John Hopfield
PulseAugur coverage of John Hopfield — every cluster mentioning John Hopfield across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法使用随机注意力条件化蛋白质生成
研究人员开发了一种新颖的通过无训练随机注意力采样器条件化蛋白质生成的方法。通过将多样性比率纳入采样器的logits中，可以将生成过程从广泛的蛋白质家族转移到特定的目标子集。该技术在五个Pfam家族中进行了测试，结果表明注意力机制准确地遵循了分析目标，尽管特定残基标记的恢复取决于通过主成分分析分离指定序列和背景序列。加权剖面HMM显示了更直接的标记恢复，而在涉及Kunitz序列的比较中，随机注意力实现了更低的困惑度。
-
Energy-guided Recursive Model 增强神经网络推理能力，利用 Hopfield 能量 · 跟踪 2 个来源
研究人员推出了一种新颖的递归推理方法——Energy-guided Recursive Model (ERM)。ERM 利用显式的 Hopfield 能量来指导候选轨迹的选择，提供了一种原则性的推理机制。该方法与基于能量的采样技术无缝集成，以提高效率和排名。ERM 在数独和 Pencil Puzzle Bench 等复杂任务上表现出色，优于以往的模型。
-
新的变换器架构整合吸引子动力学以提升性能
研究人员推出了一种新颖的架构——受控动力学吸引子变换器（CDAT），它将变换器的自注意力机制与联想记忆框架相结合。CDAT 集成了混合 von Mises-Fisher (Mo-vMF) 注意力能量和 Hopfield 精炼能量，并通过受 CANN 启发的调制来增强生物学上合理的推理动力学。这种方法将吸引子风格的动力学与基于能量的注意力联系起来，并在图异常检测和分类任务中展示了最先进的性能。
-
John Hopfield 1982年的论文重塑了神经网络的历史
John Hopfield 在1982年发表的一篇论文对神经网络领域产生了重大影响，为它们的历史和发展提供了新的视角。这项开创性工作对人工智能和神经科学的后续研究和理解产生了持久的影响。
-
新模型将星形胶质细胞门控记忆动力学与涌现的自注意力联系起来
研究人员开发了一种新的联想记忆模型，该模型结合了类似星形胶质细胞的增益调制，以实现涌现的自注意力。该模型基于 Hopfield 型网络，使用耦合的神经元-星形胶质细胞动力学，并保证收敛。与现有模型相比，星形胶质细胞增益有效地根据模式相似性路由信息，从而在高度干扰的情况下提高了检索准确性。
-
新模型显示自注意力从星形胶质细胞门控联想记忆中涌现
研究人员开发了一种受大脑星形胶质细胞-神经元相互作用启发的、新颖的联想记忆模型。该模型利用星形胶质细胞增益动态调节神经元连接性，从而产生一种涌现的自注意力形式。与传统的Hopfield网络相比，该系统在记忆负荷高和干扰条件下表现出更高的检索准确性。
-
Google DeepMind 科学家因 AI 驱动的蛋白质发现荣获诺贝尔奖
Google DeepMind 的 Demis Hassabis 和 John Jumper，以及华盛顿大学的 David Baker，因其在预测和设计新型蛋白质方面的工作获得了诺贝尔化学奖。他们的机器学习模型 AlphaFold2 在这一突破中发挥了重要作用，能够预测数百万种蛋白质的结构。这一成就实现了 50 年的科学梦想，并凸显了人工智能在科学发现中的变革潜力，将理论愿景变为切实的、获奖的现实。