{{item.title}}
目前無活動
微結構複合材料,是透過在空間中排列混合韌性及剛性材料,使其同時具耐用性和強度,經常運用在車體材料和各式零組件。過去在尋找這類型的複合結構相當耗時,需要經過反覆設計、製造及實驗。近期來自麻省理工學院電腦暨人工智慧實驗室 (CSAIL) 教授 Wojciech Matusik 及研究生 Beichen Li 組成團隊,開發了一套結合物理實驗、物理模擬及神經網路的系統。透過 AI 預測和模擬技術,減少實際需要進行物理實驗的次數。將原先需花費近月的開發流程,縮短到只需數天到數週。而這項融合物理及模擬的技術,在不同工程領域也能有所應用,如高分子化學、流體動力學、氣象學、機器人學。目前這項研究由巴斯夫歐洲公司 (BASF) 所資助,團隊未來希望能提升系統穩定性,並將整套流程從模擬、製造到測試全面自動化。
倉儲物流自動化及機器人倉庫 (robotic warehouse) 在各產業供應鏈中日益成為重要的一環,如何高效管理大量機器人並避免碰撞成為一大挑戰。 MIT 電機工程與計算機科學博士生 Zhongxia Yan 和 MIT 土木與環境工程助理教授 Cathy Wu,設計一種新的神經網路架構,將倉庫中的機器人分組、編碼重要資訊,並預測倉庫中最需能夠緩解擁擠的區域以提高整體效率。在多個模擬環境中,如類似倉庫、有障礙物的環境,及建築內部的迷宮式環境,此學習方法比傳統方法快近四倍。 此深度學習方法也可用於其他複雜的規劃任務,如電腦晶片設計或大型建築物中的管道佈線。該研究得到 Amazon 和 MIT Amazon Science Hub 的支持。未來希望從神經模型中獲得簡單、基於規則的見解,以便於實際機器人倉庫中實施和維護。
胰臟癌為現有惡性腫瘤當中最嚴重、最具侵襲性且預後不佳的高度惡性疾病,五年存活率僅為 6%。至今,早期干預為最好的癌症治療方法。不幸的是,胰臟深藏於腹部,極難透過早期檢測發現癌變。麻省理工學院計算機科學與人工智能實驗室 (CSAIL) 與貝斯以色列代肯尼斯醫學中心 (BIDMC) 輻射腫瘤學系合作,開發了兩個模型:PrismNN 和 PrismLR。藉由分析個人電子健康紀錄 (Electronic Health Records, EHRs),偵測胰臟癌風險。相同的狀況下,新方法能檢測出 35% 的胰臟癌病變;傳統檢測僅能檢測出 10%。此篇研究運用大數據和人工智慧演算法,優化了人類識別癌症風險的新方法,具有早期干預的潛力。 本篇研究受 MIT CSAIL、美國國防部高級研究計劃局、波音、美國國家科學基金會、Aarno 實驗室、TriNetX 以及預防癌症基金會支持,期望透過此項技術幫助所有人擁有長壽、健康的生活。 撰寫:阮懿慈 (2023 經理人 – 國立陽明交通大學生物科技學系) 指導:黃柏勳 (2015 Epoch School 校友)