研究人员开发了一种新的量子算法，该算法使用更少的资源来执行密码破解计算。 运行此算法的 2000 万量子比特量子计算机只需 8 小时即可破解 2048 位 RSA 加密。 可以肯定的是，量子计算机将能够破解用于发送秘密信息的现有加密代码。这些加密技术从来都不是完全可靠的。相反，它们依赖于只在一个方向上工作的复杂数学函数，从而很容易加密信息。 此类技术的安全性基于经典计算机解密信息所需的时间。现代加密技术几乎牢不可破，因为今天的计算机需要数千年才能解密它们的代码。 然而，量子计算机将能够轻松破解这些代码，而且这些机器比预期的更接近现实。 最近，谷歌和瑞典 KTH 皇家理工学院的研究

研究人员基于以前未曾探索过的想法——旋转——开发了一种新的神经网络。 它可以替代现有方法来解决现实世界中的问题，例如文本摘要、语言建模和问答。 一篇研究论文通常充满了专门的方法和技术术语，这使得没有科学背景的读者很难理解。 最近，麻省理工学院和卡塔尔计算研究所的科学家提出了一种新的人工智能 (AI) 模型，该模型可以阅读科学期刊并用几句话提供简单的英文摘要。 虽然它产生的结果比以前的技术好得多，但它肯定不能取代科学作家和编辑。但是，这种 AI 可以帮助作者浏览大量期刊并了解它们的内容。 研究团队最初试图开发神经网络来解决某些物理问题，例如光在复杂的工程材料中的表现。 他们很快意

研究人员使用循环神经网络来开发一种新的身体吸引力游戏。 该网络分析了数以千计的比赛，并从这项独特的新运动的各个方面（包括其规则和徽标）创造了想法。 在 RankRed，我们一直在写关于人工智能的文章，无论是在自动驾驶汽车、电子设备、自然语言处理还是识别/编辑视频中采用的技术。但这一次研究人员做了一些不同的事情：他们使用人工智能发明了一项新运动。 AKQA（一家成立于 1994 年的私人数字机构）的开发人员使用机器学习技术开发了一款名为 Speedgate 的有趣游戏。这是世界上第一个由人工智能想象并被人类证明的运动。 Speedgate 是一款有趣的体能游戏，非常依赖团队合作和传球

一种新的人工智能模型可以准确确定电池的健康状况。 它使用在初始阶段从电池中捕获的数据，并预测电池的使用寿命是长还是短。 锂离子电池由于其能量密度高、寿命长和成本低而被用于广泛的应用。在过去几年中，混合动力和电动汽车的商业化刺激了对优质电池的需求不断增长。因此，分析电池“健康”变得越来越重要。 然而，电池技术发展的主要障碍之一是监测和测试电池健康状况，这需要大量时间，而且过程会影响电池寿命。 一个称为健康状态 (SOH) 的参数表示电池相对于其理想或初始条件的能量储存能力。对于新电池，SOH 通常为 100%，但会随着时间的推移而下降。评估 SOH 对于安全和正确使用电池很重要。但是

研究人员使用深度学习模型根据蛋白质的氨基酸序列确定蛋白质的 3D 结构。 经过完全训练后，它在估计没有先验知识的蛋白质结构方面可以轻松胜过所有现有技术。 蛋白质是人体的主要组成部分之一。它构建和维持组织。在化学上，它由氨基酸组成——由氢、碳、氧、氮或硫组成的有机化合物。 蛋白质通过将自身折叠成精确的三维结构来控制它们与其他分子的相互作用，从而执行几乎所有生命所必需的基本生物过程。 由于蛋白质的形状决定了其在各种疾病中的功能和作用，因此研究和预测其结构对于开发挽救生命和改变生命的药物具有重要意义。 然而，这并不像听起来那么容易。在过去的 5 年里，蛋白质折叠一直是生物化学家最具挑战

研究人员使用机器人在两种截然不同的动物之间架起了一座桥梁。 这座桥使两个动物群体能够交换一些动态并达成共同的决定。 机器人技术已成为分析动物行为的重要工具。近年来，机器人已被引入某些动物家族，方法是将它们开发为发出特定信号，供动物用来相互互动。 这些机器人可以简单地作为观察者或对特定的动物行为采取行动来模拟捕食者-猎物的相互作用。它们还可以通过模仿社交互动中使用的一些信号，在动物群体中进行社交互动。 最近，瑞士联邦理工学院的研究人员进行了一项实验，他们在特殊机器人的帮助下，能够让两种不同种类的动物相互互动。他们在两个动物群体之间架起了一座桥梁，使他们能够交换一些动态并达成共同的决定

磁铁可以帮助人工智能在识别物体方面达到类似人类的效率。 研究人员开发了新网络，使用更少的能量和内存来执行类似于大脑计算的任务。 神经元的电动力学与纳米磁铁的开关动力学非常相似。磁性隧道结设备表现出的开关行为本质上是随机的。由于这种行为代表了神经元的 sigmoid 转换行为，因此可以利用磁结来存储突触权重。 利用磁铁的这种特殊特性，普渡大学的研究人员开发了一种方法，可以帮助人工智能 (AI) 驱动的机器人在识别物体方面达到类似人类的效率。 该方法涉及将磁学与类脑网络相结合，以教无人机、自动驾驶汽车和机器人等机器更好地概括多个对象。 一种新算法 尖峰神经网络 (SNN) 为实现智能

研究人员展示了设计发光设备的全新视角。 钻石可用于制造比现有 LED 和激光器亮 100 倍的照明设备。 它可以制造用于 Li-Fi 的光源和用于量子互联网的发射器。 许多半导体器件通过在偏置电压下产生高密度的非平衡载流子来工作。这种载流子（电子和空穴）能够重组或改变半导体的性质，这种现象可用于光调制。 光的强度与电子和空穴的浓度以及它们复合的速度成正比。激光和 LED（用于高速互联网和激光打印机）等现代设备依赖于这个过程。 然而，不存在能够提供足够浓度的电子和空穴的半导体。 1960 年代，科学家想出了一个解决方案——包含两个或多个半导体的异质结构。 在这种异质结构中，半导体

科学家通过半导体激光发送和接收信息。 这项研究有助于开发混合电子语音设备以及超高速 Wi-Fi。 半导体激光器等相干光源可以产生包含等距、离散频率线的光谱。许多频率梳应用，包括计量学和光谱学，直接使用这些激光器的输出。在微波光子学中，频率梳的输出被传输到快速光电探测器并用于产生微波。 2017 年，哈佛大学的一个研究小组发现，可以通过量子级联激光器中的红外频率梳产生太赫兹频率。 2018 年，他们发现这些频率梳还可以作为集成接收器或发射器来高效编码数据。 现在，他们找到了一种可以从量子级联激光频率梳中提取和发送无线信号的方法。在这项工作中，他们展示了一种可以无线发射和调制微波并接收

研究人员开发了一种基于 AI 的模型，该模型可以生成有价值的信号，以可靠地确定神经元喜欢看什么。 该模型使用生成式深度神经网络和名为 XDREAM 的遗传算法。 5 多年来，科学家们已经知道视觉皮层中的神经元对不同图片的反应不同。这就是让动物识别、理解和解释周围大量视觉线索的原因。 例如，当动物看文字、物体、地点或面孔时，大脑中称为颞下皮层的某些视觉神经元会更兴奋。然而，科学家们仍然不清楚这些神经元究竟对什么做出反应。 最近，哈佛医学院的一组研究人员开发了一种人工智能 (AI) 模型，该模型可以生成有价值的信号来可靠地确定神经元喜欢看什么。 迄今为止进行的实验试图使用真实图像分析

研究人员使用循环神经网络来帮助瘫痪且无法交流的人。 该网络将神经活动转换为语音声学。 它可以帮助患者以自然的语速交流不受限制的词汇。 许多神经系统疾病会导致失去交流，让患者完全依赖辅助设备。这些设备使他们能够以高达每分钟 10 个单词的速度逐个字符地键入句子。然而，与每分钟约 150 个单词的日常对话相比，这个速度太慢了。 为了实现更高甚至自然的交流速率，加州大学旧金山分校的研究人员使用了一种仿生方法，该方法强调声道运动和它们产生的声音。 他们已经表明，可以直接从大脑信号中生成合成语音。这些信号精确地协调大约 100 块肌肉来移动嘴唇、舌头、下巴和喉部，将呼吸塑造成声音，最终形成单

研究人员展示了一种采用 2 种不同热电材料的新型冷却系统。 它在自然方向上更有效地加速热量——从热的物体到相对凉爽的环境。 随着计算机芯片、激光器、电池和大功率电子设备朝着具有更高功率密度的更紧凑设计发展，它们需要更复杂的热管理技术。这些设备使用热电冷却来去除热物体的热量。 与热力学问题不同，这些所谓的珀尔帖冷却器经过优化，可以使冷物体保持低温。大多数商用 Peltier 冷却器都是便携式制冷元件，如野营冰箱或饮料冷却器。它们的工作原理是将热量从寒冷的区域吸引到炎热的区域（热量自然会从热转移到冷）。 然而，在“主动冷却”机制中，自然热流从热物体加速到相对较冷的区域。在这种情况下，目

研究人员开发了一种深度神经网络，用于评估摄像头清晰可见的能力。 自动驾驶汽车可以使用该网络做出更好的决策。 数十家公司正在研究自动驾驶汽车技术，它们都以不同的方式应对工程挑战。为了模仿人类的视觉能力，技术主要依靠三个基本要素：雷达、摄像头和激光雷达。 但是，雨、雪和其他类型的障碍物等多种因素会降低相机的视野。这阻碍了强大的感知系统感知周围环境和验证来自传感器的数据的能力。 为了在传感器数据到达下游模块之前，尽快有效地检测出传感器数据在处理管道中的无效性，NVIDIA 的研究人员开发了一种 AI 模型，用于评估相机的清晰视野。 该模型使用名为 ClearSightNet 的深度神经

工程师开发了一种非侵入式负载监控系统，可以扫描下游的多个负载。 它使用图形平台和机器智能进行实时机电系统诊断。 它非常适合主要用于中型工厂和船舶的相对较小的电气系统。 提高工业场地、建筑物、军事设施的能源效率始于对相关流程的信息和洞察力。操作模式的单独负载和数据的行为通常会揭示浪费的做法，从而实现有效的需求侧能源管理。 有故障的关键任务仪器会长时间运行，直到最终出现故障。这种情况在大多数情况下都会发生，即使电气系统几周前就出现了故障迹象。因此，监控单个负载的电气系统还可以实现基于条件的预测和诊断。 最近，麻省理工学院的工程师开发了一种新系统，可以扫描所有类型电气设备的模式，并确定

研究人员构建了第一个自动化系统，用于在人工 DNA 中存储和检索数据。 他们存储并检索了 5 字节的消息“HELLO”。 基于 DNA 的系统可以在相对较小的空间内存储大量数据，并且可以比现有存储设备持续更长时间。 我们生活在一个充满数据的世界，并且数据正以惊人的速度增长。根据 DOMO 第 6 版的报告，全球 90% 的数据是在过去 2 年中产生的。每天产生超过 2.5 EB（或 250 万 TB）的数据，而且这个速度只会随着物联网的发展而加速。 微软正在探索有效存储如此大量数据的技术。该公司目前正在研究分子计算技术，以加密和检索人造 DNA 中的数据。 与硅基芯片相比，DNA

新的基于深度学习的算法使用最少的训练数据跟踪和标记移动物种的身体部位。 它不需要任何计算身体模型、时间数据和简笔画。 要了解任何物种的大脑，就必须准确量化它们的行为。视频跟踪是在不同配置下观察和记录动物行为的最佳选择之一。大大简化了分析，实现了对身体部位的高精度追踪。 然而，提取行为的特定方面以进行详细调查可能是一个乏味且耗时的过程。现有的基于计算机的跟踪使用反射标记（用标记突出显示身体部位），在记录之前应确定标记的位置和数量。 现在，哈佛大学和图宾根大学的研究人员开发了一种名为 DeepLabCut 的人工智能工具，可以自动跟踪和标记移动物种的身体部位。这种无标记姿态估计技术基于

一种新的机器学习技术可识别海洋中有意义的链接和模式。 它揭示了总共 5 个动态一致的区域，这些区域占世界海洋的近 93.7%，以及它们最主要的物理参数。 在先进的观测和建模方法出现之前，海洋的物理/动力学状态是通过使用 Stommel-Arons 流、深海配方或 Sverdrup 平衡等大规模准层流描述来确定的。 建模能力和仪器的最新进展表明，海洋物理学的特点是复杂的空间和时间变化。海洋中的每个区域都有独特的状态，这取决于多种因素，例如当地气象、与东西边界的接近程度等。 要检测在给定位置哪些物理现象最占主导地位，需要检查大量数据点的多个参数，包括盐度、速度、温度以及事物如何随深度变

研究人员提出了由金属纳米粒子和聚合物制成的下一代超透镜。 它有可能取代传统的折射透镜来实现光电设备和便携式成像系统。 微型光学元件用于各种成像仪器，从广角相机到多功能内窥镜。超透镜是这种紧凑型光学元件的新兴平台之一。 然而，超透镜受到其特性及其复杂且昂贵的制造的限制。他们不能轻易地对三维物体成像或在没有物理运动的情况下调整它们的焦点。 由于超透镜的构建块是由硬质材料制成的，它们一旦制成就不能改变形状。在任何材料系统中，都很难按需配置纳米级特征以实现超透镜中的可调聚焦。 这就是为什么西北大学的研究人员提出了由金属纳米粒子和聚合物制成的下一代超透镜，该聚合物有可能取代传统的折射透镜来实

研究人员开发并测试了一种新型机翼，由许多相同的小部件组装而成。 这种轻型机翼可以改变其形状以控制飞机的飞行。 它可以显着提高飞机生产和维护的效率。 大多数现有的飞机都具有可预测的形状：两个机翼连接到一个管子上。还有其他部件，例如尾部的水平稳定器和连接在飞行器上的可移动模块，使飞机能够获得高度和转弯。 但麻省理工学院和美国宇航局的研究人员正在研究一种与传统飞机截然不同的新飞机设计。他们开发并测试了一种新型机翼，由许多相同的小部件组装而成。机翼可以通过改变其形状来控制飞行，可以显着提高飞机的生产和维修效率。 它在 NASA 风洞中进行了测试。而且，考虑到 AeroVironment RQ-

一种新的机器学习算法可以准确预测蛔虫的行为。 它分析了秀丽隐杆线虫对激光刺激的反应。 该算法可以找到更复杂系统的精确且可解释的模型。 近几十年来，定量生物学的进步使科学家能够精确测量复杂生物系统响应扰动的动力学。 例如，秀丽隐杆线虫（一种长约 1 毫米的透明蛔虫）对刺激的完全逃逸行为可以在数秒内测量到。 最近，亚利桑那州立大学和多伦多大学的生物物理学家开发了一种人工智能工具来模拟蠕虫逃逸和感知疼痛的动力学。该工具使用机器学习方法准确预测蠕虫的行为。 在生物学上，所有这些预测都是有道理的，并且它们已经通过对秀丽隐杆线虫进行的实验获得的数据进行了验证。 机器学习方法基于 2015