机构名称：
¥ 1.0
我们很高兴为您呈现国际晶体学联合会 (IUCr) 期刊的虚拟文章合集，这些文章探讨了人工智能 (AI) 和机器学习 (ML) 在结构科学中的应用 (https://journals.iucr.org/special_issues/2024/ML/)。人工智能/机器学习正在彻底改变我们的日常生活。尽管机器学习和深度学习 (DL) 的基础源自学术计算、数学和脑理论领域（McCulloch & Pitts，1943 年；Rosenblatt，1958 年），但其早期的许多社会影响都体现在商业领域。然而，如今物理学家们正在将这些发展成果应用于他们自身的科学研究（Choudhary 等人，2021 年），晶体学也不例外。因此，现在非常及时地汇总了在《晶体学报》（A、B 和 D 部分）、IUCrJ 和《同步辐射杂志》上发表的越来越多的 AI/ML 论文。我们还注意到《应用晶体学杂志》上发表的有关 AI 的相关虚拟合集（网址为 https://journals.iucr.org/special_issues/2024/ANNs/）以及《晶体学报》A 部分最近关于深度学习在蛋白质晶体学中的应用的主导文章（Matinyan 等人，2024 年）。本文的目的不是回顾虚拟合集中的每篇论文，而是鼓励您探索论文本身。因此，在表 1 中，我们总结了每篇论文使用的科学目标和 AI/ML 方法，使您可以快速导航到您最感兴趣的论文。在本文中，我们力求提供一些更高层次的主题，并按机器学习和领域主题对部分论文进行分组，以帮助您了解晶体学领域的发展历程，以及科学家目前如何利用人工智能/机器学习作为工具来解决他们的科学问题。这些论文几乎涵盖了所有类型的机器学习。无监督学习是一种方法，在这种方法中，机器学习算法在没有任何先验知识的情况下，尝试对数据集进行聚类（即寻找相似信号）或提取出能够解释更大信号集行为的不同信号集。在监督学习中，算法在大量先验数据上进行“训练”，之后，它们可以根据从训练数据中学到的知识对给定的新数据进行分类。这种分类问题的例子是训练算法区分猫和狗的图片（Subramanian，2018）。监督学习还可以用于执行回归而不是分类，即对数据集进行函数拟合。最后，各种生成式机器学习方法旨在根据一些基于大量学习到的响应进行训练的输入提示，生成新的输出。Deepfake 视频和音频技术以及 ChatGPT (OpenAI, 2024 a) 就是生成式人工智能的例子。区分不同AI/ML方法的另一种方法是基于算法的内部结构。广义上讲，这些方法可以分为传统ML和深度神经网络（深度学习，简称DL）。传统方法基于统计方法和线性代数，包括基于树的方法、逻辑回归和矩阵分解方法。深度学习受大脑神经元结构的启发，构建了高度非线性的图形数学结构，信息通过网络从输入端传递到输出端，同时在每一层都经历非线性变换。数据在网络中的转换和传输由数千个参数控制，这些参数通过算法进行更新，使网络能够
晶体学和结构科学中的机器学习
主要关键词
相关文件推荐
