促使研究人员想方设法设计出减少关键材料的新型磁性材料。磁铁照片资料来源：美国能源部埃姆斯国家实验室机器学习的作用机器学习（ML）是人工智能的一种形式。它由计算机算法驱动，利用数据和试错算法不断改进预测结果。研究小组利用居里温度的实验数据和理论建模来训练ML算法。居里温度是材料保持磁性的最高温度。"找到居里温度高的化合物是发现能在高温下保持磁性的材料的重要第一步，"艾姆斯实验室科学家、研究团队高级负责人雅罗斯拉夫-穆德里克（YaroslavMudryk）说。"这方面不仅对永磁体的设计至关重要，而且对其他功能磁性材料的设计也至关重要。"穆德里克认为，发现新材料是一项具有挑战性的活动，因为传统上是通过实验来寻找新材料，这既昂贵又耗时。然而，使用ML方法可以节省时间和资源。艾姆斯实验室科学家、研究小组成员普拉桑特-辛格（PrashantSingh）解释说，这项工作的主要部分是利用基础科学开发一个ML模型。研究小组利用实验已知的磁性材料训练他们的ML模型。这些材料的相关信息确定了若干电子和原子结构特征与居里温度之间的关系。这些模式为计算机寻找潜在候选材料提供了基础。模型测试和验证为了验证模型，研究小组使用了基于铈、锆和铁的化合物。这个想法是由艾姆斯实验室的科学家、研究小组成员安德烈-帕拉修克（AndriyPalasyuk）提出的。他希望重点研究基于地球丰富元素的未知磁体材料。帕拉修克说："下一个超级磁铁不仅要性能卓越，还要依赖丰富的国产元件。"帕拉修克与艾姆斯实验室的另一位科学家、研究小组成员泰勒-德尔-罗斯（TylerDelRose）合作，对合金进行了合成和表征。他们发现，ML模型成功地预测了候选材料的居里温度。这一成功是为未来技术应用设计新型永磁体的高通量方法迈出的重要的第一步。辛格说："我们正在为可持续发展的未来编写物理信息机器学习。"...PC版：https://www.cnbeta.com.tw/articles/soft/1382473.htm手机版：https://m.cnbeta.com.tw/view/1382473.htm

亚马逊利用人工智能汇总客户评论 节省购物者时间

亚马逊利用人工智能汇总客户评论节省购物者时间亚马逊表示："我们致力于帮助客户对其购买决策充满信心--即使这个决定并不是购买。仅去年一年，就有1.25亿顾客为亚马逊商店贡献了近15亿条评论和评分，即每秒钟就有45条评论，这使得亚马逊的评论成为顾客的重要资源。"这也使亚马逊成为建立公司大型语言模型词汇的重要来源。不过，新推出的产品反响积极，尤其是亚马逊新推出的点击反馈属性集，如"稳定性"、"性能"和"易用性"，这些属性将显示在总结的客户评论下方。这家在线购物巨头此前曾因其商业行为而受到抨击，它认为人工智能生成的评论功能将能够绕过机器人和其他不真实的顾客评论、亚马逊表示："我们欢迎真实的评论--无论是正面的还是负面的--但严格禁止通过提供不公正、不真实或针对该产品或服务的信息来故意误导客户的虚假评论。我们将继续投入大量资源，主动制止虚假评论。这包括分析数千个数据点以检测风险的机器学习模型，包括与其他账户的关系、登录活动、评论历史和其他异常行为迹象，以及使用复杂的欺诈检测工具来分析和防止虚假评论出现在我们的商店中的专家调查员。""新的人工智能生成的评论高亮仅使用我们从已验证的购买中获得的可信评论语料库，确保客户可以一目了然地轻松了解社区的意见"。亚马逊首席执行官安迪-贾西（AndyJassy）今年早些时候告诉股东们，生成式人工智能将是公司的"大事"，未来还会有更多新技术出现。尽管存在担忧，但亚马逊认为，人工智能收集评论的"真实"方式否定了人们对新模式可信度的担忧。亚马逊在一份声明中说："我们的《社区指南》有助于我们的机器学习模型和人工版主保持社区的安全和评论的相关性，同时允许客户尽可能多地表达自己和他们的意见。我们相信这会带来更丰富、更好、更可信的评论。分享意见的顾客对此表示赞赏，而阅读这些意见的顾客也会这样做"。新模式的反响基本上是积极的，幸运的是，这与该公司2018年进军人工智能领域的举措完全不同。...PC版：https://www.cnbeta.com.tw/articles/soft/1377633.htm手机版：https://m.cnbeta.com.tw/view/1377633.htm

DeepMind人工智能工具将材料科学带入下一个800年

DeepMind人工智能工具将材料科学带入下一个800年发现具有非同寻常特性的新材料可以让技术的雪球滚动起来，最终推动社会向新的方向发展--但到目前为止，这是一个艰苦缓慢的过程，需要进行大量的试错实验。例如，无机晶体材料在首次合成时可能会显示出巨大的潜力，但如果晶体不能保持稳定，所有这些潜力都将化为乌有；如果发现一种新晶体可以提高电池或电子产品的性能，但它却会崩解和降解，那就没有任何好处了。而这正是DeepMind的"材料探索图网络"（GraphNetworksforMaterialsExploration，GNoME）深度学习工具刚刚发布的消息有望带来巨大变革的地方。GNoME人工智能识别出的稳定无机晶格结构GNoME工具已经发现了不少于220万种新的无机晶体，并将其中38万种晶体鉴定为最稳定的晶体，为研究人员提供了一份经过预先筛选的新材料清单，以便他们去合成新材料，进行实验研究。其中约736种材料已经在世界各地的研究实验室中独立完成。"在这些候选材料中，有可能开发出未来变革性技术的材料，从为超级计算机提供动力的超导体，到提高电动汽车效率的下一代电池，不一而足。"Google博客这样叙述。DeepMind团队介绍说："在这些新发现中有5.2万种与石墨烯类似的新型层状化合物，它们有可能随着超导体的开发而彻底改变电子技术，在此之前，已经发现了大约1000种此类材料。我们还发现了528种潜在的锂离子导体，是之前研究的25倍，可用于提高充电电池的性能。"Google正在将GNoME的所有发现和预测提供给"下一代材料项目"（NextGenMaterialsProject），DeepMind在该项目中为人工智能提供了大量的训练材料。虽然其他人工智能系统在发现新晶体方面做了大量工作，但GNoME系统现在已经以前所未有的规模完成了这项工作，并以前所未有的准确性预测出哪些晶体结构将足够稳定，值得进行实验。最终的结果是，浪费的时间将大大减少；研究人员将能够把精力集中在新材料结构的巨大宝库上，而不会因为晶体不稳定而走入许多死胡同。自主实验室技术有望进一步加速材料科学的发展图/伯克利实验室更重要的是，DeepMind团队还与伯克利实验室合作，创建并演示了一个能够自主合成这些新晶体的机器人实验室。在今天发表的一篇论文中，团队报告说，机器人实验室已经成功合成了41种这种新材料--进一步加速合成的潜力令人瞩目。这两个项目可能会开启数不清的技术发展之路--它们鲜明地表明，人工智能系统已经开始在生活的几乎每一个领域引发剧烈动荡。晶体发现论文和自主实验室论文在《自然》杂志上公开发表。...PC版：https://www.cnbeta.com.tw/articles/soft/1400815.htm手机版：https://m.cnbeta.com.tw/view/1400815.htm

土耳其利用人工智能打击猖獗的逃税行为

土耳其利用人工智能打击猖獗的逃税行为土耳其正寻求利用AI打击逃税行为。土耳其国库和财政部长穆罕默德·西姆塞克1日在接受采访时表示：“我们将在审计公司中越来越多地实施算法和人工智能”。西姆塞克表示，尖端技术可以帮助当局识别不法行为，超过一半的土耳其公司宣布直接亏损或“象征性”盈利土耳其的税收占经济产出的百分比远远落后于经合组织的其他37个成员国。这位部长正在为一项新法案进行公开宣传，该法案将导致征收额外税款，他说这对于在去年大地震后保持国家财政状况至关重要。——

DeepMind 利用人工智能预测人类的有害基因突变

DeepMind利用人工智能预测人类的有害基因突变这个名为AlphaMissense的人工智能工具评估了所有7100万个"错义"突变，在这些突变中，人类遗传密码中的一个字母发生了变化。其中，32%被归类为可能致病，57%为良性，其余不确定。研究结果于本周二发表在《科学》杂志上。Meta公司首席执行官马克-扎克伯格（MarkZuckerberg）周二宣布，他与妻子普莉希拉-陈（PriscillaChan）共同创立的慈善组织"陈-扎克伯格倡议"（ChanZuckerbergInitiative）将建立"最大的计算系统之一，专门用于非营利性生命科学"，这说明了人工智能在生命科学领域的资源投入。它将专注于利用人工智能来模拟活细胞中发生的事情。人类专家迄今只发现了0.1%的错义变体的临床影响，这些变体改变了人体主要工作分子--蛋白质的结构。DeepMind伦敦总部的项目研究员ŽigaAvsec说："发现致病变异的实验既昂贵又费力。每种蛋白质都是独一无二的，每个实验都必须单独设计，这可能需要几个月的时间。通过使用人工智能预测，研究人员可以一次预览数千种蛋白质的结果，这有助于确定资源的优先次序，加快更复杂的研究。""我们应该强调的是，这些预测从未真正打算单独用于临床诊断，"同为该项目的研究人员程俊说。"它们应该始终与其他证据一起使用。不过，我们确实认为，我们的预测将有助于提高罕见病的诊断率，也有可能帮助我们找到新的致病基因。"AlphaMissense预测显示了两种蛋白质结构的突变（见另一张图片）。红色为有害，蓝色为良性，灰色为不确定英国政府的英格兰基因组研究所（GenomicsEngland）根据其自身对导致罕见病的基因变异的大量记录对该工具的预测进行了测试，结果令人印象深刻，副首席医疗官埃伦-托马斯（EllenThomas）说。托马斯说："我们没有参与该工具的开发，也没有提供数据对其进行训练，因此我们可以进行独立评估。它与我们已经在使用的工具完全不同。我认为这是一个巨大的进步，我们很高兴能参与到考虑使用该工具的最后阶段。"她希望AlphaMissense能被用于医疗保健领域，成为"临床科学家的副驾驶，标记出他们应该关注的变体，以便他们能更高效地完成工作"。DeepMind以其预测蛋白质结构的AlphaFold工具为基础，开发出了AlphaMissense。该人工智能工具还从大量生物证据中了解到人类和其他灵长类动物基因突变的特征，这些特征使得基因变异具有致病性或良性。该公司成立于2010年，是一家专业的人工智能开发商，2014年被Google收购，它已将该工具"免费提供给科学界"。它的预测结果将被纳入剑桥欧洲生物信息研究所（EuropeanBioinformaticsInstitute）运行的、被广泛使用的Ensembl变异效应预测器（EnsemblVariantEffectPredictor）。Avsec说，AlphaMissense也有局限性。最重要的是，它对致病性的预测"只是一般意义上的，并不能告诉我们变异体的生物物理性质"。他补充说，随着该工具的进一步开发，这些见解可能会更加清晰地显现出来。剑桥韦尔科姆-桑格研究所细胞遗传学负责人莎拉-泰克曼（SarahTeichmann）没有参与这项研究，她说，虽然个别错义突变是疾病的重要原因，但DNA中其他具有临床意义的变化超出了该工具的范围。她说："我们不应该夸大其词，说这将解决一切问题。但拥有如此强大的解释性人工智能来整合如此多的基因组数据，确实是一种进步。"...PC版：https://www.cnbeta.com.tw/articles/soft/1385057.htm手机版：https://m.cnbeta.com.tw/view/1385057.htm