至顶网软件频道消息:美国一个科学家团队希望利用人工智能在极短时间内发现新的钢材替代品。结果,他们发现了三种新的混合物,可用于制作金属玻璃,时间上比以前同类工作快了200倍。
Dawn Harmer / SLAC国家加速器实验室:Fang Ren在加速器实验室做博士后期间开发了即时分析数据的算法。图中的她正在操作斯坦福同步辐射光源射束线系统,该系统已投入使用。
金属玻璃基本上是未来的合金。通常,几种金属会混合在一起,目的是将每种金属的理想特性“添加”在一起制造出“超级金属”。合金的性能与金属类似,看上去也与金属类似,其原子结构由严谨的几何图案组成。而另一方面,金属玻璃原子结构的几何图案并不严谨,其原子结构非常像玻璃那样无序。这种原子结构因此使得相应的材料比钢更轻、更坚固。因此,金属玻璃是钢材的理想替代品。
但金属玻璃是一种相对较新的材料,金属玻璃的各种成分组合未能全部得到测试。可能的组合达数百万种,在过去的50年里仅数千种组合被测试及评估,并且只有少数组合最终被开发使用。所以,金属玻璃业界亟需寻找一种可以预测最佳组合或对最佳组合进行建模的方法。记者了解到,由能源部的SLAC国家加速器实验室、国家标准与技术研究院(https://www.nist.gov)(NIST)和西北大学(https://www.northwestern.edu起头组建的科学家团队日前找到了发现最佳金属玻璃最佳组合的捷径,而用到的方法就是利用人工智能。
该团队利用了SLAC的斯坦福同步辐射光源系统(SSRL)(https://www-ssrl.slac.stanford.edu/content/),通过机器学习系统发现了三种新的成分混合物,可用于制作金属玻璃。他们的研究结果发表在《科学进展》(Science Advances.)上。西北大学的Chris Wolverton教授是该论文的合作作者。他表示,“通常需要一、二十年才能完成一种材料从发现到商业用途的开发。该研究结果对于缩短开发时间跨出了一大步。我们可以从一个材料的清单开始,利用人工智能迅速地将数量巨大的潜在材料缩小到几个优秀的候选材料。”
该研究结果不仅可以用于金属玻璃,还可以用于其他材料,研究结果因此对于工业界来说是一项非常有价值的技术。 Wolverton教授的最终目标是扫描一种样本材料后即时利用机器学习模型提供关于这种材料的反馈。在过去的半个世纪里,科学家研究过约6000种金属玻璃的成分组合。而Wolverton教授的团队利用人工智能已经筛选了20,000种成分组合。团队在预测、实验测量和结果之间来回循环,将重要信息输入到他们的机器学习系统里。 SSRL X射线束系统可用于扫描合金,然后这些数据被输入到机器学习系统里,进而生成新的结果,然后再用这些数据创建一个新的样本,再用X射线束扫描直至制作出最好的材料。这种技术希望能在未来能发展成更快的方法,其自动化程度能更好及能用于许多许多的材料。机器学习和人工智能技术已经开发出了许多令人振奋的应用;多么美好的时代。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。