英国一个跨学科科研团队正在使用人工智能 (AI) 设计一种自愈性沥青,这种材料有望每年为地方议会节省数百万英镑的路坑修复费用。
这种由生物质废料制成并通过机器学习设计的材料,由伦敦国王学院、斯旺西大学和智利一家研究机构的科学家共同开发。研究表明,这种材料能够在没有任何维护或人工干预的情况下自行修复其中形成的裂缝。
2022 年,该项目的一位主要研究人员加入了 Google Cloud 研究创新者计划后,研究团队还与 Google Cloud 合作,模拟这种材料在不同条件下的行为变化。
该计划旨在为研究团队提供加速科学发现所需的技术资源。这项工作使研究人员能够阐明沥青中的主要成分沥青质为何会通过氧化作用变硬和开裂,以及如何通过逆转这一过程来实现材料的自我修复。
研究团队在一份声明中表示:"在研究过程中,研究人员使用了一种称为机器学习的 AI 技术来研究沥青等复杂流体中的有机分子。团队开发了一个新的数据驱动模型来加速原子模拟,推进了对沥青氧化和裂缝形成的研究。"
沥青的自愈特性是通过添加一种多孔材料(称为孢子)实现的,这种材料比头发丝还细,内部充满了回收油。当沥青开始破裂时,这些油会释放出来,可以逆转裂缝形成的过程。研究团队表示:"在实验室实验中,这种先进的沥青材料能在不到一小时内完全修复其表面的'微裂缝'。"
根据沥青工业联盟编制的年度地方道路维护调查报告显示,路坑每年给英国地方议会造成 1.435 亿英镑的修复成本,英格兰和威尔士的道路总共需要 163 亿英镑的修复投资。
伦敦国王学院计算化学专家 Francisco Martin-Martinez 表示,这项研究旨在帮助沥青"模仿自然界中观察到的愈合特性",就像受伤的动物和树木会随着时间在自然生物过程中自愈一样。
他说:"创造能够自我修复的沥青将提高道路的耐久性,减少人工填补路坑的需求。我们在新型沥青中还使用了包括生物质废料在内的可持续材料。这将减少我们对石油和自然资源的依赖。生物质废料在各地都可以就地取材,而且成本低廉。使用废料等本地资源生产基础设施材料可以减少对石油供应的依赖,这对那些石油基沥青获取有限的地区特别有帮助。"
斯旺西大学自愈沥青专家 Jose Norambuena-Contreras 表示,这项研究汇集了包括土木工程、化学和计算机科学在内的多个领域的专家,共同寻找解决路坑问题的方案。
他说:"通过将这些知识与 Google Cloud 的最新 AI 工具相结合,我们旨在通过自下而上的分子设计方法增进对沥青愈合能力的理解。我们很自豪能够推进使用生物质废料和人工智能开发自愈沥青。这种方法使我们的研究处于可持续基础设施创新的前沿,为开发具有增强耐久性的零碳道路做出贡献。"
Google Cloud 英国和爱尔兰公共部门负责人 Iain Burgess 补充说:"看到斯旺西大学和伦敦国王学院的团队利用包括 Gemini 和 Vertex AI 在内的云计算和 AI 工具来推动更高效的流程并发现化学特性,这令人备受鼓舞。"
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。