浙江大学药学院研究团队在Nature Machine Intelligence报道基于...

2024年10月21日,浙江大学药学院侯廷军和谢昌谕团队、中南大学曹东升团队在《NatureMachineIntelligence》上发表了题为“LeveragingLanguageModelforAdvancedMulti-PropertyMolecularOptimizationviaPromptEngineering”的研究成果,一种利用提示学习来进行多性质分子优化的方法Prompt-MolOpt。该算法利用提示学习的训练...

Nature子刊:浙大熊旭深团队开发基于Transformer的语言模型,预测...

该深度学习模型Translatomer为领域提供了研究基因翻译调控的新工具,还为解释复杂疾病中的遗传变异提供了除了mRNA水平之外的重要机制基础。浙江大学良渚实验室/附属第二医院熊旭深课题组在NatureMachineIntelligence期刊发表了题为:DeeplearningpredictionofribosomeprofilingwithTranslatomerrevealstranslational...

Nat Mach Intell | 熊旭深/熊磊合作开发mRNA翻译组语言模型并解析...

2024年10月23日,浙江大学良渚实验室/附属第二医院熊旭深课题组在NatureMachineIntelligence发表了题为DeeplearningpredictionofribosomeprofilingwithTranslatomerrevealstranslationalregulationandinterpretsdiseasevariants的研究论文,发展了基于Transformer架构的多模态深度学习模型Translatomer(以Translatom...

Nature专业户DeepMind又登封面,开源水印技术,Gemini已经用上了

谷歌表示:「SynthID并不是识别人工智能生成内容的灵丹妙药,但SynthID将是开发更可靠人工智能识别工具的重要组成部分。」httpstheverge/2024/10/23/24277873/google-artificial-intelligence-synthid-watermarking-open-source

重庆理工大学在人工智能领域期刊《Nature Machine Intelligence...

????近日,重庆理工大学数学科学研究中心助理教授刘健博士与美国密歇根州立大学Guo-WeiWei讲席教授和博士后陈冬合作的题为TopoFormer:MultiscaleTopology-enabledStructure-to-SequenceTransformerforProtein-LigandInteractionPredictions研究成果,在人工智能领域期刊《NatureMachineIntelligence》(IF:25.898)上发表...

北大领衔,多智能体强化学习研究登上Nature子刊

近日,由北京大学人工智能研究院杨耀东课题组牵头完成的研究成果——「大规模多智能体系统的高效强化学习」在人工智能顶级学术期刊NatureMachineIntelligence上发表(www.e993.com)2024年11月18日。论文第一作者是北京大学人工智能研究院博士生马成栋,通讯作者为人工智能研究院杨耀东助理教授。人工智能研究院多智能体中心李阿明研究员和伦敦国王大学杜...

腾讯机器狗登上Nature子刊封面,将生成式AI引入机器人研究

NatureMachineIntelligence是一本在计算机科学领域具有重要影响力的国际期刊,该期刊涵盖了计算机科学的多个子领域,主题涵盖机器学习、机器人和人工智能等。2024年7月期刊主要关注大模型技术与机器人的融合,主编认为,当下,深度学习方法开始与机器人控制和传感器数据处理方面的传统方法形成竞争态势,大规模生成人工智能模...

腾讯元宝AI解析能力升级 支持千万字超长文

《AVersatileDeepGraphContrastiveLearningFrameworkforSingle-cellProteomicsEmbedding》入选Nature旗下方法学专业期刊NatureMethods;《Deepdomainadversarialneuralnetworkforthedeconvolutionofcelltypemixturesintissueproteomeprofiling》入选Nature旗下机器学习专业期刊NatureMachineIntelligence。

Nat Mach Intell | 识别肿瘤新抗原-物理启发的Sliding...

图1.PISTE用于TCR-抗原-HLA结合预测和个性化新抗原筛选。(a)新抗原筛选的流程。(b)PISTE的网络结构,包含序列编码模块,滑动注意力模块和基于比对的池化模块(Credit:NatureMachineIntelligence)模型预训性能由于负样本的选择对于评估TCR-抗原-HLA识别模型的泛化性能至关重要,作者分别使用三种采样方法生成负样本,包...

神经网络理论研究的挑战性课题:统计物理能否给智能科学带来第一性...

[20]YoshuaBengio,AaronCourville,andPascalVincent.Representationlearning:Areviewandnewperspectives.IEEEtransactionsonpatternanalysisandmachineintelligence,35(8):1798–1828,2013.[21]P.P.Brahma,D.Wu,andY.She.Whydeeplearningworks:Amanifolddisentangleme...