新技術(shù)可去中心化且保密臨床機器學習

為了在不違反隱私法的情況下整合來自全球數(shù)據(jù)所有者的任何醫(yī)療數(shù)據(jù)，研究人員引入了Swarm Learning—— 一種去中心化的AI技術(shù)，該技術(shù)結(jié)合了邊緣計算、基于區(qū)塊鏈的對等網(wǎng)絡(luò)和協(xié)調(diào)，同時具有保密特性，不需要中央?yún)f(xié)調(diào)器。

為了說明使用Swarm Learning開發(fā)分布式數(shù)據(jù)疾病分類器的可行性，研究人員選擇了4個異質(zhì)性疾病（新冠肺炎、結(jié)核病、白血病和肺部疾?。┑牟±?。通過來自127項臨床研究的16400多份血液轉(zhuǎn)錄組以及超過95000張胸透片，研究人員發(fā)現(xiàn)Swarm Learning分類器的性能優(yōu)于在單個醫(yī)療機構(gòu)開發(fā)的分類器。

此外，Swarm Learning在設(shè)計上完全滿足了保密需求。科學家相信，這種方法將顯著加快精準醫(yī)療的引入。

相關(guān)論文信息：

https://doi.org/10.1038/s41586-021-03583-3

各向異性衛(wèi)星星系猝滅受黑洞活動影響

研究人員報告了對124163個衛(wèi)星星系的檔案數(shù)據(jù)的分析，這些衛(wèi)星星系位于29631個暗物質(zhì)暈的勢阱中，質(zhì)量在太陽質(zhì)量的1012到1014之間。研究發(fā)現(xiàn)，猝滅的衛(wèi)星星系相對較少出現(xiàn)在中心星系的小軸上。

鑒于黑洞活動預(yù)計會優(yōu)先向宿主星系的小軸方向噴射質(zhì)量和能量，這一觀察可能顯得違反直覺。然而，觀測表明各向異性信號恰恰來自于巨大光暈中的黑洞反饋的拋射性質(zhì)，即由活動星系核驅(qū)動的流出物清除了星系周圍的介質(zhì)，降低了撞擊壓力，從而保存了衛(wèi)星星系中的恒星形成。

這一解釋得到了IllustrisTNG宇宙學數(shù)值模擬組的支持，盡管其亞網(wǎng)格模型實現(xiàn)的黑洞反饋是各向同性的。

相關(guān)論文信息：

https://doi.org/10.1038/s41586-021-03545-9

可用于快速芯片設(shè)計的布局方法

研究人員提出了一個可用于芯片布局規(guī)劃的機器深度強化學習方法。在不到6小時的時間內(nèi)，這一方法自動生成芯片布局，在所有關(guān)鍵指標中（包括功耗、性能和芯片面積），都與人類設(shè)計的不相上下。

為了實現(xiàn)這一目標，研究人員將芯片布局規(guī)劃設(shè)計為一個強化學習問題，并開發(fā)了一種能給出可行芯片設(shè)計的神經(jīng)網(wǎng)絡(luò)。結(jié)果顯示，這一方法基于過去的經(jīng)驗，在解決問題上更好且更快，執(zhí)行芯片設(shè)計的人工智能比任何人類設(shè)計師擁有更多經(jīng)驗。這一方法被用于設(shè)計下一代谷歌的AI處理器，并有潛力節(jié)省數(shù)千小時的人力工作。

相關(guān)論文信息：

https://doi.org/10.1038/s41586-021-03544-w

量子增強非線性顯微鏡

實驗表明，量子相關(guān)性允許一個信噪比超出傳統(tǒng)顯微鏡的光損傷極限。該顯微鏡是一個相干拉曼顯微鏡，提供亞波長分辨率，并結(jié)合明亮的量子相關(guān)照明。

與傳統(tǒng)顯微鏡相比，這種相關(guān)性使得細胞內(nèi)分子鍵的成像信噪比提高了35%，相應(yīng)的濃度靈敏度提高了14%。這使得研究人員能觀察到其他方法不能觀察到的生物結(jié)構(gòu)。相干拉曼顯微鏡允許在未標記標本上進行高度選擇性的生物分子指紋識別，但光損傷是應(yīng)用之路上的主要障礙。

通過證明可以克服光損傷極限，這一工作將使信噪比和成像速度實現(xiàn)數(shù)量級提高。

相關(guān)論文信息：

https://doi.org/10.1038/s41586-021-03528-w

（李言編譯）