Artificial Intelligence in Biology: From Artificial Neural Networks to AlphaFold
利用 AI 模型，科学家可以预测基因表达、设计新蛋白质并创造精准药物。
Introducing perceptein, a protein-based artificial neural network in living cells
中国西湖大学和加州理工学院设计了一个活细胞内的基于蛋白质的系统，可以处理多个信号并根据它们做出决策。
Predicting Weather Disruptions Has Never Been This Accurate Before
2024 年诺贝尔物理学奖授予美国的约翰·霍普菲尔德和英国裔加拿大科学家杰弗里·辛顿，以表彰他们在机器学习和人工神经网络方面的开创性工作。这项变革性技术现在正在包括大气研究在内的各个领域掀起波澜。其中一个例子就是一个了不起的 […]
Revolutionary AI Unlocks the Superfluidity Secrets of Neutron Stars
研究人员利用高度灵活的量子波函数神经网络表示，在低密度中子物质中发现了超流体的证据。一项采用人工神经网络的开创性研究完善了我们对中子星中中子超流体的理解，提出了一种经济高效的模型，该模型在预测中子行为和突发量子现象方面可与传统计算方法相媲美。中子超流体 [...]
Kempner AI cluster named one of world’s fastest ‘green’ supercomputers
计算能力可用于训练和运行人工神经网络，在理解自然和人工系统中智能基础方面取得关键进展
Nobel Prize in Physics Spotlights Key Breakthroughs in AI Revolution
人工神经网络模仿人类大脑，但这项技术源于物理学。
In a surprise, AI pioneers win physics Nobel
John Hopfield 和 Geoffrey Hinton 因早期在人工神经网络方面的工作而获得荣誉
How Tiny Neural Networks Represent Basic Functions
通过简单的算法示例对机械可解释性进行简单介绍简介本文展示了小型人工神经网络 (NN) 如何表示基本功能。目标是提供有关 NN 工作原理的基本直觉，并作为机械可解释性的简单介绍——该领域旨在对 NN 进行逆向工程。我提供了三个基本函数的示例，使用简单的算法描述了每个函数，并展示了如何将算法“编码”到神经网络的权重中。然后，我探索网络是否可以使用反向传播来学习算法。我鼓励读者将每个示例视为一个谜语，并在阅读解决方案之前花一点时间。机器学习拓扑本文尝试将 NN 分解为离散操作并将其描述为算法。另一种方法可能更常见、更自然，即研究不同层中线性变换的连续拓扑解释。以下是一些有助于增强拓扑直觉的优秀资源：
Comparing ANN and CNN on CIFAR-10: A Comprehensive Analysis
您是否好奇不同的神经网络如何相互叠加？在本博客中，我们将使用流行的 CIFAR-10 数据集深入研究人工神经网络 (ANN) 和卷积神经网络 (CNN) 之间的激动人心的比较。我们将分解 ANN 和 CNN 的关键概念、架构差异和实际应用。加入我们，揭秘哪种模型在图像分类任务中占据主导地位以及原因。让我们开始吧！数据集概述 CIFAR-10 数据集是机器学习和计算机视觉任务中广泛使用的数据集。它由 10 个不同类别的 60,000 张 32x32 彩色图像组成，其中有 50,000 张训练图像和 10,000 张测试图像。类别包括飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。本博客探讨了人
Building Your First Deep Learning Model: A Step-by-Step Guide
深度学习简介深度学习是机器学习的一个子集，而机器学习本身又是人工智能 (AI) 的一个子集。深度学习模型的灵感来自人脑的结构和功能，由多层人工神经元组成。这些模型能够通过称为训练的过程学习数据中的复杂模式，在此过程中，模型会进行迭代调整以最大限度地减少其预测中的错误。在这篇博文中，我们将介绍使用 MNIST 数据集构建一个简单的人工神经网络 (ANN) 来对手写数字进行分类的过程。了解 MNIST 数据集MNIST 数据集（修改后的国家标准与技术研究所数据集）是机器学习和计算机视觉领域最著名的数据集之一。它由 70,000 张从 0 到 9 的手写数字灰度图像组成，每张图像的大小为 28x28
Ant-Inspired Neural Network Boosts Robot Navigation
受到蚂蚁的启发，爱丁堡大学和谢菲尔德大学的研究人员正在开发一种人工神经网络，帮助机器人在复杂的自然环境中识别和记住路线。
Advantages of tree architectures over Convolutional Networks: A Performance Study
以基于树的架构为中心的最新 AI 研究为训练人工神经网络开辟了新的视角。
What are Recurrent Neural Networks (RNNs)?
为什么重要：循环神经网络 (RNN) 是一种人工神经网络，旨在通过维持内部状态来处理序列数据。
Introduction to Long Short Term Memory (LSTM)
为什么重要：在人工智能 (AI) 和深度学习领域，LSTM 是使用人工神经网络的长短期记忆网络。
Machine Learning and Central Banking
当然，机器学习 (ML) 现在无处不在。几十年来，时间序列分析视角一直与 ML 相匹配（简约预测模型允许错误指定；样本外评估；集合平均等），因此即使存在许多差异，也存在许多重叠领域。有趣的是，ML 在中央银行环境中变得特别有用。例如，费城联邦储备银行现在明确招募和聘用“机器学习经济学家”。目前他们有三个，他们正在寻找第四个！在这方面，特别有趣的是，《计量经济学杂志》正在征集关于“经济政策机器学习”的特别专题论文，客座编辑来自各种领先的中央银行和大学。请参阅 https://www.bankofengland.co.uk/events/2022/october/call-for-papers-m
What Is Geometric Deep Learning?
为什么重要：几何深度学习专注于超越当前的深度学习方法，主要通过专注于将第三维度纳入通过该技术创建的人工神经网络中。
#76 – John Hopfield: Physics View of the Mind and Neurobiology
约翰·霍普菲尔德是普林斯顿大学的教授，他的一生致力于生物学、化学、神经科学和物理学。最重要的是，他以物理学家敏锐的眼光看待生物学的混乱世界。他最著名的工作可能是他在关联神经网络方面的工作，现在被称为霍普菲尔德网络，这是催化现代深度学习领域发展的早期思想之一。剧集链接：现在怎么办？文章：http://bit.ly/3843LeUJohn 维基百科：https://en.wikipedia.org/wiki/John_Hopfield 提到的书籍：- 爱因斯坦的梦想：https://amzn.to/2PBa96X- 思维是平的：https://amzn.to/2I3YB84 这次对话是人工智能播客
