MolarData|热“AI”身边事，新鲜趣闻周五见

前几天，OpenAI又发布了新模型，叫做DALL-E，以艺术家达利和机器人瓦力合体命名。它极其强大，仅仅通过一段自然语言，就能生成对应图片。比如，“一个穿着芭蕾舞裙的小萝卜在遛狗”，这话够扯淡吧，但DALL-E能画。包括但不限于“球体的云朵”，正方形的火焰“，“用牛油果做成的孔雀”……DALL-E就是这样一个图片转文字的模型，它使用了GPT-3中120亿个参数版本，可以完全“无中生有”，制造出原本不存在的图片。

OpenAI的首席科学家IIya Sutskever在推特表示，人工智能的长期目标是建立多模态的神经网络，让AI能够学习不同模态之间的概念。以往的大部分AI，包括GPT-3，都是以文本为主，研发DALL-E是为了拓展视觉领域，让AI更好地理解世界。

DALL-E确实有着出色的理解能力和混合概念的能力。“我预计这个技术能带来各种各样的应用。” 剑桥大学的Neil Lawrence教授在CNBC的采访中说，“它非常令人兴奋，可以解决我们自己都不知道的问题。”
乔治亚理工学院的Mark Riedl教授也说：“混合概念的能力被认为是人类创造力的关键。所以，从创意角度看，DALL-E是一大进步。虽然人们对AI是否理解概念看法不一致，但用新的方式创造东西，是它智力和创造力的一大证明。”

（来源:英国那些事儿）

在过去的几年中，卷积神经网络(CNN)在医学图像分析中取得了里程碑式的进展。尤其是，基于U形结构和skip-connections的深度神经网络已广泛应用于各种医学图像任务中。但是，尽管CNN取得了出色的性能，但是由于卷积操作的局限性，它无法很好地学习全局和远程语义信息交互。

Swin-Unet是用于医学图像分割的类似Unet的纯Transformer模型。标记化的图像块通过跳跃连接被送到基于Transformer的U形Encoder-Decoder架构中，以进行局部和全局语义特征学习。

与传统的multi-head self attention(MSA)模块不同，Swin Transformer是基于平移窗口构造的。每个Swin Transformer由LayerNorm(LN)层、multi-head self attention、residual connection和2个具有GELU的MLP组成。对多器官和心脏分割任务进行的实验表明，基于纯Transformer的U-shaped Encoder-Decoder优于那些全卷积或者Transformer和卷积的组合。利用Swin Transformer构建encoder、bottleneck和decoder，表现SOTA！性能优于TransUnet、Att-UNet等。

（来源：集智书童）

美国芝加哥大学Rama Ranganathan，法国索邦大学Martin Weigt等研究人员合作利用进化模型实现了分支酸变位酶的设计。

Ranganathan及其合作者在过去15年中意识到，基因组数据库包含有关蛋白质结构和功能基本规则的大量信息。Ranganathan的小组基于这些数据开发了数学模型，然后开始使用机器学习方法来揭示有关蛋白质基本设计规则的新信息。

这项研究中，研究者研究了新陈代谢的分支酸突变酶家族。使用机器学习模型，研究人员能够揭示这些蛋白质背后的简单设计规则。该模型显示，仅氨基酸位置的保守性和氨基酸对进化中的相关性就足以预测具有蛋白质家族特性的新人工序列。

Ranganathan和他的合作者创建了合成基因来编码蛋白质，将它们克隆到细菌中，然后观察细菌如何使用其正常的细胞机制来合成蛋白质。他们发现人造蛋白具有与天然分支酸突变酶蛋白相同的催化功能。

同时，研究者还希望使用该平台开发可以解决紧迫的社会问题的蛋白质。Ranganathan和Andrew Ferguson教授成立了一家名为Evozyne的公司，该公司将通过在能源、环境、催化和农业领域的应用将该技术商业化。

(来源：DrugAI)

来自罗马尼亚国家同位素和分子技术研究与发展研究所的Camelia Berghian-Grosan和Dana Alina Magdas基于拉曼光谱结合机器学习算法建立食用油快速检测方法，不仅实现了掺假的定性检测，而且对掺假量也进行了初步估计。

研究人员通过拉曼光谱对食用油的表征、鉴别，以及总不饱和、顺/反式异构体和游离脂肪酸的定量分析，从而检测油的掺假情况，并提供油脂质氧化程度的信息。在用于拉曼数据的多元统计方法中，主成分分析(PCA)无论是用于食用油认证还是橄榄油掺假检测都是应用最成功的方法之一。

文章使用了7种研究油(SF、SES、HEM、WAL、LIN、SB、PUP)，模型验证采用了8折交叉验证技术，采用KNN训练了所有的分类类型来对这些数据进行分类。结果不仅强调了一些不太常见的食用油的准确鉴别的可能性，甚至在低信号噪声光谱(如南瓜籽油PUP案例)，也有将拉曼数据的ML分析用于区分纯油和混合油的能力。利用两种混合物，实验证明了该方法有助于区分混合油和得到掺假程度的初步想法。

该方法简单，收集食用油拉曼光谱数据并建立训练集，不需要特殊或耗时的预处理，它使用模式识别方法，通过简单的拉曼光谱分析来识别最相关的油类分类模型。总的来说该方法可作为一种快速、灵敏的食用油研究工具。

（来源：FoodAI)

 来自由 Jeff Dean 领衔的谷歌大脑团队以及斯坦福大学计算机科学系的科学家们，在一项联合研究中证明，一种基于深度强化学习的芯片布局规划方法，能够生成可行的芯片设计方案。

研究人员开发了一种强化学习方法，该方法能够跨芯片进行推广，这意味着它可以从经验中不断学习。为了实现泛化，研究人员重点研究了芯片的可转移表征学习，并将表征学习应用于预测芯片放置质量的有监督任务中。通过设计一种能够准确预测各种网表及其位置的神经结构，研究人员能够生成输入网表的丰富特征嵌入，然后，使用这个结构作为编码器，以实现转移学习。基于 AI 的芯片布局设计方案概括和快速生成高质量解决方案的能力也具有重大意义，为与芯片设计过程早期阶段的协同优化创造了机会。

研究人员相信，这种 AI 布局优化方法策略可以应用于芯片设计以外更广泛的有效布局问题，这种形式的位置优化策略还可出现在广泛的科学和工程应用中，例如硬件设计、城市规划、疫苗测试和分发以及大脑皮层布局研究等。 

（来源：学术头条）