大家好, 本周无论是美国高校, 还是海外高校, 乃至一些大公司的技术前沿探索都十分让小探激动啊! 像能让机器人去核反应堆里进行搜索, 检测, 拆除任务, 捐血的 A 型血也能变成通用血型 O 型, 连不是哈利波特, 也能进行记忆遗传了?!
最新的全球科技前沿进展, 赶紧一一来看!
美国高校
MIT: 新算法可以告诉机器人附近的人类在哪里, 提高工作效率
在 2018 年, 麻省理工学院与宝马的研究人员在测试人类与机器人共同作业时发现, 为了保证人类的安全, 机器人在感应到有工人越过它的工作路径之前就会停止工作, 并无法再重启继续. 然而, 在真实的制造环境中, 这种不必要的停顿可能会导致工作效率低.
最近, 麻省理工学院的同一个研究团队提出了一个新的解决方案: 他们研发出了一种能够实时准确地对齐运动轨迹的算法, 从而可以用运动预测器准确地预测人的运动时间. 这样, 在人机共同作业的工厂里, 当人们再次越过机器人的预定路线时, 机器人只会往与人类相反的方向移动并安全离开, 当工人离开后再恢复工作.
麻省理工学院航空航天副教授 Julie Shah 说:"这种算法构建的组件可以帮助机器人理解和监控它们周围物体在运动中的停止和重叠, 这也是人体运动的核心部分."
虽然算法主要是针对人类的运动轨迹预测, 但它也可以用作人机交互领域中其他技术的预处理步骤, 例如动作识别和手势检测. Julie Shah 说, 该算法将成为让机器人识别和响应人类运动和行为模式的一个关键工具, 从而帮助人类与机器人在结构化环境中协同工作, 并最终运用在工厂与家庭中.
感兴趣的可以点击原文查看:
MIT: 设计出比现有电子芯片效率高 1000 万倍的光子芯片
由于对于运行大型神经网络的数据中心的需求越来越大, 计算这些大量数据变得越来越困难, 只有更高效率的神经网络硬件才能满足这些计算需求, 并解决对能源的消耗并提升效率. 近期, 麻省理工学院的研究人员在 《Physical Review X》杂志上发表的论文中, 描述了一种使用 ** 更紧凑的光学原件及光信号处理技术的新型光子加速器.**
传统的光子加速器由于空间的限制, 很难将大型神经网络应用到其架构中. 麻省理工学院研究人员论文中描述的光子芯片则采用了更紧凑和节能的 "光电" 方案: 该方案利用光信号对数据进行编码, 使用 "平衡零差检测" 进行矩阵乘法, 即计算两个光信号的幅度 (波高) 的乘积之后产生可测量的电信号.
该技术有望极大幅度地降低功耗和芯片面积, 使得芯片能够轻松应对大型神经网络的大规模计算. 在模拟训练中的数据表明, 从理论上来说, 该加速器在处理神经网络时比传统电子加速器的能耗限制小 1000 万倍以上. 研究人员正在研究原型芯片, 进而实验证明研究成果, 并最终希望可以建立一个可以扩展到大型神经网络的光子加速器.
感兴趣的可以点击原文查看:
斯坦福大学: 工程师让编辑视频像编辑文本一样简单
在影视作品的拍摄中, 偶尔演员疏忽或嘴瓢, 说漏了个别关键词的情况时有发生. 目前仅有的唯一解决方案是接受这些不完美的镜头, 或者再次召集所有演员, 重新拍摄这些镜头.
最近, 来自斯坦福大学马克斯普朗克信息学研究所, 普林斯顿大学和 Adobe Research 的研究团队开发出了一种 "让编辑视频像编辑文本一样简单的" 算法: 这种新算法可以对演员的面部表情和声音进行基于文本的编辑, 将其所说的话进行改变, 并使得嘴形, 面部表情以及口音都与原本视频一致.
(感兴趣的可以查看视频地址:
)
该算法从各种已有视频片段中提取语音样本和面部运动样本, 并使用机器学习将这些视频转换为看起来几乎没有破绽的最终视频.
在编辑这样的视频时, 剪辑者可以像编辑文本一样轻松地添加新单词, 删除剧本中不需要的单词或者根据需要通过拖放来重新排列文字, 并最终生成完整的全新视频. 到底有多逼真呢? 未经训练的普通人几乎是看不出任何破绽的. 研究人员表示, 这个新算法对视频编辑和制片人来说都将个福音, 但是由于修改过后的视频并非是如实拍摄的结果(演员本人并没有说这些话), 这也会涉及到一些伦理方面的问题.
感兴趣的可以点击原文查看:
佐治亚大学: 可将 *** 细胞与血分开的微流体装置
"*** 转移" 是很可怕的字眼, 而 *** 之所以会转移, 就是当循环肿瘤细胞从 *** 肿瘤原位处脱离, 并经血流播散到全身时, 随血液流通的癌细胞形成新的转移性肿瘤. 因此, 为了形成更有效的治疗措施, 科学家们一直努力想把患者血液里的癌细胞 -- 也就是循环肿瘤细胞 -- 捉住, 并精确分析.
问题在于, 从血液里捉出循环肿瘤细胞很难, 因为每个循环肿瘤细胞大小形态各异, 给甄别造成了很大难度.
近期佐治亚大学 (UGA) 工程学院的 Leidong Mao 教授及其研究团队开发出了一种新的微流体装置. 这种微流体装置可以更快, 更有效地将循环肿瘤细胞与全血样本分开.
(图自论文, 版权属于原作者)
该研究小组开发了一种基于生物相容性铁磁流体 (胶体磁性纳米颗粒悬浮液) 细胞磁化强度对比的新方法, 这种新方法被命名为循环肿瘤细胞 "综合铁水动力细胞分离"(iFCS)检测法. 这种方法非常有效, 可捕获血液样本中高达 99.08% 循环肿瘤细胞.
感兴趣的可以点击原文查看:
海外高校
兰卡斯特大学: 新型机器人可以安全的拆除核反应堆
通常情况下, 处理核废料的机器人, 例如, 在海啸摧毁福岛核反应后, 被送入处理废物的机器人, 需要人类对其每一步都进行远程控制; 而对于现有技术来说, 让机器人完全自主处理这样的任务是不现实的.
英国卡斯特大学的工程师开发了一个新的半自动机器人, 能够自主进入废弃的核反应堆, 自己处理部分任务 -- 比如检测, 抓取和切割对象, 逐个安全地拆除核反应堆.
(图自: futurism.com)
该项研究发布在《机器人》期刊上. 兰卡斯特大学工程师 James Taylor 介绍说, 对于操作员来说, 操作核反应堆中的机器人是极其困难的, 废弃的核反应堆内的任务的复杂性极高. 但是, 在近期凭借人类现有的技术, 完全自主的解决方案不太可能是安全的, 所以其团队研发了一个介于两者之间的半自动解决方案.
英属哥伦比亚大学: 科学家可将所有血型的捐赠者血液转变为通用血
我们都知道, 人体的血型包括 A,B,AB 和 O 型, 其决定了每个人输血时可以被接受的血型. 如果输入 "错误" 的血型, 结果可能是致命的.
但是, 任何人都可以在输血时接受 O 型血, 这使得 O 型血被称为 "万能血", 非常有价值. 英国不列颠哥伦比亚大学的研究人员发现了一种可以将 A 型血液转化为 O 型血方法. 该项研究可能会使人类的 "万能血" 供应量增加一倍.
人类各种血型之间的差异主要体现在红细胞表面的糖分子或抗原上. 如果血型为 A 的人接受 B 型输血, 他们的免疫系统会注意到 B 型抗原的存在并 *** 血细胞. 但由于 O 型血没有任何抗原, 任何人都可以接受它.
(图自 futurism.com)
发布在 6 月 10 日的《自然微生物学》杂志上的这项研究发现, 人体肠道中的一种微生物可以产生两种酶, 这些酶可以有效地剥离其 A 型血的红细胞表面的抗原, 将其转化为 O 型.
该团队计划进行进一步推进这项研究, 以确保使用该种酶, 可以去除 A 型血的所有抗原.
特拉维夫大学: 不是哈利波特: 记忆或许可以被遗传
本周, 特拉维夫大学生命科学学院教授 George S. Wise, 及 Sagol 神经科学学院的 Oded Rechavi 教授在 Cell 杂志发文, 宣布其领导的一项新研究研究成果. 该研究发现: 线虫的神经系统可以通过神经元, 与生殖细胞进行信息交流, 生殖细胞中包含传递给后代的信息(遗传和表观遗传). 这项研究确定了神经元向这些后代传递信息的模式.
他们发现, 线虫的小 RNA 会将来自神经元的信息传递给后代, 并影响后代的各种生理过程, 包括后代的觅食行为等. 换句话说, 也就是线虫的神经系统竟然能够遗传给它们的后代, 从而影响, 控制其后代的命运.
比如, 线虫需要在神经元中合成小 RNA, 才能被其所需食物的气味吸引, 顺着气味找到食物. 在父母一代的神经系统中产生的小 RNA 影响了这种行为, 而没有产生小 RNA 的线虫则会在食物识别上存在缺陷.
(图自论文, 版权属于原作者)
但该科研团队也说, 目前还不知道相同情况是不是也同样适用于人类 -- 毕竟人类和线虫还是有些区别的.
感兴趣的可以点击原文查看:
大公司
研究人员试图建造机器学习系统, 识别 Facebook 帖子背后的意图
含有恶意意图的内容是 Facebook 面临的一个主要挑战. Facebook 正在寻找一种快速识别和删除有恶意意图的帖子的方法. 例如, 新西兰 3 月 15 日大规模枪击事件, 如果能以最快的速度被识别出来, 就不会在 Facebook 上直播了.
美国 Cornell Tech 计算机系教授 Serge Belongie 的研究项目 "intentonomy"(意图学), 旨在找到潜伏在 Facebook 和 Instagram 帖子背后的复杂的心理, 情绪因子.
Facebook 为这项研究拨给了价值 177 万美元的三年期赠款. 而 Belongie 教授的团队将与 Facebook 一起协作, 来识别 Facebook 上的帖子背后的意图, 不管是良性的, 仇恨的, 还是极端的, 并建起一个有足够的样本的数据库.
这个研究的目标是创建和训练一个机器学习系统, 使之能够快速判断甚至预测社交媒体上的帖子的意图, 从而实时的帮助社交媒体运营者甄别有问题的帖子.
感兴趣的可以点击原文查看:
谷歌发布颠覆 ***: 不用人类训练, AI 自动构建的超强网络
我们知道, 通常来说机器学习的方法是人类通过调整参数等方法训练机器. 但谷歌本周发布的一项最新研究, 则有望颠覆这个传统办法.
本周早些时候, 谷歌大脑团队发布了一项新研究: 权重不可知神经网络(WANN). 它是只靠神经网络架构搜索出的网络, 不训练, 不调参, 就能直接执行任务.
准确率如何呢? 这种新的神经网络在未经训练和权重调整的情况下, 准确率就能高达 92% -- 和训练后的线性分类器表现相当.
不训练权重参数就能获得极高准确度, 这种新的 "权重不可知神经网络" 是如何做到的呢? 研究人员提出了一种神经网络架构的搜索方法, 无需训练权重就能找到执行强化学习任务的最小神经网络架构. 此外, 该篇论文从还架构搜索, 贝叶斯神经网络, 算法信息论, 网络剪枝, 神经科学这些理论中获得启发.
对这方面有一定研究背景的小伙伴可以点击以下链接:
https://weightagnostic.github.io/
来源: http://www.bubuko.com/infodetail-3096027.html