神经网络

陈天伟教授

人工智能应用- 材料微观：01. 微观结构的重要性在材料科学领域，解析材料的微观结构对研究其性能和设计新材料至关重要。然而，直接获取材料的三维微观结构通常面临巨大技术挑战。这是因为我们只能通过显微镜观察材料的二维切片，而无法直接获取完整的三维形貌。为了解决这一问题，科学家们开发了一种名为SliceGAN 的人工智能模型，该模型能够从二维图像推测材料的三维微观结构，为材料科学研究提供了全新的工具。本节将探讨SliceGAN 的工作原理，并讨论人工智能在材料科学中的应用前景。

陈天伟教授

人工智能应用- 材料微观：03. 微观结构：纳米金在纳米材料领域，微观结构的变化可以赋予材料独特的物理和化学特性。例如，科学家们通过特定工艺制造出纳米级的金颗粒，这些特殊结构的纳米金颗粒展现出特有的生物相容性、低毒性和独特的光学特性。图展示了纳米金颗粒如何作为药物载体，精准运输抗癌药物至癌细胞内部，从而增强癌症治疗效果。

gorgeous(๑>؂<๑）

【ICLR26-Oral Paper-字节跳动】推理即表征：重新思考图像质量评估中的视觉强化学习文章：Reasoning as Representation: Rethinking Visual Reinforcement Learning in Image Quality Assessment

自编码器（AE）与变分自编码器（VAE）-- 认识篇文章Difference between AutoEncoder (AE) and Variational AutoEncoder (VAE) | Towards Data Science的解释十分清晰明了，下面将原文翻译下来，并用【】给出批注。

技术宅学长

什么是FFN层（Feed-Forward Network，前馈神经网络层）FFN层（Feed-Forward Network，前馈神经网络层）是Transformer等大模型里的核心模块，常放在注意力层之后，负责对每个位置的向量做独立的非线性特征加工，是模型“深度理解语义”的关键。

陈天伟教授

人工智能应用- 人工智能交叉：05. 从 AlphaFold1 到 AlphaFold22018 年，谷歌旗下的 DeepMind 团队开始尝试使用人工智能技术预测蛋白质结构。在前人研究的基础上，他们开发了第 1 代系统，称为 AlphaFold1。这一系统通过分析蛋白质的氨基酸序列，并结合已有的生物学知识，对蛋白质结构进行预测。尽管AlphaFold1 取得了一定成果，但其预测精度尚未达到科学研究中的实用标准。然而，这一尝试为后续研究奠定了重要基础。

从代码模式到智能模式:AI时代的设计模式进化论2025年CodeRabbit对470个开源PR的分析发现,AI协作生成的代码,"重大"问题是人工编写代码的1.7倍。更扎心的是,METR做的随机对照试验发现,经验丰富的开源开发者用AI工具反而慢了19%,尽管他们预测会快24%。

陈天伟教授

人工智能应用- 人工智能交叉：06.解析蛋白质宇宙图: AlphaFold 数据库中不同类型蛋白质的占比。图片来源：DeepMind blog。2022 年 7 月，DeepMind 宣布已完成对两亿种蛋白质的结构预测，覆盖了数百万个物种，包括动物、植物、细菌和真菌等，几乎囊括了人类已知的所有蛋白质。所有预测数据均被免费发布至 AlphaFold 数据库，供全球研究者使用。

机器视觉的发动机

人形机器人：从遥控依赖走向真正自主人类对机器人的想象，从未停止。从科幻小说中与人并肩作战的机械伙伴，到今天波士顿动力公司Atlas在实验室里翻跟头、搬箱子——人形机器人正以惊人的速度从梦想走向现实。然而，一个根本性的问题始终横亘于技术演进的路途：这些机器人，究竟什么时候能自己做主？

陈天伟教授

人工智能应用- 人工智能交叉：01. 破解蛋白质结构之谜作为生命活动的基础，蛋白质的功能由其空间结构所决定，而准确解析蛋白质结构一直是生物学领域的重大挑战。传统实验方法虽然能够揭示蛋白质结构，但过程费时且成本高昂。AlphaFold 的出现极大地提高了蛋白质结构预测的速度和精度，为生命科学研究带来了革命性的突破。

iPhone Face ID的安全隔离区和神经网络引擎及其用于人形机器人的实践（下）二、应用于人形机器人的逻辑、潜力与挑战将类似“安全隔离区”的架构引入人形机器人，核心逻辑在于：为机器人建立一个受硬件保护的、可信任的安全核心，专门用于处理最敏感的数据和执行最关键的安全操作。

一种基于HFF4材料的自消亡类脑芯片架构构想：把神经网络的训练变成物理化学过程引言类脑芯片（神经形态芯片）是当前半导体和AI硬件领域的热点。它模仿人脑的神经元和突触结构，试图突破传统冯·诺依曼架构的瓶颈，实现低功耗、高并行度的计算。然而，这个“轰轰烈烈”的赛道正面临两大核心瓶颈：

Product Hunt 每日热榜 | 2026-02-19标语：迄今为止最强大的 Sonnet 模型介绍：Claude Sonnet 4.6 是一次全面升级，提升了编码、计算机使用、长文本推理、代理规划、知识工作和设计等多个方面。同时，它还在测试阶段引入了 1M 符文的上下文窗口。Sonnet 4.6 在各项基准测试中的表现都有所提高，智能水平接近 Opus，但价格却更加实惠，适用于更多的任务。此外，它在计算机使用技能方面也有了显著进步。

iPhone Face ID的安全隔离区和神经网络引擎及其用于人形机器人的实践(上）第一节：iPhone Face ID 框架和核心内容及其人形机器人中的应用iPhone 的 Face ID 是消费电子领域主动式深度感知技术的典型代表，通过集成多种传感器和先进算法，实现了安全、便捷的面部识别。这项技术在人形机器人中的应用，目前主要集中在增强视觉感知、实现更自然的人机交互等方面。

VGGNet网络学习VGGNet（Visual Geometry Group Network）是由牛津大学视觉几何组（Visual Geometry Group）在2014年提出的深度卷积神经网络模型。它在当年的ImageNet大规模视觉识别挑战赛（ILSVRC）中取得了优异的成绩，并因其简洁而有效的设计成为深度学习领域的经典架构之一。

生成论实验室

即事经：一种基于生成论的宇宙、生命与文明新范式作者：周林东总序：即事之道有生成正在发生。此七字，为一切思议之起点，亦为全部学说之终局。它不是假设，不是推理，而是对呈现于意识之前、贯穿于宇宙万象之原初现象的忠实描述。

AlexNet网络学习LeNet创建了深度学习的火把，而AlexNet点亮了深度学习的火把！！AlexNet 正是对 LeNet 的直接传承和全面升级，是“更深、更大、更强”的现代版本。可以说，AlexNet 是 LeNet 在 2012 年的“完全体”。

Sharpness-Aware Minimization (SAM，锐度感知最小化）是让损失曲面变平坦，还是引导参数至平坦区域损失函数的曲面在训练过程中本身不会因优化方法（如SAM）而发生本质性改变，但优化过程会引导模型参数收敛至曲面中更平坦的区域，从而间接影响参数对损失曲面的“感知”方式。以下是详细分析：

图神经网络实战：从社交网络到推荐系统的工业级应用目录摘要1. 🎯 开篇：为什么图神经网络是AI的下一个风口？2. 🧮 数学基础：图与图卷积的精华2.1 图的基本概念：节点、边、邻接矩阵

程序员爱德华

卷积神经网络 CNN1.卷积的作用：利用卷积核，可以改变输入信号。通过调整卷积核，可以达到特定的信号改变的效果。高通滤波，低通滤波（例如音响设备的频响特性）傅里叶变换和卷积存在数学上的对应关系，利用这个关系可以构造具备期望频率滤波特性的卷积核。