交互式查询化学键信息

█ 本文译自 Wolfram|Alpha 化学组开发人员 Jason.Biggs 在 Wolfram 社区发表的文章：Interactively query bond information 最近在S

未来5-10年，NLP将走向成熟

未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。

用EzReson进行化学键共振分析（6）：实例：吡咯的共振结构

Lewis结构是简单而且经典的概念，但有些结构不能仅被一个Lewis结构有效描述。此时可以画出多个Lewis结构式，表明实际分子是这些Lewis结构的杂合体。描述同一个实际分子的Lewis结构称为共振结构，这种用多个共振结构描述同一个分子的行为称为共振。在我们学习有机化学的过程中，曾经遇到的一个例子就是吡咯的共振结构。

未来5-10年，自然语言处理将走向成熟

未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。

pta习题集 5-10 切分表达式——写个tokenizer吧

[先说点出题背景] 这个题是为低年级同学、学C语言的同学准备的，因为，对这部分同学，这个题目编写起来略有一点复杂。如果是高年级、学过了正则表达式（Regular Expression）的同学或者学过了Java等OO语言的同学做这个题，应当发现这题比较简单吧。哦，对了，什么是tokenizer？请自行查询解决。反正在此处不应翻译成“令牌解析器”。 [正题] 四则运算表达式由运算数（必定包含数字，可能包含正或负符号、小数点）、运算符（包括+、-、*、/）以及小括号（(和)）组成，每个运算数、运算符和括号

机器学习入门 5-10 线性回归的可解释性

上面使用了波士顿房价的13个特征，通过在全部数据集上进行拟合，不进行train_test_split方法是因为此时我们并不需要验证模型的性能，只是对得到结果的系数进行解释。

ImageApparate(幻影)镜像加速服务让镜像分发效率提升 5-10 倍

ImageApparate(幻影) 为了解决这个问题，腾讯云容器服务 TKE 团队开发了下一代镜像分发方案ImageApparate(幻影), 将大规模大镜像分发的速度提升 5-10倍。 ? 如上所述，相比于传统的下载全部镜像的方式，ImageApparate 在容器全部启动时间上都有 5-10倍 的提升。

Hinton：5-10年内深度学习取代放射科医生

光照计算 采用手动优化重写，通常能获得5-10倍的性能提升

物理碰撞检测光照计算 采用手动优化重写，通常能获得5-10倍的性能提升第三阶段：内存优化通过JavaScript特有的内存管理技术：代码语言：javascript代码运行次数：0运行AI代码解释// 使用对象池减少

从试错到自主闭环：AI for Science 如何重塑化学与材料科学研究范式？

科学家们在实验室里经历无数次“试错—调整—再试错”的循环，一种新催化剂的诞生可能需要筛选超过102010^{20}1020种可能的组合，而一款新型电池材料的落地则需要5-10年的漫长迭代。 NodeFeatures)foriinrange(num_atoms):G.add_node(i,element=atom_types[i],coord=coordinates[i])#2.空间距离矩阵计算与边（化学键 coordinates[i]coord_j=coordinates[j]#计算欧氏距离distance=np.linalg.norm(coord_i-coord_j)#若小于截断半径，则认为存在相互作用（化学键 总原子数(节点):{mol_graph.number_of_nodes()}")print(f"检测到的化学键数(总边数):{mol_graph.number_of_edges()}")print("\ node[0]}:元素={node[1]['element']},空间坐标={node[1]['coord']}")foredgeinmol_graph.edges(data=True):print(f"化学键

【AI全球大战医生】Hinton：5-10年内深度学习取代放射科医生

编辑：张乾 弗朗西斯 文强 【新智元导读】2017年4月，Hinton在接受《纽约客》采访时说：“5年内深度学习就能超过放射科医生，从现在起就停止培训放射科医生”。此言论一出，再一次引发全球关于AI正在取代医生的焦虑讨论。IEEE Spectrum在2018新年伊始推出专刊“AI vs Doctors”，统计了从2016年5月至今，AI在医疗领域的进展，并对比各大细分领域AI与人类医生能力差距，人工智能正在医生的主场获取成功，哪些医疗诊疗行业已被AI超越？机器人医生是人类的未来吗？ 2017年4月，Hi

百度王海峰Quora精华整理：未来5-10年，NLP领域将会有什么进展？

2、未来5-10年，NLP领域将会有什么进展？ 机器翻译、语义理解、问答和对话技术将会有重大突破。这些技术将会被广泛应用，并最终改变人与计算机、人与各种硬件设备、以及人与人之间的沟通方式。

在一个公司死磕了5-10年的人最后都怎么样了

互联网企业给人的感觉就是流动性非常大，跳槽一词也常挂嘴中，并且也是涨薪资最好的方式，很少有人在一家公司待五六年以上。

37% 的专业人士使用生成式人工智能工具每周可节省 5-10 小时的时间

4月17日讯，据businesswire报道，Contentful的一份报告显示，38%的受访者表示，使用 genAI 工具每周可节省 1 到近 5 个小时；37% 每周可节省 5 到 10 个小时；11% 每周可节省 10 个小时以上。

百度研究成果登《Nature》子刊：利用几何构象提升化合物分子建模效果

图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。

Nat. Mach. Intell. | 利用几何构象提升化合物分子建模效果

图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。

“几何构象增强AI算法”，百度生物计算最新研究成果登上《Nature》子刊

图 1: GEM 的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。 GEM 提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。每个化合物由两个图组成：原子－化学键的图 G 和化学键－键角的图 H。 类似于过往的工作，原子－化学键的图 G 以原子作为图的节点，化学键作为连接原子的边。而化学键－键角的图 H 则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM 不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。

AI+Drug 文献速递 | YuelBond，一个基于图神经网络的多场景化学键重建通用框架

2025.05.06.652517 代码: https://bitbucket.org/dokhlab/yuel_bond 简介: 论文提出YuelBond多模态图神经网络框架，用于解决生成分子设计中化学键重建的难题 ，创新点在于能在多种复杂场景下准确重建化学键。 该框架基于图神经网络，以原子为节点、化学键为边，通过特定的消息传递机制学习和预测键序。 实验使用GEOM数据集，在三种场景下对模型进行训练和评估：从准确3D原子坐标恢复键序、在有几何扰动的粗新生化合物中重建化学键、对2D拓扑图重新分配键序。

MetaDaily｜腾讯业内首发数字孪生云，扎克伯格对未来5-10年的前景感到完全乐观

Meta CEO扎克伯格：对未来5-10年的前景感到完全乐观 Meta CEO扎克伯格表示，对未来5-10年的前景感到“完全乐观”;此前在2021年错误地认为元宇宙的火热趋势将持续下去;说Meta现在将所有的注意力全都集中在了元宇宙领域是不正确的说法

实时文生图速度提升5-10倍，清华LCMLCM-LoRA爆火，浏览超百万、下载超20万

据统计，LCM 能将主流文生图模型的效率提高 5-10 倍，所以能呈现出实时的效果。