近期来自哈工大（深圳）和清华大学的研究团队在《自然-计算科学》 发表了论文“针对分布外动力学的反常扩散深度学习识别方法”（Reliable deep learning in anomalous diffusion against out-of-distribution dynamics），欢迎阅读文章了解详情。
反常扩散提供了有关分子相互作用、运动状态和体系物理性质的宝贵信息，对于生物和材料科学领域的研究人员理解分子水平的动力学至关重要。近期，深度学习技术在反常扩散识别上的表现超越了传统的统计方法。然而，深度学习网络训练所用的通常是有限分布的数据，因此在面对分布外（OOD）场景时，必然无法识别未知的扩散模式，并出现错误分析。
来自哈尔滨工业大学（深圳）和清华大学的研究团队提出了一种通用框架，用于评估基于深度学习的OOD动力学检测方法。他们进一步开发了一种基线方法，不仅能准确识别分布内的反常扩散，还能实现稳健的OOD动力学检测。实验证明，该方法能够可靠地表征各种系统的复杂行为，包括细胞膜中的烟碱型乙酰胆碱受体、右旋糖酐溶液中的荧光微球，以及经历活跃胞吞过程的银纳米颗粒。
论文表1：OOD动力学检测用于反常扩散识别。
扫码免费阅读论文全文
通讯作者：Yongbing Zhang（哈尔滨工业大学（深圳））、Xiangyang Ji（清华大学）
第一作者：Xiaochen Feng、Hao Sha、Yongbing Zhang（哈尔滨工业大学（深圳））
DOI：10.1038/s43588-024-00703-7
发表日期：2024年10月11日
《自然-计算科学》
2023 Journal Metrics
影响因子：12
五年影响因子：12
学科排名：2/169，计算机科学，跨学科应用 4/143，计算机科学，理论与方法 9/134，多学科科学
引用量：1,941
下载量：707,820
*数据来源：2023年Journal Citation Reports, Clarivate Analytics 2024和期刊官网
《自然》系列期刊产品试用申请
Nature Portfolio期刊是多学科研究和综述期刊的合集，自1869年起一直致力于理解、 探讨和分享科学。《自然》系列期刊目前包含40种《自然》系列研究期刊，涵盖生命科学、物理科学、临床医学和社会科学领域，以及26种《自然综述》系列期刊，为您提供权威、易于理解、意义重大的综述内容。
▲ 如果您对《自然》系列期刊产品感兴趣，愿意推荐您所在的院校或机构申请试用，欢迎扫码提交表单申请。
欢迎扫描图片二维码或点击“阅读原文”了解《自然》及其系列期刊。
版权声明：
本文由施普林格∙自然上海办公室负责整理翻译。中文内容仅供参考，一切内容请以英文论文为准。欢迎转发分享本文，如需转载，请留言或联系China@nature.com。
© 2024 Springer Nature Limited. All Rights Reserved
