但是蛋白質(zhì)晶體很難被發(fā)現(xiàn)，以往主要通過目視檢查來識別蛋白質(zhì)晶體，容易發(fā)生人為錯誤而錯過它，錯過它會導(dǎo)致失去重要的生物醫(yī)學(xué)發(fā)現(xiàn)的機會 。目前研究討論通過機器識別可以獲得超過94%的精度，對這一領(lǐng)域的研究來說是會是一個很大的進步 。直觀講就是通過機器視覺識別出科學(xué)家需要的晶體，不過這種晶體非常小，結(jié)構(gòu)各不相同，且需要足夠樣本數(shù)據(jù)來訓(xùn)練和深度學(xué)習(xí)，這些都增加了很大的難度 。如果這項研究獲得成功，那么未來新藥物的研究速度會有很大提升，意義非凡 。2.Scalable Deep Reinforcement Learning for Robotic Manipulation，機器人操作的可擴展深度強化學(xué)習(xí) 。文章來自Alex Irpan，軟件工程師，谷歌大腦團隊和Peter Pastor，高級機器人學(xué)家 。文中指出機器人在執(zhí)行重復(fù)任務(wù)時，比如建造產(chǎn)品是相當常見的，希望能夠設(shè)計出視周圍環(huán)境的變化而執(zhí)行最佳動作的機器人，而且可以對意外結(jié)果做出正確的反應(yīng) 。難點在于能夠分辨真實世界的細微差異，并預(yù)測對象的動作，這需要強化學(xué)習(xí)算法，并在訓(xùn)練中有足夠多的多樣性的數(shù)據(jù) 。總結(jié)下來就是需要機器人具備人類的一切感知和反應(yīng)能力，這真的很難，目前科學(xué)家們用7個機器人運行4個月的時間，用15到30%的時間采集數(shù)據(jù)，當它動作執(zhí)行的更好一些的時候，從數(shù)據(jù)采集切換到學(xué)習(xí)模型，這項算法用相機拍到的圖像，然后指揮手臂和夾鉗如何移動，目前已經(jīng)收集了1000多個不同的離線數(shù)據(jù) 。
以上關(guān)于本文的內(nèi)容，僅作參考！溫馨提示：如遇健康、疾病相關(guān)的問題，請您及時就醫(yī)或請專業(yè)人士給予相關(guān)指導(dǎo)!
「愛刨根生活網(wǎng)」www.malaban59.cn小編還為您精選了以下內(nèi)容，希望對您有所幫助：