ChatGPT大模型爆火这一年，没想到竟颠覆了整个化学领域。先是谷歌DeepMind的AI工具GNoME成功预测出200万种晶体结构，随后微软推出的MatterGen，大大加速了设计所需材料特性的速度。今天，CMU和EmeraldCloudLab的研究团队开发了一种全新自动化AI系统——Coscientist，荣登Nature。它可以设计、编码和执行多种反应，完全实现了化学实验室的自动化。图片实验评测中，Coscientist利用GPT-4，在人类的提示下检索化学文献，成功设计出一个反应途径来合成一个分子。GPT-4遍历整个互联网上的说明书，并选择数据库中最好的试剂盒和试剂，在现实中制造分子。
前言整体评价有幸参加这场比赛，感觉打出了 最近最好的状态。这场比赛题目出的挺有质量的，大概4道easy+easymid，4道mid+hard，2道超级hard的分布。比赛中一直“遥遥领先”,唯一的岔子出在I题，这题卡语言了，哭了，好在最后换c++卡过，最后有惊无险，因为只有2个9题，8题虽然蛮多的，但所幸之前的巨大优势，依旧遥遥领先，^_^。A.变化的矩阵签到题，但是这题有争议，因为输出格式没描述清楚。其实按照惯例，一般对浮点数的输出，是保留6位小数，当然最好需要spj验证。B.吃鸡梦之队思路：二分，check枚举交叉构造挺有意思的一道题，因为要求满足条件的最小值，往往用二分的思路。这题难在c
你有没有想过，可能就在你阅读这篇文章的几分钟内，获得诺贝尔奖的化学反应就能被完美复刻出来。是的，你没有听错，现在由AI驱动的系统已经能够自主了解这些化学反应，甚至设计出了实验室程序来制造它们。人工智能在短短几分钟内就完成了这一切，并且一次尝试就成功了。“这是第一次非有机智能计划、设计和执行人类发明的复杂反应。”卡内基梅隆大学化学家兼化学工程师GabeGomes表示，他领导了组装和测试基于人工智能的系统的研究团队。他们将该AI命名为Coscientist。而Coscientist实现的复杂反应在有机化学中被称为钯催化交叉偶联，该反应为美国化学家RichardFredHeck与两位日本化学家Ei-
近日，Nature将前OpenAI首席科学家IlyaSutskever评为「2023年10大科学人物」。这位刚刚因为OpenAI巨变而远离聚光灯的「AI技术灯塔」，似乎并没有做好准备回到公众视野之中。Nature在介绍他的长文中说「Ilya拒绝了Nature在OpenAI的剧变后对他的采访」。而他自己的推特也没有转发自己获评Nature年度人物的消息。但是Nature依然在文章中高度评价了Ilya对于ChatGPT的贡献，称他为AI预言家。在Ilya看来，人工智能有能力改变整个人类文明的存在方式，而不是像OpenAI出现之前那样，只是帮人类解决一些小问题。「只要能够非常好的预测下一个token
「我们的实验失控了！这是我们自己创造的末日！」——《后天》（TheDayAfterTomorrow）在科幻电影中，疯狂科学家通常是造成末日灾难的主角，而AI技术的迅猛发展似乎让这种情景离我们越来越近。全球对AI潜在威胁的关注更多聚焦于通用的人工智能以及各种多媒体生成模型，但更重要的是如何监管「AI科学家」，即对那些快速发展的科学大模型。为应对这一挑战，来自中科大、微软研究院等机构的联合团队深入分析了各种AI模型在Science领域如生物、化学、药物发现等领域的风险，并通过实际案例展示了化学科学中AI滥用的危害。论文链接：https://arxiv.org/abs/2312.06632研究团队发
#include#include#includemalloc.h>#include#include#include#include#defineNsem_tchopsticks[N];//设置5种信号量，有5种不同类型的资源，每一种有1个,这样便于理解，因为每个哲学家,sem_tm;//最多允许有m(4)个哲学家同时拿起左筷子intphilosophers[N]={0,1,2,3，4};//代表5个哲学家的编号voiddelay(intlen){inti=rand()%len;intx;while(i>0){x=rand()%len;while(x>0){x--;i--;}}}void*ph
美国可控核聚变实验，四次实现净能量增益！去年12月14日，劳伦斯利弗莫尔国家实验室（LLNL）首次实现可控核聚变点火成功，为全人类摘下清洁能源「圣杯」——在向目标提供2.05兆焦耳（MJ）的能量之后，产生了3.15兆焦耳的核聚变能量输出，能量增益约为1.5。2023年7月30日，实验室首次实现3.88兆焦耳的输出能量，创下历史最高。10月30日，实验室再刷记录——输入能量首次达到2.2兆焦。同时，3.4兆焦耳的输出能量也位列第二。面对一次又一次的成功「点火」，Nature也激动地发文表示——激光核聚变即将进入一个全新的时代。可以想象，当可控核聚变最终实现时，人类将有可能史上首次获取海量无碳清洁
作为今年AI圈的顶流，大型语言模型（LLM）擅长的是组合概念，并且可以通过阅读、理解、写作和编码来帮助人们解决问题。但它们能发现全新的知识吗？由于LLM已被证明存在「幻觉」问题，即生成与事实不符的信息，因此利用LLM来做可验证的正确发现是一项挑战。现在，来自GoogleDeepMind的研究团队提出了一种为数学和计算机科学问题搜索解决方案的新方法——FunSearch。FunSearch的工作原理是将预训练的LLM（以计算机代码的形式提供创造性解决方案）与自动「评估器」配对，以防止产生幻觉和错误思路。通过在这两个组件之间来回迭代，最初的解决方案演变成了「新的知识」。相关论文发表在《自然》杂志上
在动物发育过程中，胚胎随着时间的推移会发生复杂的形态变化，研究者们希望能够客观地量化发育时间和速度，并提供标准化的方法以分析早期胚胎所处阶段，更好地认知进化与发育流程。之前，学者们对于胚胎发育阶段和胚胎发育形态转化的认知来源于显微观察。但胚胎发育的阶段转化并不是理想化、稳定化的，存在非常多的影响因素，以至于研究人员很难观察到某一特定发育状态。观察胚胎形态推定所处的发育时间和发育阶段这一过程，目前仍是偏向主观的。为了客观建立发育时间与发育速度的关系，系统生物学家PatrickMüller领导康斯坦茨大学研究人员，开发了一套基于孪生网络的深度学习方法，通过图像对比，它能够自动捕捉胚胎发育过程，并在
化学反应是药物设计和有机化学研究的基础。研究界越来越需要一种能够有效捕获化学反应基本规则的大规模深度学习框架。近日，来自北京大学和望石智慧的研究团队提出了一种新方法来弥合基于反应的分子预训练和生成任务之间的差距。受有机化学机制的启发，研究人员开发了一个新的预训练框架，使其能够将归纳偏差纳入模型中。所提框架在执行具有挑战性的下游任务中取得了最先进的结果。通过掌握化学知识，生成框架克服了当前依赖少量反应模板的分子生成模型的局限性。在大量的实验中，模型生成了高质量的可合成药物样结构。总的来说，该研究向各种基于反应的应用程序的大规模深度学习框架迈出了重要一步。该研究以《Bridgingthegapbe
