人类对芯片性能的需求在不断提高,而芯片的发展改进了工艺,只有新材料技术和新材料的精度,现在这两种技术正在通过科学家的努力结合起来。新型纳米线结构将改善芯片小型化 研究人员在半导体材料实验室工作,专注于纳米级半导体。他特别关注使用半导体材料构建的纳米线和纳米结构,他的研究目标是提高晶体管的电流饱和点以上。晶体管是现代设备的关键组件,从汽车到智能手机和厨房电器,无处不在。由于接近饱和的设计,晶体管的小型化已达到极限。据说主要挑战是与克服饱和点相关的处理能力。他认为我们可以使用纳米线和其他类型的纳米结构来克服目前的饱和状态。当前的改进来自微细加工方法的进步,使工程师能够开发紧凑而复杂的电子设备。随着晶体管尺寸的缩小,可以在电路上放置更多晶体管,从而提高其处理能力。电子设备可以有多小受晶体管尺寸的限制。致力于开发用于量子计算机的新型纳米线晶体管。量子计算机依赖于称为 qubits 的基本元素,这是 Piaget 研究重点关注的亚微米级别的最小内存单元。实验室中制造的导线由元素周期表第 3 族和第 5 族的原子组成,包括镓、铝、铟、氮、磷和砷。当今设备中使用的晶体管尺寸约为 10 纳米,而实验室中创建的水平纳米线尺寸相同,但有望根据晶体质量改善电性能。研究人员使用的方法是在基板表面蚀刻纳米导体以创建不同的图案,从而测试各种结构的性能。该研究目前的重点是确定可以改善这一过程的因素。利用人工智能准确预测材料特性 据外媒报道,如果材料的特性能够被可靠地预测,则可以简化和加速为大量行业开发新产品的过程。在 Advanced Intelligent Systems 上发表的一项研究中,东京大学工业科学研究所的研究人员使用机器学习,利用磁芯损耗光谱确定有机分子的特性。光谱技术能量损失近边缘结构(和射线近边缘结构)用于确定材料中电子的信息,并通过它原子。它们具有高灵敏度和高分辨率,并已用于从电子学到药物输送系统的一系列材料的研究。然而,将光谱数据与光学特性、电子导电性、密度和稳定性等材料特性联系起来仍不清楚。机器学习方法已被用于从大型复杂数据集中提取信息。这种方法使用人工神经网络,它不断学习根据我们的大脑如何工作来解决问题。尽管该小组之前曾使用光谱和来查找有关材料的信息,但他们发现的内容与材料本身的特性无关。因此,这些信息不能轻易转化为开发。现在,团队已经习惯于揭示隐藏在 22155有机分子模拟光谱中的信息。主要作者解释说,然后将分子的光谱或在这种情况下的描述符输入系统。这样的描述符是可以通过实验直接测量的东西,因此可以以高灵敏度和分辨率确定。这种方法对材料开发非常有益,因为它有可能揭示某些材料特性的出现地点、时间和方式。仅仅从光谱创建的模型就能够成功地预测所谓的密集特性。然而,它不能预测广泛的性质,这取决于分子大小。因此,为了改进预测,通过将与碳相关的三种元素(存在于所有有机分子中)的比例作为附加参数构建了新模型,从而正确预测了分子量等广泛的性质。铁损光谱的学习过程可以准确预测各种材料特性,例如内能和分子量。以前从未有人提出过铁损光谱与各种特性之间的联系;然而,人工智能能够发现隐藏的联系人。资深作者说:“我们的方法也可以应用于预测新材料的特性和功能。我们相信我们的模型将成为跨行业高通量开发材料的非常有用的工具。”科学家们正在开发像人类一样思考的人工智能 创造类似人类的人工智能不仅可以模仿人类行为 该技术还必须能够像人类一样处理信息,或者像人类一样思考,如果要完全依赖它的话。格拉斯哥大学心理学和神经科学学院这项由 3D Modeling 领导的新研究发表在 Patterns 杂志上,它使用 3-modeling 来分析深度神经网络处理信息的方式,这是更广泛的机器学习家族的一部分,以可视化它们的信息处理如何与人类的信息处理相匹配。希望这项新工作将为创建更可靠的人工智能技术铺平道路,这些技术将像人类一样处理信息并犯我们可以理解和预测的错误。人工智能发展仍然面临的挑战之一是如何更好地理解机器的思维过程,以及它是否与人类处理信息的方式相匹配以确保准确性。深度神经网络通常被认为是当今人类决策行为的最佳模型,在某些任务中达到甚至超过了人类的表现。然而,即使是看似简单的视觉识别任务,与人类相比,人工智能模型也显示出明显的不一致和错误。目前,深度神经网络技术被用于人脸识别等应用,虽然它在这些领域非常成功,但科学家们仍然不完全了解这些网络如何处理信息以及何时会发生错误。在这项新研究中,该团队通过对来自深度神经网络的视觉刺激进行建模以多种方式对其进行转换来解决这个问题。证明标识相似性的信息。该研究的资深作者、格拉斯哥大学神经科学与技术研究所的教授说。例如,在构建行为类似于人类的 AI 模型时,只需看到一个人脸可以像人一样被识别,我们必须确保 AI 模型使用与另一个人相同的信息来识别它。如果人工智能不这样做,我们可能会产生系统像人类一样工作的错觉,但随后会发现它在一些新的或未经测试的情况下出错了。研究人员使用了一系列可修改的 3 张面孔,并要求人类评估这些随机生成的面孔与四个熟悉身份的相似度。然后,他们使用这些信息来测试深度神经网络是否出于相同的原因做出了相同的评估,不仅是人类和人工智能是否做出了相同的决定,而且它是否基于相同的信息。研究人员希望这项工作将为更可靠的人工智能技术铺平道路,这些技术的行为更像人类并减少不可预测的错误。责任编辑: