XiaoMi-AI文件搜索系统
World File Search SystemMachine
![文章标题：在药物重新使用中的机器学习和人工智能 - 挑战和观点作者：Ezequiel Anokian [1]，Judith Ber](/simg/2/2867641feba13bf24711be4221be8a75a718a686.webp)
文章标题：在药物重新使用中的机器学习和人工智能 - 挑战和观点作者：Ezequiel Anokian [1]，Judith Ber
文章标题：药物重新培训中的机器学习和人工智能 - 挑战和观点作者：Ezequiel Anokian [1]，Judith Bernett [2]，Adrian Freeman [3]，Markus List [2]，LucíaPrietoSantamaría[4]，Auntorrarhman Tanoli [4] Bonnin [1]分支机构：发现与转化科学（DTS），Clarivate Analytics，巴塞罗那（西班牙）[1]，《系统生物学数据科学》，慕尼黑技术大学，慕尼黑技术大学，德国（德国）[2] Biopharmaceuticals R＆D，阿斯利康，剑桥（英国）[3]，EscuelaTécnicasuperior de gegenierossismorlosinformáticos，Madrid大学（西班牙）大学（西班牙） （FIMM），Hilife，Hilife，赫尔辛基大学（芬兰），Bioicawtech，赫尔辛基（芬兰）[5] [5] Orcid ID：0000-0003-0694-1867 [1] [1]，0000-0001-501-5812-8013 [2] 0000-0002-0941-4168 [2], 0000-0003-1545-3515 [4], 0000-0003-2435-9862 [5], 0000-0001-5159-2518 [1] Contact e-mail: Sarah.bonnin@clarivate.com Journal: Drugrxiv review statement:手稿目前正在审查中，应由酌处权对待。手稿提交日期：2024年3月12日关键字：机器学习，神经网络，人工智能，药物repurost
通过抽象学习：神经状态机
我们引入了神经状态机，力求弥合人工智能的神经和符号视图之间的差距，并整合它们互补的优势以完成视觉推理任务。给定一张图像，我们首先预测一个表示其底层语义并作为结构化世界模型的概率图。然后，我们对图进行顺序推理，迭代遍历其节点以回答给定的问题或得出新的推论。与大多数旨在与原始感官数据紧密交互的神经架构不同，我们的模型在抽象的潜在空间中运行，通过将视觉和语言模态转换为基于语义概念的表示，从而实现增强的透明度和模块化。我们在 VQA-CP 和 GQA 上评估了我们的模型，这两个最近的 VQA 数据集涉及组合性、多步推理和多样化的推理技能，在这两种情况下都取得了最先进的结果。我们进行了进一步的实验，说明了该模型在多个维度上的强大泛化能力，包括概念的新组合、答案分布的变化和看不见的语言结构，证明了我们方法的质量和有效性。
机器学习 - Genai培训
本课程向学生介绍了机器学习的基本原理（ML），专注于使用Python图书馆的核心算法，应用程序和动手实践。在课程结束时，学生将对ML算法有牢固的了解以及将其应用于现实世界问题的能力。
随机定位机作为空间模拟 - 网络
以下论文讨论了使用微重力模拟器研究微重力效应的可能方法：随机定位机。此外，该研究旨在验证生物学和机械水平上的RPM性能。测试了RPM，以确保其准确模拟适合平面物的微重力环境，并为了找到最能模拟这种情况的机器的特性。随机定位机的研究和验证对于继续使用至关重要。它将RPM建立为可靠的微重力模拟器，为未来的研究和严格研究为微重力领域提供了科学基础。
机器学习筛查工具，用于预测废水中药物化合物的提取产率
药物化合物已成为废水中越来越重要的污染物来源，因为它是传统的处理方法无效地去除它们的方法，因此它们通常被放入环境中。可以使用液体液体提取成功去除药物，并且可以使用宇宙RS预测相互作用并识别最有前途的溶剂。但是，COSMO热模型无法解释关键过程参数，从而降低了这些计算模型的准确性。因此，需要替代计算方法来准确预测可以纳入处理和相互作用变量的药物的提取产率。这项工作使用机器学习来预测使用八种溶剂的11种药物的提取产率。探索了六个回归模型和两个分类模型。使用ANN回归器（测试MAE：4.510，测试R 2：0.884）和RF分类器（测试精度：0.938，测试召回：0.974）获得了最佳性能。RF回归分析和分类还显示了关键的提取产率特征：溶剂与喂养比，N - 辛烷 - 水分系数，氢键，氢键和范德华对多余的焓的贡献，以及pH距离至最近的PKA。机器学习显示为筛选和选择最有希望的溶剂和过程条件的绝佳工具，以从废水中去除药物。
实用的贝叶斯优化机器学习算法
机器学习算法的使用经常涉及对学习参数的仔细调整和模型超参数。不幸的是，这种调整是一种“黑色艺术”，需要专家经验，经验法规或有时是蛮力搜索。因此，自动方法可以很好地呼吁，可以优化任何给定的学习算法的性能。在这项工作中，我们通过贝叶斯选择的框架来考虑这个问题，其中学习算法的概括性能是从高斯过程（GP）中建模为样本的。我们表明，对于GP性质的某些选择，例如内核的类型及其超级参数的处理，可以在获得可以实现专家级别的良好优化器方面发挥至关重要的作用。我们描述了新的算法，这些算法考虑了学习算法实验的可变成本（持续时间），并且可以利用多个内核的主体进行并行实验。我们表明，这些提出的算法可以改善以前的自动过程，并且可以针对许多算法（包括潜在的Dirichlet分配，结构化SVM和卷积神经网络）达到或超越人类专家级别的优化。
机器学习增强的列生成...
我们以前的研究引入了一种改进的伏诺图方法，以提高州级在状态疫苗分布的效率。与广泛使用的柱生成技术相比，尽管运输费用更高，但该方法的运输成本降低了5.92％，需求覆盖率增加了28.15％。两种方法都有效地解决了分布问题，但由于决策变量的复杂性和数据的大规模性质，它们经历了大量的CPU时间。我们的论文着重于提高计算效率，同时保持解决方案的质量。文献提出了各种方法来提高基于Voronoi图的技术的效率。例如，Lipin（2014）引入了凸船体方法，而Chen＆Merkel（2006）利用这种技术在随机测试中减少了选择开销。此外，Li＆Liu（2020），Ohya等。（1984），秦等人。（2017）和Karavelas（2004）各自提出了降低计算冗余并提高效率的策略。但是，由于奖励功能和子区域重塑策略的差异，这些方法并不直接适用于我们修改的Voronoi图。为了解决这个问题，我们建议开发一种新算法，该算法将机器学习纳入增强的列生成（CG）方法，以改善运行时。