作为“神经网络”这个词来让公众无限遐想,粒子物理学家从80年代开始就挖在人工智能。因为几乎每个测试是非常类似的发现在复杂粒子探测器无数数据中发现微维模式——这就是AI擅长,所以人工智能和机器学习自然适合粒子物理。“我们花了很多年来让人们相信这不是魔术,没有帽子,也不是黑盒操作。”波阿斯Klima说,巴尔的摩,伊利诺伊州费米国家加速器实验室(费米实验室)物理学家首先使用的技术之一。

了解宇宙的奥秘,亚原子粒子和粒子物理学家需要粉碎,同时以巨大的力量被炸毁的新的异常物质(在物理学中,指的是异常材料不同于普通物质,具有独特性能的材料的统称)。在2012年,例如,科学家利用世界上最大的质子对撞机(瑞士的大型强子对撞机(LHC))发现了传说中的希格斯玻色子。瞬态粒子物理学家解释所有其他基本粒子获得质量的关键。

异常的材料,然而,很难描述。在大型强子对撞机,大约每10亿个质子碰撞发生一个希格斯玻色子,在十亿分之一秒和皮肤,它会衰变为其他粒子,例如一对光子或季度粒子称为μ介子。为了“重建”希格斯玻色子,粒子物理学家们必须找到更常见,是否可以从相同的父母材料匹配一致的方式,在一个典型的碰撞过程中,大量的不相关的粒子群,使工作更加困难。

费米实验室的物理学家Pushpalatha·巴特说,神经网络算法优于直接从原始数据筛选信息。在粒子探测器——这通常是一个巨大的桶结构组成的各种传感器,光子通常被称为电磁量热计的子系统是在喷雾粒子形成的。虽然电子和粒子称为强子,但他们的集群和光子略有不同。机器学习算法可以检测到这种集群识别的差异,在同一时间多个变量之间的相关性也可以帮助区分任何一双希格斯粒子衰变之后产生的光子。“这就像找海里捞针,“Bhat说,“所以最从数据中提取信息是非常重要的。”

在机器学习领域尚未征服。物理学家仍主要取决于底层的理解物理学发现新粒子的相关数据。但AI可能会变得越来越重要,加州伯克利分校劳伦斯伯克利国家实验室的一名计算机科学家保罗Calafiura说。2024年,研究人员计划升级大型强子对撞机碰撞率会增加10倍。Calafiura说,在这一点上,跟上这一趋势数据的机器学习是非常重要的。

算法是如何分析公众情绪

社交媒体每年数十亿的用户和数千亿twitter和岗位为社会科学带来了大量的数据。心理学家Martin Seligman,意识到这是使用人工智能研究大众传播提供了一个前所未有的机遇。在宾夕法尼亚大学积极心理学中心世界福利项目(世界——项目),有超过20个心理学家、医生、和计算机科学家使用机器学习和自然语言处理的方法来过滤数据,检测公众身心健康。

这通常是通过问卷调查。然而,社交媒体数据“小型、廉价、数量级大”,塞利格曼说。这些,当然,首先需要大量的数据预处理,但AI还提供了一个强大的可视化工具。

在最近的一项研究中,塞利格曼和他的同事研究了29000名参加了抑郁症自我评估的facebook用户每日跟踪更新。使用数据从28000用户,词汇中使用机器学习算法找到更新的抑郁症之间的联系。成功预测其他用户可以根据其抑郁症的内容更新。

在另一项研究中,团队成员通过第100000000条的分析,4890年twitter预测心脏病死亡率县。单词相关的-愤怒和被列为危险之间的关系。通过社会媒体信息的数据比所谓的传统印象十大重点激励,如吸烟和糖尿病,接近真实的死亡率。通过社会媒体的信息,研究人员也可以预测人格,收入、政治倾向;同时也研究医疗、过去的经验和定向模式。通过twitter数据,团队根据幸福,甚至抑郁,信任和五人格特质,创造了一个美国地图县。

“交叉分析语言和心理一定会有革命”。在奥斯丁的德州大学的社会心理学家James Pennebaker说,他关注的不是内容而是散文风格。例如,通过大学功能的应用程序中使用可预测的结果。冠词和介词代表了辩证思维和更高的分数,代词和副词表示叙事思维和较低的分数。传闻,1782年戏剧“扔”(双谎言)大多数莎士比亚,Pennebaker还发现相关证据:机器学习算法,如认知复杂性和稀有元素,如单词将与莎士比亚的其他作品。”你之前和现在我们可以发布和写的所有内容进行分析。”Pennebaker说,因此,“越来越多的拼凑的照片你。”

梳她的自闭症基因

遗传学家,自闭症是一个恼人的挑战。遗传图谱表明,它有一个强大的先天遗传因素。但扮演一个角色在自闭症许多遗传变异只能解释大约20%的病例原因。25000年人类基因和其他相关的DNA数据找到其他变体可能完成解释自闭症有一定的帮助。普林斯顿大学计算生物学家,奥尔加Troyanskaya Simons和纽约基金会(Simons基金会在纽约)也拿起了武器的人工智能。临床医学科学家在纽约洛克菲勒大学基因组中心创始人和罗伯特·达内尔解释说:“我们只能做到像一个生物学家,发现自闭症等疾病所隐藏的秘密。一台机器可以搜索到兆问题同时,科学家只能找出10。它完全改变了游戏规则。”

Troyanskaya收集了数以百计的数据集,包括特殊数据在人类细胞中活跃的基因,蛋白质相互作用和转录因子和其他关键基因特征点位置数据。和她的团队利用机器学习方法是构建一个开发的基因相互作用,和少量的基因已知能够导致自闭症的高风险与其他成千上万的基因相比,找出相似之处。他们在去年的《自然神经科学》(《自然神经科学》)2500年发布的可能与孤独症相关基因。

最近科学家们意识到,但基因不是孤立的。他们的行为是由数以百万计的非编码基因附近的关节,和与DNA结合蛋白,和其他因素。识别可能影响附近的自闭症基因非编码变化比找到疾病基因本身的问题,特洛伊,在实验室,研究生剑周试图使用AI来解决这个问题。

一周的深度学习系统培训,将用于系统从DNA序列元素的百科全书,表观基因学收集的数据。这两个项目列出了成千上万的非编码DNA水平会影响附近的基因。学什么特色应该抓住这个系统,因为它的预测潜在的活动未编码DNA。

在周和特洛伊城,2015年10月,深海研究的发表在《自然》杂志上,加利福尼亚大学的计算机科学家阿尔文,晓惠谢称赞它是“深度学习的应用基因组项目的里程碑”。现在,普林斯顿大学的团队运行通过深海自闭症患者的基因组,影响非编码基因。

谢还准备人工智能应用于基因组,并专注于更广泛的比自闭症。他希望通过任何遗传进化的概率有害基因对基因突变进行分类。但他意识到,在基因组学、深入学习系统只能在训练数据集非常好。他说:“人们怀疑这样一个系统可以可靠地解析基因组。但我认为越来越多的人会接受深度学习。”

专业从事普罗维登斯的机器

今年4月,天体物理学家Kevin沙文斯基(Michael肖文斯基说道)在Twitter上发一些模糊的星系图片,并要求任何同事帮助区分四个星系。同事们说,图像看起来很像椭圆螺旋星系与银河系相似。

一些天文学家怀疑这是诀窍,肖文斯基说道直截了当地问,这些是真正的星系或计算机仿真建模?事实上并非如此。在瑞士苏黎世理工学院肖文斯基说道,计算机科学家张垫Ce,和其他合作伙伴,不知道任何关于物理的这些星系是由神经网络。

肖文斯基说道只是想表明,神经网络生成的Twitter如何现实的东西。但他更大的目标是创建一些类似技术在电影中,可以神奇地使模糊监控图像变得清晰。可以使模糊神经网络图看起来像用高性能的望远镜,然而,实际使用的望远镜也许不太好。它还允许天文学家理解细节,”用于天文观测的钱多达数千万甚至数十亿美元,“肖文斯基说道说道,“在这项技术的帮助下,我们可以立即获得更多的信息。”

这幅画是一幅生成的反对网络(生成对抗网络)生成的,它是一个机器学习模型,两个神经网络交互的战斗。一个是产生图像发生器,另一个是试图减少生成的缺陷图像鉴别器,用于提高发电机的功能。肖文斯基说道团队花了成千上万的星系的真实图像和人为地降低分辨率,然后研究人员更智能发电机图像,这样你就可以通过微分鉴别器。最后,神经网络对银河系图像降噪处理可能优于其他方法。

费米实验室的天体物理学家布莱恩·诺德(Brian Nord)”肖文斯基说道前卫的方法是一个具体的例子中使用的机器学习天文学,但绝不是唯一的一个。1月份美国天文学会会议上,诺德提出一种机器学习方法来跟踪强引力透镜:在遥远的星系的图像传输到地球时空经验曲线的过程中,形成了罕见的光弧在空中,镜头可以用来测量宇宙的距离,并发现无形的超级凝聚态。

强引力透镜在视觉上是非常独特的,很难用简单的数学描述规则。这使得传统的电脑艰难的选择,但它很容易掌握。Nord等意识到成千上万的摄像机训练的神经网络可以获得相似的看法。在接下来的几个月里,“事实上已经有超过10的文件使用机器学习找到强大的镜头。大多数匆忙进入战斗。”北说。

这只是一个越来越多的天文学认知的一部分。人工智能(ai)提供了一种有力的方法寻找有趣的pb的数据和分类的对象。肖文斯基说道,“我认为这次真的会成为一个“噢,上帝,有太多数据的时代。”

神经网络的学习化学

有机化学家的专家都回头。从考虑完成的外观像一个厨师菜那么具体步骤做饭,许多化学家,因为他们想要建立的合成分子,然后考虑如何组装。明斯特大学的研究生“他(赛格勒)Marwin说:“你需要正确的组合的成分和配方。“他和其他人介绍人工智能厨房。

他们希望AI分子生成的关键挑战:从数以百计的潜在选择模块,与成千上万的化学连接规则。几十年来,化学家已经保存电脑预装响应的能力,希望能够创建一个可以快速计算系统的极简主义的分子式。然而,他表示,化学”是非常微妙的,二进制难以覆盖所有规则。”

所以插头,明斯特计算机科学家迈克&迈克Preuss)和他们的导师马克沃勒(马克沃勒)越来越多地转向人工智能。他们通过深层神经网络模型代替努力快速化学反应的编程规则,从数以百万计的例子来研究化学反应的过程。“数据可以提供,越多越好,”他说。随着时间的流逝,模型是学会预测最佳反应合成所需的步骤。最后,它可以从头开始构建分子。

三个人用40种不同分子测试机器学习程序,结果与传统的分子生成器。在今年的一次会议上,他们与说话。常规过程在2小时窗口中只有22.5%的时间用于提出的解决方案的合成目标分子,和AI是95%。将前往伦敦塞的制药公司工作希望利用这个方法来提高制药领域。

斯坦福大学有机化学家保罗风(保罗走),说还为时过早判断塞格勒方法了。但他认为可能会产生深远的影响,不仅合成已知分子的结构,但从生成新的分子。塞,他补充说,有机化学家不会很快取代了人工智能,因为他们的能力如何做更多比预测的反应。但像GPS导航系统,人工智能可以试点,但它不自己设计并实现一个完整的化学合成。当然,所有AI开发人员必须实现掌握通过一个全面的研究。



相关文章