本会动态

文章详情页
AI筛查自闭症起源突变基因,还能解锁你的艺术细胞?
发布时间:2019-09-03 14:35:39来源:7298棋牌-7298棋牌官网-50元提现棋牌游戏大全点击:42

  编者按:本文来自微信公众号“硅谷密探”(ID:guigudiyixian),作者 硅谷密探,36氪经授权发布。

  大家好,又到了一周一次的科技前沿探索啦。上周小探就在后台看到有小伙伴说,希望多看看美国高校们在捣鼓什么前沿科技,当然没问题!

  今天,小探带你从MIT到斯坦福,从人工智能到太空探索,一一来看高校、大公司们最近又在捣腾什么高科技吧!

  近日,麻省理工学院就进行了一场学生课题项目展示活动。这些项目分别来自5个学院的本科生、研究生、博士以及博士后,他们将人工智能技术与感兴趣的产业领域结合,探讨和展示了许多颇有意义的解决方案。小探就精选了其中一些亮点项目带大家来看看:

  自闭症被认为具有强大的遗传基础,但引发疾病的基因突变却很少被找到。麻省理工学院的研究人员与波士顿儿童医院、哈佛医学院合作,利用人工智能探索自闭症的隐藏起源。

  MIT研究生 Maxwell Sherman 分别与 MIT、哈佛大学教授 Bonnie Berger 和 Po-Ru Loh 合作,帮助开发了一种算法,用于检测以前未发现的自闭症患者带有的基因突变。这些突变会导致某些细胞携带过多或过少的 DNA。

  研究小组发现,高达1%的自闭症患者会携带这些突变,而这种廉价的消费者基因测试只需要用唾液样本就可以检测到它们。研究人员表示,每年将会有数百名携带这些突变且存在自闭症风险的美国儿童以这种方式被识别出来。

  没想到吧,建筑也可以跟AI搭上关系。

  我们都知道,当劳动力便宜时,建筑物的设计倾向使用更少更精的材料,但随着劳动力成本的增加,设计选择转向低效但易于建造的建筑物。这也是为什么 MIT 研究生 Mohamed Ismail 认为,今天世界上许多人都喜欢用标准化钢筋混凝土建造建筑物的原因。

  目前,Ismail 与 MIT 建筑系副教授 Caitlin Mueller 正在使用计算工具来减少印度的钢筋混凝土建筑物的数量,并与总部位于新德里的非营利组织 TARA 合作。这项工作包括计算出一个建筑物随着形状设计的变化能承受多少负荷。

  据了解,Ismael 和 Mueller 开发了一种优化算法来计算可以最大化效率并实现设计元素的形状。钢筋混凝土的混合特性,也就是液体和固体,脆性和韧性的特点,是他们必须克服的挑战。Ismael 表示,一般只需要1个小时,就可以给出 TARA 一个全新的设计方案。

  有研究表明,具有创造力的人会更善于适应老龄的挑战。但你可能会觉得,并不是每个人都这么有创造力,能与内心的艺术家保持联系啊!

  MIT Media Lab的研究生 Guillermo Bernal 也有同样感觉:不少人认为自己是会计师,或者从事商务工作,并不认为自己是个有创意的人。于是,他开始思考,如果我们可以利用深度学习模型来帮助人们探索他们的创造力呢?

  Bernal 与 Media Lab 教授 Pattie Maes 合作,开发了 Paper Dreams——一种交互式故事讲述工具,它使用可生成模型为用户提供灵感。比如说,Paper Dreams 会在你做设计的时候,提醒你这些图景可以如何延展,并且给出颜色、纹理和新意象的建议。

  “当你做设计的时候,看到图画和颜色是实时演变的,这是一种神奇的体验”,Bernal表示,他正在探索使这个平台能被更多人使用的方法。

  

  想了解更多 MIT 学生大开脑洞的项目,可以访问下面网址:

  http://news.mit.edu/2019/mit-showcases-students-combining-ai-with-passions-0307

  当人类进入太空探险时,通常需要把所需物品都从地球带上去。这给太空探索增加了大量的成本和复杂性,并且也给太空飞船可以到达的距离带来了局限。

  为了给太空探索减轻负担,斯坦福大学的研究人员正在探索,如何利用太空环境自身的资源,来为太空船提供资源。

  斯坦福大学航空航天教授 Sigrid Close 带领的空间环境与卫星系统实验室主导了这项研究。当然,他们并不是想从太空环境中挖掘食物和水,而是专注于利用等离子体。

  等离子是围绕行星和小行星的气态带电粒子的集合。这群研究人员认为,等离子体可以为远距离航天器提供动力,或者提供一种新寻找可开采的小行星的方法,从而为人类在地球上和太空中的活动提供材料。

  研究人员的一个想法是用等离子体为航天器或其子系统提供动力。随着宇宙飞船航行远离太阳,它们将逐渐不能依赖太阳能。但是经过某些行星,如木星和土星时,飞船会被更高密度的等离子体所包围,并产生负电荷。

  研究人员希望,他们可以捕获这些电荷,以便在离开太阳系的途中为太空船提供动力。如果这种方法有效,人类的太空任务类型将被扩展。例如,模块化卫星在外太空将能承担的任务会比现在多得多。

  

  想了解更多细节,可以查看学校的相关报道:

  https://news.stanford.edu/2019/03/05/making-environment-outer-space-work-us/

  3月6日,康奈尔大学在《皇家学会界面杂志》上发表了一项新研究,描述了动物如桡足类(一种甲壳动物)动物、青蛙、鱼类、海豚和鲸鱼等,从水中飞跃到空气中所需的模式和参数——鉴于水的密度是空气密度的1000倍,这是非常具有挑战性的任务。

  

  为了试验这些飞跃,研究人员创造了一个简单的跳水机器人。但机器人也有实际应用:例如,如果配备了检测污水的传感器,浸入式设备可以在触发时跳跃,并发送信号通知水管理员污染区域。与通过水发送信号相比,通过空气发送信号更有效,更便宜,并且不需要大型设备来超越空气和水的界面。

  “我们的主要目的是试图了解动物在自然界中的表现”,康奈尔生物与环境工程副教授 Sunghwan Jung 说。 “动物已经进化了数百万年,以优化其行为并最大限度地提高其表现。 从那里,我们可以学习如何设计产品或工程系统以更好地执行。”

  你别说,好像人就真的挺难跃出水面的……对吧……

  想了解更多相关信息,可以点击以下网址:

  http://news.cornell.edu/stories/2019/03/robot-biomimics-animals-leaping-water

  卡内基梅隆大学最新开设了一门课程,让学生可以用区块链技术来解决实际问题,包括设计加密货币CMU Coin,在校内流通。

  这门课程由来自商学院、计算机学院、信息系统与公共政策学院的教师共同开设。课程的内容,强调区块链解决方案背后的经济性,以及关于如何实施区块链解决方案的实践知识的学习。

  而课程的目标是让学生思考并提出基于 CMU Coin 的应用,并为 CMU Coin 提升价值。CMU Coin由卡内基.梅隆大学的金融服务创新中心推出。

  读者中有没有CMU参与校园发币的大神,来给小探说说?

  由于阿片类药物过量(例如吗啡和海洛因)继续对人类造成损失,导致2017年47,600人死亡,世界卫生组织估计全球每年有6.9万人死于阿片类药物过量。研究人员正继续寻求创新的危机解决方案,这次是携手科技。

  耶鲁大学医学助理教授 David Rosenthal 带领学生 Josh Feler 和 Patrick Liu,与耶鲁精神病学家 Theddeus Iheanacho 合作,联合开发了一个工具,可以帮助个体阿片类药物使用者采取最重要的抗毒瘾策略之一:药物治疗。

  这款名为 BUP Home Induction 的免费手机 APP 可以帮助患者在服用丁丙诺啡的前三天(被称为诱导期)获得适当剂量的指导。

  最初,该应用程序要求用户检查症状以确保他们已开始戒断并准备启动药物。在这三天的过程中,患者可以阅读有关如何服用药物的详细信息然后记录它们的剂量。 到第三天,他们应该就达到最佳剂量。

  感兴趣的小伙伴,可以查看下面链接:

  https://news.yale.edu/2019/03/06/yale-experts-develop-new-free-app-tackle-opioid-addiction

  生成 AI 模型倾向于学习复杂的数据分布,这就是为什么它们擅长于生成类似人类的语言和汉堡、人脸这样的图像。但是,训练这些模型需要大量标记数据,并且根据手头的任务,必要的语料库有时会供不应求。

  苏黎世联邦理工学院(ETH Zurich)和谷歌研究人员最近在 Arxiv.org 上发表了一篇论文《使用较少标签生成高保真图像》中,论文中描述了一个“语义提取器”,它可以从训练数据中提取特征,以及从一小部分标签中为整个训练推断标签的方法。

  研究人员认为,这些自我和半监督技术可以胜过像 ImageNet 这样的流行基准测试。

  

  简而言之,该论文的作者解释说,他们不是向鉴别器提供图像的手工注释的真实标签,而是提供推断的标签。未来,研究人员希望研究这些技术如何应用于“更大”和“更多样化”的数据集。

  说完海外高校来看看大公司技术动态,本周谷歌诸多动态,赶紧看下去!

  本月6号,谷歌一年一度的TensorFlow开发者大会在硅谷举行。会上,谷歌发布了两款 AI 硬件:售价仅千元搭载着 TPU 的开发板 Coral;可以为 Linux 机器学习推理加速的计算棒。它俩取代软件,成了本次发布会的主角。

  

  Coral开发板(Coral Dev Board)是一款售价150美元(折合人民币约1000元)的小型计算机,具有可拆卸的模块化系统和一个定制的 TPU 芯片,类似于树莓派。

  Coral中的 Edge-TPU 尺寸大约只有一枚硬币的1/4,拥有 1GB 的 LPDDR4 内存和 8GB 的eMMC 存储,安装 Mendel 版 Linux 或者 Android,可以进行本地的离线运算。它不训练机器学习模型,而只是用 TensorFlow Lite 进行推理预测,因此比全栈框架更节能。

  

  同时,谷歌还发布了一款 Coral USB 加速器,体内同样包含一颗 Edge TPU,可以在任何64位 ARM 或 x86 平台的 Debian Linux 上运行。Coral USB 加速器售价75美元,可以加速树莓派和 Linux 系统的机器学习推理。

  深度神经网络(DNN)带来许多机器学习任务的实现,包括语音识别,视觉识别和语言处理。最近的 BigGAN 模型 ,Bert 模型、GPT2.0 的进展显示,越来越大的 DNN 模型可以带来更好的任务性能。

  然而,在同一时期,GPU 内存仅增加了约3倍,而且当前最先进的图像模型已经达到了在云TPUv2 上的可用内存的上限。

  因此,行业迫切需要高效、可扩展的基础设施,以实现大规模深度学习并克服当前加速器的内存限制。

  谷歌近日发表论文,《GPipe:使用管道并行性的高效神经网络训练》,展示了使用管道并行(pipeline parallelism)来扩展深度神经网络训练,以克服这一限制。

  GPipe是一个分布式机器学习库,它使用同步随机梯度下降法(synchronous stochastic gradient descent)和管道并行pipeline parallelism)进行训练,适用于由多个连续层组成的任何DNN。

  重要的是,GPipe 允许研究人员轻松部署更多加速器来训练更大的模型,并在不调整超参数的情况下扩展性能。为了证明 GPipe 的有效性,谷歌的研究人员在 Google Cloud TPUv2s 上训练了一个具有 5.57 亿模型参数、 480 x 480 输入图像尺寸的 AmoebaNet-B。

  该模型在多个流行数据集上表现良好,取得的成就包括:single-crop ImageNet 的精确度提高至 84.3%、 CIFAR-10 的精确度提高至 99%、CIFAR-100 的精确度提高至 91.3%。

  核心 GPipe 库已在 Lingvo 框架下进行开源,感兴趣的小伙伴可以点击查看:https://github.com/tensorflow/lingvo/blob/master/lingvo/core/gpipe.py