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
DDN推出Infinia对象存储系统,采用键值存储架构和Beta Epsilon树数据结构,实现读写性能平衡。系统在对象列表性能上比AWS快100倍,延迟降至毫秒级,支持多租户和SLA管理。通过与英伟达合作优化RAG管道,在AWS上实现22倍性能提升并降低60%成本。
大连理工大学和浙江大学研究团队提出MoR(Mixture of Reasoning)方法,通过将多种推理策略嵌入AI模型参数中,让AI能自主选择最适合的思考方式,无需人工设计专门提示词。该方法包含思维生成和数据集构建两阶段,实验显示MoR150模型性能显著提升,比基线模型提高2.2%-13.5%,为AI推理能力发展开辟新路径。
Alpine Linux核心开发者Ariadne Conill推出了Wayback项目,这是一个实验性的X兼容层,允许使用Wayland组件运行完整的X桌面环境。该项目本质上是一个提供足够Wayland功能来托管rootful Xwayland服务器的存根合成器。与现有的XWayland不同,Wayback旨在创建一个类似X11风格的基于Wayland的显示服务器,让用户能够继续使用传统的X11窗口管理器和桌面环境,而无需重写或替换这些熟悉的工具。
剑桥大学研究团队开发了FreNBRDF技术,通过引入频率修正机制显著提升了计算机材质建模的精度。该技术采用球面谐波分析提取材质频率信息,结合自动编码器架构实现高质量材质重建与编辑。实验表明,FreNBRDF在多项指标上超越现有方法,特别在频率一致性方面改善近30倍,为游戏开发、影视制作、电商预览等领域提供了重要技术支撑。