深度神经网络

一项新的研究提出了一种基于深度神经网络的前向设计方法，可以有效地搜索远远超出初始训练集领域的优质材料。这种方法通过使用主动转移学习和数据增强方法逐步更新神经网络来补偿神经网络在未知域上的弱预测能力。

深度学习是机器学习的一种，通常指基于表示学习的深度神经网络，如基于卷积神经层构建的卷积神经网络、基于递归神经层构建的递归神经网络等。它适合用来发现海量高维数据背后的复杂模式。近十年来，随着计算机算力的大幅提升，深度学习在图像识别、自然语言处理等领域取得了众多成果，其中可以捕捉数据局部特征的卷积神经网络已被广泛应用于组学序列数据分析、生物影像处理等多个生命科学相关领域。

美国莱斯大学（Rice University）的计算机科学家开发了一种被称为“次线性深度学习引擎”（SLIDE：sub-linear deep learning engine）的商用CPU算法，并通过Intel公司科研人员验证核实，其训练深度神经网络（DNN）的速度可比最顶级的图形处理器（GPU）训练器快15倍。该研究团队将在4月8日举行的MLSys 2021学术年会上展示他们的研究成果。