2020世界人工智能创新大赛（AIWIN）从全球化、专业化、高端化角度出发， 以营造人工智能创新氛围， 加速人工智能人才集聚， 挖掘人工智能优秀项目， 扩大人工智能国际影响为导向， 招募全球人工智能技术人才与团队， 为上海打造人工智能高地提供有力平台支撑。链接地址：http://www.aiwin.org.cn

军委装备发展部主办，中国电子科技集团公司、中国人民解放军国防科技大学、中国航天科技集团公司承办的“2020年度全国“谋略方寸·联合智胜”智能博弈挑战赛”。链接地址：https://encourage.dcjingsai.com/WarGame.html

[据军事嵌入式系统网站2020年8月13日报道]诺斯罗普·格鲁曼公司赢得了美国国防先期研究计划局（DARPA）战略技术办公室（STO）的“必杀绝技”（Gamebreaker）项目合同。该项目旨在开发并将人工智能（AI）应用到现有的实时战略游戏中，以打破复杂的模型或平衡。诺斯罗普·格鲁曼公司将利用这一机会评估和开发有关技术，改善在运行动态环境产品时，灵活规划、优化和发现等技术的表现。诺斯罗普·格鲁曼公司的“必杀绝技”团队包括Hazardou软件公司和Slitherine软件公司的Matrix游戏公司。他们将进行密切的合作，使用先进的人工智能技术，在一个名为“命令：现代作战”的高度复杂的模拟器环境中建模并打破其平衡。Hazardous软件公司（HSI）创造了一种能够使人们在不确定的环境中进行战略操作的技术，这种环境既包括游戏，也包括模拟或是真实事件。Hazardous软件公司通过与Diveplane公司合作，利用后者在反事实推理和可解释的人工智能方面的优势，不断对该技术进行完善。Matrix游戏公司专门从事基于商用现成技术（COTS）的物理学模拟和战略视频游戏。他们通过认真的研究和开发，将商业模拟转化为了现代化的强大程序，从而能够复制复杂的军事行动，并能够模拟从战术和作战到分析的全过程。（国家工业信息安全发展研究中心 刘彧宽）

晓查 发自 凹非寺量子位 报道 | 公众号 QbitAI只要解出薛定谔方程，你就能预测分子的化学性质。但现实很骨感，迄今为止，科学家只能精确求解一个电子的氢原子，即使是只有两个电子的氦原子都无能为力。原因是有两个以上电子组成的薛定谔方程实在太复杂，根本无法精确求解。既然找不到精确解，科学家们希望能找到一种实用的近似解求法，只要结果足够近似，也能预测原子或分子的行为。近日，DeepMind开源了一个“费米网络”（FermiNet），用来求解分子的电子行为，在30个电子的有机分子上也达到了很高的精度。文章结果发表在期刊Physical Review Research上。为什么叫费米网络在量子力学中，电子没有精确的位置，我们只能从波函数预测电子在空间中出现的概率，也就是电子云。比如氢原子的电子云就有以下几种形态。曲面内表示电子出现的高概率区域。蓝色区域波函数为正，紫色区域波函数为负。（注：波函数平方表示电子出现的概率）误差小于0.5%即可预测分子的能量，但这对于化学家来说远远不够，要准确预测分子的形状和化学性质，需要0.001%的精度，相当于以毫米精度测量足球场宽度。电子在分子中不仅受到原子核的吸引力、其他电子的斥力，还遵循着量子力学中的费米-狄拉克统计：如果两个电子交换状态，波函数要反号。这也意味着两个电子的状态不可能完全相同，否则波函数为0。这在物理中叫做“泡利不相容原理”。费米网络正是从这个基本物理原理出发，因此DeepMind将其命名为FermiNet。交换后符号相反，这可能会让你想到线性代数中的行列式。行列式任意两行交换，输出结果就要乘以-1。物理学家也是这样想的，他们用所谓“Slater行列式”来表示电子波函数，但实际情况比Slater行列式要复杂得多，为了更精确表示电子行为，往往需要几百万个Slater行列式的线性组合。工作原理与函数线性组合相比，神经网络在表示复杂函数时往往更具有优势。在构造FermiNet之初，研究人员就把泡利不相容原理作为第一性原理引入神经网络。在FermiNet中，每个电子都有单独的信息流。不仅如此，他们将网络每一层所有流平均化，然后传递给下一层的每一流。这样，这些流就具有正确的反对称性要求。而且在FermiNet行列式中的每个元素都包含所有电子，效率远远超出波函数只有单个电子的情况。与Slater行列式不同，FermiNet是通用函数逼近器，如果神经网络层变得足够宽，则可以无限逼近真实波函数。这意味着，如果我们正确地训练这些网络，它们应该能够将几乎完全精确的解拟合到薛定谔方程。训练是通过最小化系统的能量来拟合FermiNet。FermiNet用蒙特卡洛方法随机选择电子构型，在每个电子排列中局部评估能量，累加每个排列的贡献，并将其最小化。实验结果研究人员将FermiNet用在具有10个电子以内的原子上，能量精度均在99.8%左右。 对于30个电子的环二丁烷，FermiNet算出的能量达到了97%的精度，虽然精度不是很高，但DeepMind表示，作为一种“便宜但不够准确”的方法，这是巨大的成就。现在FermiNet已经在GitHub上开源，代码基于TensorFlow实现，如果你想用它算一算氢分子，不妨试试这串代码：  import sys fromabsl import loggingfromferminet.utils import systemfrom ferminet import train # Optional, for also printing training progress to STDOUTlogging.get_absl_handler().python_handler.stream = sys.stdoutlogging.set_verbosity(logging.INFO) # Define H2 moleculemolecule = [system.Atom(‘H’, (0, 0, -1)), system.Atom(‘H’, (0, 0, 1))] train.train(molecule=molecule,spins=(1, 1),batch_size=256,pretrain_config=train.PretrainConfig(iterations=100),logging_config=train.LoggingConfig(result_path=’H2′经过100次迭代后，该程序会输出一个氢原子波函数文件。官方建议最好用GPU来运行，因为他们计算乙烯分子就用8个GPU花2天时间才算出。除了研究电子外，DeepMind还将神经网络用于其他基础科学研究，比如蛋白质折叠、玻璃态动力学、晶格量子色动力学等。参考链接：https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.2.033429https://github.com/deepmind/ferminethttps://deepmind.com/blog/article/FermiNet Tags: 业界新闻