Físicos desenvolveram uma estrutura de deep learning capaz de prever as propriedades químicas das moléculas, sem ser necessário fazer os complicados cálculos ditados pela química quântica. Com isso, foi possível simular as interações com a luz na escala de tempo na qual os processos fotoquímicos ocorrem, usando uma fração dos recursos computacionais originalmente necessários.
Aprenda criar e inicializar dicionários em Python. Assim como, executar operações de inserção e remoção, pesquisa e iteração nos valores com técnicas de loop e armazenamento.
O método usa imagens de satélite que são processadas por dois mapas auto-organizáveis. O primeiro identifica, a partir das imagens, os tipos de pigmentos comumente presentes em fitoplâncton. O segundo identifica, a partir dos pigmentos, os microrganismos que estão presentes naquela região do oceano.
O sistema Aristo foi desenvolvido usando diferentes módulos para compreender e responder a perguntas de ciências, mas o grande ganho de desempenho se deve à inclusão recente de um módulo baseado no BERT, um modelo de linguagem desenvolvido pelo Google.
Usando um modelo desenvolvido a partir dos conceitos de redes neurais adversariais generativas, os pesquisadores desenvolveram seis novas moléculas potenciais em apenas 21 dias. Uma das moléculas revelou propriedades farmacocinéticas favoráveis em ratos, podendo seguir adiante para a fase pré-clínica de validação de medicamentos.
Usando uma popular rede neural convolucional como arcabouço, os pesquisadores incluíram modificações para o problema estudado, tornando-a capaz de identificar veículos em movimento em situações de tráfego intenso, e também prever sua direção de deslocamento. O módulo pode ser acoplado a outros sistemas de nível mais alto com o objetivo de automatizar o gerenciamento de tráfego.
Pesquisadores desenvolveram uma rede neural adaptadora para converter os 15 canais de informação oriundos de dados de radar para os 3 canais classicamente usados em redes neurais convolucionais. A rede desenvolvida, batizada MistNet, conseguiu identificar movimentos de pássaros em dados históricos de radar, antes inacessíveis de um ponto de vista prático.
No estudo, dados de eletrocardiogramas foram usados para treinar uma rede neural convolucional na tarefa de prever o sexo e a idade dos pacientes, informações nunca antes correlacionadas com esse tipo de exame. A diferença entre a idade predita pela rede (ou idade fisiológica) e a idade real dos pacientes se mostrou um indicador de problemas de saúde.
Em um artigo opinativo, o neurocientista Anthony Zador diz que os algoritmos de machine learning atuais só emulam a forma como o cérebro aprende usando um dos dois mecanismos que os animais possuem. A incorporação do segundo mecanismo é necessária para que as máquinas possam um dia pensar como nós.
Veja neste vídeo dica número 12 da série Dicas de Carreira em Inteligência Artificial
