O modelo usou dados retirados de mais de 2000 publicações para ser capaz de propor métodos de fabricação de perovskitas, materiais com potencial de uso na área, de forma estável e fácil aplicação. Os resultados estão de acordo com predições teóricas, abrindo caminho para a exploração das soluções por inteligência artificial.
O modelo usa dados de ressonância magnética funcional processados em múltiplas escalas para encontrar padrões no chamado conectoma que caracteriza as redes neurais do cérebro, e assim identificar as pessoas portadoras de ADHD, abrindo caminho para a detecção de outras anormalidades funcionais.
O algoritmo usa imagens de satélite para reconhecer alterações nas áreas sobrevoadas que sejam características de incêndio, como aumento do brilho ou da temperatura, identificando incêndios iniciais confinados em uma área de apenas 10 acres e gerando alertas em 9 minutos após iniciar a análise.
O algoritmo analisa dados obtidos por satélite, que medem a deformação no solo ao redor dos vulcões. O padrão de alteração dos solos através do tempo permite gerar alertas de até um ano antes do vulcão entrar em atividade.
Os cientistas produziram capsídeos, que são os veículos de entrega da terapia genética, com várias modificações pontuais, e mediram sua eficiência. Depois, um modelo de machine learning foi usado para prever os ganhos de eficiência quando mais de uma modificação fosse realizada. Os capsídeos produzidos com base nos resultados do algoritmo foram muito mais eficientes que aqueles produzidos pelo método tradicional de modificações aleatórias.
Dois modelos foram testados: um apenas com medidas objetivas obtidas dos aparelhos, outro usando ainda uma escala de medida de consciência. Ambos performaram bem na previsão da morte de pacientes dentro de 30 dias. O modelo deve no futuro permitir o prognóstico dinâmico em tempo real dos pacientes.
Usando imagens de tomografia computadorizada dos tumores, um algoritmo aprendeu quais características estavam associadas com o sucesso do tratamento usando imunoterápicos, fornecendo um meio de predizer quais pacientes se beneficiaram do caro tratamento.
O estudo envolveu calcular as propriedades eletrônicas de uma amostra do dataset de interesse, usando um modelo preciso mas computacionalmente caro, e depois usar esses resultados para calibrar um modelo de machine learning que fazia os cálculos usando equações mais simples porém menos precisas. Assim, o modelo aprendeu a corrigir os resultados menos precisos para entregar o mesmo nível de exatidão do modelo mais complexo.
O autor do trabalho usou features de texto característicos de poesia e métodos de machine learning para classificar as sequências da peça Henrique VIII, chegando à conclusão de que o trabalho foi escrito de forma revezada por Shakespeare e por John Fletcher, sendo que uma das cenas teve participação de ambos os autores.
O sistema foi treinado com fotos em alta resolução de placentas e seus relatórios diagnósticos, se tornando capaz de gerar relatórios automatizados a partir de novas imagens. O software gerado deve aumentar consideravelmente o percentual de placentas analisadas, entregando informações de interesse para a saúde da mãe e do bebê.
