Die fortschrittlichen Instruments für künstliche Intelligenz von Anthropic zum Auffinden von Software program-Schwachstellen haben in den Medien große Aufmerksamkeit erregt. Im März berichteten Mozilla-Forscher, dass Claude Opus 4.6 von Anthropic in zwei Wochen 14 hochschwere Fehler und 22 CVEs identifizierte und damit die Leistung menschlicher Forscher bei Mozilla übertraf.

Verwendung einer Testversion von Anthropic Mythos Modell behaupteten Sicherheitsforscher von Calif, einem in Palo Alto ansässigen Cybersicherheitsunternehmen, Sicherheitsmaßnahmen von Apples macOS umgangen zu haben. Sie gaben an, dass ein „Privilege Escalation Exploit“ in Kombination mit einem anderen Angriffsvektor es böswilligen Akteuren ermöglichen könnte, die Kontrolle über ein Zielgerät zu erlangen.

Die Forscher erklärten, sie hätten Software program entwickelt, die zwei separate Fehler miteinander verknüpft, und verschiedene Techniken eingesetzt, um „den Speicher des Mac zu beschädigen“, um auf eingeschränkte Komponenten zugreifen zu können. Die Entdeckung des Exploits dauerte fünf Tage und erforderte die Zusammenarbeit menschlicher Hacker und des Mythos-Modells.

Apple prüft derzeit den Bericht der Forscher, um seine Ergebnisse zu verifizieren. „Sicherheit hat für uns oberste Priorität und wir nehmen Meldungen über potenzielle Schwachstellen sehr ernst“, sagte ein Apple-Sprecher Das Wall Avenue Journal.

Anthropic startete Mythos, ursprünglich bekannt als Mission Glasswing, im April mit einem auf rund 40 ausgewählte Technologieunternehmen beschränkten Zugang. Das Unternehmen berichtete, dass Mythos Tausende von Schwachstellen mit hohem Schweregrad in verschiedenen Betriebssystemen und Webbrowsern identifiziert hat und warnt vor schwerwiegenden Folgen, wenn solche Funktionen in die Hände böswilliger Personen geraten.

Michał Zalewski, ein Google-Sicherheitsforscher, wertete die Erkenntnisse aus Kalifornien aus, allerdings ohne direkte Beteiligung an der Untersuchung. Er wies darauf hin, dass ein gewisser Hype um Mythos zwar „übertrieben“ sei, es aber immer noch Potenzial für umfangreiche Schwachstellenforschung und Codeprüfungen biete.

In den Diskussionen über die Fähigkeiten von Mythos wurden Bedenken hinsichtlich der potenziellen Gefahren des Modells laut, wenn es öffentlich zugänglich gemacht würde. Gary McGraw, ein ehemaliger Cybersicherheitsmanager bei Synopsys, beteiligte sich an der Diskussion und versicherte, dass die Technologie nicht von Natur aus zu gefährlich sei, um veröffentlicht zu werden. Er betonte die Notwendigkeit, die tatsächlichen Herausforderungen der Cybersicherheit anzugehen, anstatt den Zugriff auf nützliche Instruments einzuschränken.

---

Hervorgehobener Bildnachweis

Die Untersuchung der Genexpression in den Zellen eines Krebspatienten kann klinischen Biologen helfen, den Ursprung des Krebses zu verstehen und den Erfolg verschiedener Behandlungen vorherzusagen. Aber Zellen sind komplex und bestehen aus vielen Schichten. Daher hat die Artwork und Weise, wie der Biologe Messungen durchführt, Einfluss darauf, welche Daten er erhalten kann. Beispielsweise könnte die Messung von Proteinen in einer Zelle andere Informationen über die Auswirkungen von Krebs liefern als die Messung der Genexpression oder der Zellmorphologie.

Es spielt eine Rolle, wo in der Zelle die Informationen herkommen. Um jedoch vollständige Informationen über den Zustand der Zelle zu erhalten, müssen Wissenschaftler oft viele Messungen mit unterschiedlichen Techniken durchführen und diese einzeln analysieren. Methoden des maschinellen Lernens können den Prozess beschleunigen, aber bestehende Methoden fassen alle Informationen aus jeder Messmodalität zusammen, was es schwierig macht herauszufinden, welche Daten aus welchem ​​Teil der Zelle stammen.

Um dieses Drawback zu lösen, haben Forscher des Broad Institute of MIT und Harvard sowie der ETH Zürich/Paul Scherrer Institute (PSI) ein auf künstlicher Intelligenz basierendes Framework entwickelt, das lernt, welche Informationen über den Zustand einer Zelle über verschiedene Messmodalitäten hinweg geteilt werden und welche Informationen für einen bestimmten Messtyp einzigartig sind.

Durch die Ermittlung, welche Informationen aus welchen Zellteilen stammen, bietet der Ansatz eine ganzheitlichere Sicht auf den Zustand der Zelle und macht es für einen Biologen einfacher, das vollständige Bild der zellulären Interaktionen zu erkennen. Dies könnte Wissenschaftlern helfen, Krankheitsmechanismen zu verstehen und das Fortschreiten von Krebs, neurodegenerativen Erkrankungen wie Alzheimer und Stoffwechselerkrankungen wie Diabetes zu verfolgen.

„Wenn wir Zellen untersuchen, reicht eine Messung oft nicht aus, deshalb entwickeln Wissenschaftler neue Technologien, um verschiedene Aspekte von Zellen zu messen. Obwohl wir viele Möglichkeiten haben, eine Zelle zu betrachten, haben wir am Ende des Tages nur einen zugrunde liegenden Zellzustand. Indem wir die Informationen aus all diesen Messmodalitäten auf intelligentere Weise zusammenführen, könnten wir ein umfassenderes Bild vom Zustand der Zelle erhalten“, sagt Hauptautor Xinyi Zhang SM ’22, PhD ’25, ein ehemaliger Doktorand an der MIT-Abteilung für Elektrotechnik und Informatik (EECS) und Mitglied des Eric and Wendy Schmidt Middle am Broad Institute of MIT und Harvard, der jetzt Gruppenleiter bei AITHYRA in Wien, Österreich, ist.

Zhang wird in einem Vortrag über die Arbeit von GV Shivashankar unterstützt, Professor am Departement Gesundheitswissenschaften und Technologie der ETH Zürich und Leiter des Labors für Multiscale Bioimaging am PSI; und leitende Autorin Caroline Uhler, Professorin für EECS und das Institute for Information, Methods, and Society (IDSS) am MIT, Mitglied des MIT-Labors für Informations- und Entscheidungssysteme (LIDS) und Direktorin des Eric and Wendy Schmidt Middle am Broad Institute. Die Forschung erscheint heute in Naturinformatik.

Manipulation mehrerer Messungen

Es gibt viele Werkzeuge, mit denen Wissenschaftler Informationen über den Zustand einer Zelle erfassen können. Sie können beispielsweise die RNA messen, um zu sehen, ob die Zelle wächst, oder sie können die Chromatinmorphologie messen, um zu sehen, ob die Zelle mit externen physikalischen oder chemischen Signalen umgeht.

„Wenn Wissenschaftler eine multimodale Analyse durchführen, sammeln sie Informationen mithilfe mehrerer Messmodalitäten und integrieren sie, um den zugrunde liegenden Zustand der Zelle besser zu verstehen. Einige Informationen werden nur von einer Modalität erfasst, während andere Informationen von mehreren Modalitäten gemeinsam genutzt werden. Um vollständig zu verstehen, was in der Zelle passiert, ist es wichtig zu wissen, woher die Informationen stammen“, sagt Shivashankar.

Für Wissenschaftler besteht die einzige Möglichkeit, dies zu klären, oft darin, mehrere Einzelexperimente durchzuführen und die Ergebnisse zu vergleichen. Dieser langsame und umständliche Prozess schränkt die Menge der Informationen ein, die sie sammeln können.

In der neuen Arbeit haben die Forscher ein Framework für maschinelles Lernen entwickelt, das speziell versteht, welche Informationen sich zwischen verschiedenen Modalitäten überschneiden und welche Informationen für eine bestimmte Modalität einzigartig sind, aber nicht von anderen erfasst werden.

„Als Benutzer können Sie einfach Ihre Zelldaten eingeben und Sie erfahren automatisch, welche Daten geteilt werden und welche Daten modalitätsspezifisch sind“, sagt Zhang.

Um dieses Framework aufzubauen, überlegten die Forscher die typische Artwork und Weise, wie maschinelle Lernmodelle zur Erfassung und Interpretation multimodaler zellulärer Messungen konzipiert sind.

Normalerweise verfügen diese als Autoencoder bezeichneten Methoden über ein Modell für jede Messmodalität, und jedes Modell codiert eine separate Darstellung der von dieser Modalität erfassten Daten. Die Darstellung ist eine komprimierte Model der Eingabedaten, die alle irrelevanten Particulars verwirft.

Die MIT-Methode verfügt über einen gemeinsamen Darstellungsraum, in dem Daten kodiert werden, die sich zwischen mehreren Modalitäten überschneiden, sowie über separate Räume, in denen eindeutige Daten aus jeder Modalität kodiert werden.

Im Wesentlichen kann man es sich wie ein Venn-Diagramm von Mobilfunkdaten vorstellen.

Die Forscher verwendeten außerdem ein spezielles zweistufiges Trainingsverfahren, das ihrem Modell dabei hilft, die Komplexität zu bewältigen, die mit der Entscheidung verbunden ist, welche Daten über mehrere Datenmodalitäten hinweg gemeinsam genutzt werden. Nach dem Coaching kann das Modell erkennen, welche Daten geteilt werden und welche einzigartig sind, wenn es mit Zelldaten gefüttert wird, die es noch nie zuvor gesehen hat.

Daten unterscheiden

Bei Checks an synthetischen Datensätzen erfasste das Framework bekannte gemeinsame und modalitätsspezifische Informationen korrekt. Als sie ihre Methode auf reale Einzelzelldatensätze anwendeten, unterschied sie umfassend und automatisch zwischen der Genaktivität, die gemeinsam von zwei Messmodalitäten wie Transkriptomik und Chromatinzugänglichkeit erfasst wurde, und identifizierte gleichzeitig korrekt, welche Informationen nur von einer dieser Modalitäten stammten.

Darüber hinaus identifizierten die Forscher mit ihrer Methode, welche Messmodalität einen bestimmten Proteinmarker erfasste, der auf DNA-Schäden bei Krebspatienten hinweist. Zu wissen, woher diese Informationen stammen, würde einem klinischen Wissenschaftler helfen, zu bestimmen, welche Technik er zur Messung dieses Markers verwenden sollte.

„Es gibt zu viele Modalitäten in einer Zelle und wir können sie unmöglich alle messen, additionally brauchen wir ein Vorhersagetool. Aber dann ist die Frage: Welche Modalitäten sollten wir messen und welche Modalitäten sollten wir vorhersagen? Unsere Methode kann diese Frage beantworten“, sagt Uhler.

Zukünftig wollen die Forscher das Modell in die Lage versetzen, besser interpretierbare Informationen über den Zustand der Zelle zu liefern. Sie möchten außerdem zusätzliche Experimente durchführen, um sicherzustellen, dass zelluläre Informationen korrekt entwirrt werden, und das Modell auf ein breiteres Spektrum klinischer Fragestellungen anwenden.

„Es reicht nicht aus, nur die Informationen aus all diesen Modalitäten zu integrieren“, sagt Uhler. „Wir können viel über den Zustand einer Zelle lernen, wenn wir die verschiedenen Modalitäten sorgfältig vergleichen, um zu verstehen, wie verschiedene Komponenten von Zellen sich gegenseitig regulieren.“

Diese Forschung wird zum Teil vom Eric and Wendy Schmidt Middle am Broad Institute, dem Schweizerischen Nationalfonds, den US Nationwide Institutes of Well being, dem US Workplace of Naval Analysis, AstraZeneca, dem MIT-IBM Watson AI Lab, der MIT J-Clinic for Machine Studying and Well being und einem Simons Investigator Award finanziert.

Warum hat der Mensch die Augen entwickelt, die wir heute haben?

Während Wissenschaftler nicht in der Zeit zurückgehen können, um die Umweltbelastungen zu untersuchen, die die Entwicklung der verschiedenen in der Natur vorkommenden Sehsysteme geprägt haben, ermöglicht ihnen ein von MIT-Forschern entwickeltes neues Rechengerüst, diese Entwicklung bei Agenten der künstlichen Intelligenz zu untersuchen.

Das von ihnen entwickelte Framework, in dem verkörperte KI-Agenten über viele Generationen hinweg Augen entwickeln und sehen lernen, ist wie eine „wissenschaftliche Sandbox“, die es Forschern ermöglicht, verschiedene Evolutionsbäume nachzubilden. Der Benutzer tut dies, indem er die Struktur der Welt und die Aufgaben verändert, die KI-Agenten ausführen, beispielsweise das Finden von Nahrungsmitteln oder das Unterscheiden von Objekten.

Auf diese Weise können sie untersuchen, warum ein Tier möglicherweise einfache, lichtempfindliche Augenflecken entwickelt hat, während ein anderes komplexe, kameraartige Augen hat.

Die Experimente der Forscher mit diesem Framework zeigen, wie Aufgaben die Augenentwicklung der Agenten vorantreiben. Sie fanden beispielsweise heraus, dass Navigationsaufgaben häufig zur Entwicklung von Facettenaugen mit vielen einzelnen Einheiten führten, wie die Augen von Insekten und Krebstieren.

Wenn sich die Agenten hingegen auf die Objektunterscheidung konzentrierten, struggle es wahrscheinlicher, dass sie Kameraaugen mit Iris und Netzhaut entwickelten.

Dieser Rahmen könnte es Wissenschaftlern ermöglichen, „Was-wäre-wenn“-Fragen zu Bildverarbeitungssystemen zu untersuchen, die experimentell schwer zu untersuchen sind. Es könnte auch als Leitfaden für die Entwicklung neuartiger Sensoren und Kameras für Roboter, Drohnen und tragbare Geräte dienen, die Leistung mit realen Einschränkungen wie Energieeffizienz und Herstellbarkeit in Einklang bringen.

„Obwohl wir nie zurückgehen und jedes Element herausfinden können, wie die Evolution stattgefunden hat, haben wir mit dieser Arbeit eine Umgebung geschaffen, in der wir gewissermaßen die Evolution nachbilden und die Umwelt auf all diese verschiedenen Arten erforschen können. Diese Methode der Wissenschaftsarbeit eröffnet die Tür zu vielen Möglichkeiten“, sagt Kushagra Tiwary, Doktorandin am MIT Media Lab und Co-Hauptautorin einer Arbeit zu dieser Forschung.

Er wird bei der Arbeit von dem Co-Hauptautor und Kommilitonen Aaron Younger unterstützt; Doktorand Tzofi Klinghoffer; ehemaliger Postdoc Akshat Dave, der jetzt Assistenzprofessor an der Stony Brook College ist; Tomaso Poggio, Eugene McDermott-Professor in der Abteilung für Gehirn- und Kognitionswissenschaften, Forscher am McGovern Institute und Co-Direktor des Heart for Brains, Minds, and Machines; Co-Senior-Autoren Brian Cheung, Postdoc am Heart for Brains, Minds, and Machines und künftiger Assistenzprofessor an der College of California San Francisco; und Ramesh Raskar, außerordentlicher Professor für Medienkunst und -wissenschaften und Leiter der Digital camera Tradition Group am MIT; sowie andere an der Rice College und der Lund College. Die Forschung erscheint heute in Wissenschaftliche Fortschritte.

Bau einer wissenschaftlichen Sandbox

Der Aufsatz begann mit einem Gespräch zwischen Forschern über die Entdeckung neuer Bildverarbeitungssysteme, die in verschiedenen Bereichen wie der Robotik nützlich sein könnten. Um ihre „Was-wäre-wenn“-Fragen zu testen, beschlossen die Forscher, dies zu tun Nutzen Sie KI, um die vielen evolutionären Möglichkeiten zu erkunden.

„Was-wäre-wenn-Fragen haben mich inspiriert, als ich aufwuchs, um Naturwissenschaften zu studieren. Mit KI haben wir die einzigartige Möglichkeit, diese verkörperten Agenten zu schaffen, die es uns ermöglichen, die Artwork von Fragen zu stellen, die normalerweise unmöglich zu beantworten wären“, sagt Tiwary.

Um diese evolutionäre Sandbox zu bauen, nahmen die Forscher alle Elemente einer Kamera, wie Sensoren, Linsen, Blenden und Prozessoren, und wandelten sie in Parameter um, die ein verkörperter KI-Agent lernen konnte.

Sie verwendeten diese Bausteine ​​als Ausgangspunkt für einen algorithmischen Lernmechanismus, den ein Agent verwenden würde, wenn er im Laufe der Zeit seine Augen weiterentwickelte.

„Wir konnten nicht das gesamte Universum Atom für Atom simulieren. Es struggle eine Herausforderung zu bestimmen, welche Zutaten wir brauchten, welche Zutaten wir nicht brauchten und wie wir die Ressourcen auf diese verschiedenen Elemente verteilen sollten“, sagt Cheung.

In seinem Rahmen kann dieser evolutionäre Algorithmus basierend auf den Einschränkungen der Umgebung und der Aufgabe des Agenten auswählen, welche Elemente weiterentwickelt werden sollen.

Jede Umgebung hat eine einzige Aufgabe, wie Navigation, Nahrungsidentifizierung oder Beuteverfolgung, die darauf ausgelegt ist, echte visuelle Aufgaben nachzuahmen, die Tiere bewältigen müssen, um zu überleben. Die Agenten beginnen mit einem einzelnen Fotorezeptor, der auf die Welt blickt, und einem zugehörigen neuronalen Netzwerkmodell, das visuelle Informationen verarbeitet.

Anschließend wird jeder Agent im Laufe seines Lebens mithilfe von Reinforcement Studying trainiert, einer Trial-and-Error-Technik, bei der der Agent für das Erreichen des Ziels seiner Aufgabe belohnt wird. Die Umgebung beinhaltet auch Einschränkungen, wie etwa eine bestimmte Anzahl von Pixeln für die visuellen Sensoren eines Agenten.

„Diese Einschränkungen bestimmen den Designprozess, genauso wie wir in unserer Welt physikalische Einschränkungen haben, etwa die Physik des Lichts, die das Design unserer eigenen Augen bestimmt haben“, sagt Tiwary.

Über viele Generationen hinweg entwickeln Agenten verschiedene Elemente von Imaginative and prescient-Systemen, die die Belohnungen maximieren.

Ihr Rahmenwerk nutzt einen genetischen Kodierungsmechanismus, um die Evolution rechnerisch nachzuahmen, wobei einzelne Gene mutieren, um die Entwicklung eines Wirkstoffs zu steuern.

Morphologische Gene erfassen beispielsweise, wie der Agent die Umgebung sieht, und steuern die Augenposition. optische Gene bestimmen, wie das Auge mit Licht interagiert, und bestimmen die Anzahl der Photorezeptoren; und neuronale Gene steuern die Lernfähigkeit der Agenten.

Hypothesen testen

Als die Forscher Experimente in diesem Rahmen durchführten, stellten sie fest, dass Aufgaben einen großen Einfluss auf die Sehsysteme hatten, die die Agenten entwickelten.

Beispielsweise entwickelten Agenten, die sich auf Navigationsaufgaben konzentrierten, Augen, die darauf ausgelegt waren, das räumliche Bewusstsein durch Wahrnehmung mit niedriger Auflösung zu maximieren, während Agenten, die mit der Erkennung von Objekten beauftragt waren, Augen entwickelten, die sich mehr auf die Frontalschärfe als auf das periphere Sehen konzentrierten.

Ein anderes Experiment zeigte, dass ein größeres Gehirn nicht immer besser ist, wenn es um die Verarbeitung visueller Informationen geht. Abhängig von physikalischen Einschränkungen wie der Anzahl der Fotorezeptoren in den Augen können jeweils nur so viele visuelle Informationen gleichzeitig in das System gelangen.

„Irgendwann hilft ein größeres Gehirn den Agenten überhaupt nicht mehr, und in der Natur wäre das eine Verschwendung von Ressourcen“, sagt Cheung.

In Zukunft wollen die Forscher mithilfe dieses Simulators die besten Bildverarbeitungssysteme für spezifische Anwendungen erforschen, die Wissenschaftlern dabei helfen könnten, aufgabenspezifische Sensoren und Kameras zu entwickeln. Sie möchten auch LLMs in ihr Framework integrieren, um es Benutzern zu erleichtern, „Was-wäre-wenn“-Fragen zu stellen und zusätzliche Möglichkeiten zu studieren.

„Es ist ein echter Vorteil, Fragen fantasievoller zu stellen. Ich hoffe, dass dies andere dazu inspiriert, größere Rahmen zu schaffen, bei denen sie sich nicht auf eng gefasste Fragen konzentrieren, die einen bestimmten Bereich abdecken, sondern versuchen, Fragen mit einem viel größeren Umfang zu beantworten“, sagt Cheung.

Diese Arbeit wurde teilweise vom Heart for Brains, Minds, and Machines und dem Programm Arithmetic for the Discovery of Algorithms and Architectures (DIAL) der Protection Superior Analysis Initiatives Company (DARPA) unterstützt.

Eines der gemeinsamen, grundlegenden Ziele der meisten Chemieforscher ist die Notwendigkeit, die Eigenschaften eines Moleküls wie den Siede- oder Schmelzpunkt vorherzusagen. Sobald Forscher diese Vorhersage bestimmen können, können sie ihre Arbeit voranbringen und Entdeckungen ergeben, die zu Medikamenten, Materialien und mehr führen. In der Vergangenheit sind jedoch die traditionellen Methoden zur Enthüllung dieser Vorhersagen mit erheblichen Kosten verbunden – zusätzlich zu den Fonds Zeit und Verschleiß für die Ausrüstung.

Geben Sie einen Zweig der künstlichen Intelligenz ein, das als maschinelles Lernen (ML) bekannt ist. ML hat die Vorhersage der Molekül -Eigenschaft in einem Grad verringert, aber die fortschrittlichen Instruments, die den Prozess am effektivsten beschleunigen – indem sie aus vorhandenen Daten lernt, um schnelle Vorhersagen für neue Moleküle zu treffen – erfordern, dass der Benutzer über ein erhebliches Maß an Programmierkompetenz verfügt. Dies schafft für viele Chemiker, die möglicherweise nicht über die erheblichen Rechenkenntnisse verfügen, um die Vorhersagepipeline zu navigieren, eine Zugangsbarriere.

Um diese Herausforderung zu lindern, Forscher in der McGuire Analysis Group am MIT haben geschaffen ChemxPloremlEine benutzerfreundliche Desktop-App, mit der Chemiker diese kritischen Vorhersagen treffen können, ohne fortschrittliche Programmierkenntnisse zu erfordern. Diese App ist frei verfügbar, einfach zu herunterladen und auf Mainstream -Plattformen zu funktionieren. Sie ist auch so konstruiert, dass sie vollständig offline funktionieren, was dazu beiträgt, die Forschungsdaten proprietär zu halten. Die aufregende neue Technologie wird in einem umrissen Artikel, der kürzlich in der veröffentlicht wurde Journal of Chemical Info and Modeling.

Eine spezifische Hürde beim chemischen maschinellen Lernen ist die Übersetzung molekularer Strukturen in eine numerische Sprache, die Laptop verstehen können. ChemxPloreml automatisiert diesen komplexen Prozess mit leistungsstarken, eingebauten „molekularen Einbettungen“, die chemische Strukturen in informative numerische Vektoren umwandeln. Als nächstes implementiert die Software program hochmoderne Algorithmen, um Muster zu identifizieren und molekulare Eigenschaften wie Kochen- und Schmelzpunkte genau durch eine intuitive, interaktive grafische Schnittstelle vorherzusagen.

„Das Ziel von ChemxPloreml ist es, die Verwendung von maschinellem Lernen in den Chemikalienwissenschaften zu demokratisieren“, sagt Aravindh Nivas Marimuthu, ein Postdoc in der McGuire -Gruppe und führender Autor des Artikels. „Indem wir eine intuitive, leistungsstarke und offline-fähige Desktop-Anwendung erstellen, geben wir die hochmoderne Vorhersagemodellierung direkt in die Hände von Chemikern, unabhängig von ihrem Programmierhintergrund. Diese Arbeit beschleunigt nicht nur die Suche nach neuen Arzneimitteln und Materialien, indem sie den Screening-Prozess schneller und billiger machen, sondern das versatile Design öffnet auch die Türen für zukünftige Innovationen.“

ChemxPloreml soll sich im Laufe der Zeit entwickeln, sodass zukünftige Techniken und Algorithmen entwickelt werden, können sie nahtlos in die App integriert werden, um sicherzustellen, dass Forscher immer in der Lage sind, auf die aktuellsten Methoden zugreifen und implementieren können. Die Anwendung wurde an fünf wichtigen molekularen Eigenschaften organischer Verbindungen getestet – Schmelzpunkt, Siedepunkt, Dampfdruck, kritische Temperatur und kritischer Druck – und erreichten hohe Genauigkeitswerte von bis zu 93 Prozent für die kritische Temperatur. Die Forscher zeigten auch, dass eine neue, kompaktere Methode zur Darstellung von Molekülen (Vicgae) quick so genau struggle wie Standardmethoden wie Mol2VEC, aber bis zu 10 -mal schneller.

„Wir stellen uns eine Zukunft vor, in der ein Forscher maschinelles Lernen leicht anpassen und anwenden kann, um einzigartige Herausforderungen zu lösen, von der Entwicklung nachhaltiger Materialien bis zur Erforschung der komplexen Chemie des interstellaren Raums“, sagt Marimuthu. Zu ihm ist der Senior Autor und die Klasse von 1943 Karriere -Entwicklung Assistenzprofessorin für Chemie Brett McGuire.