分子通信的人工智能

Aug, 2023

Artificial Intelligence for Molecular Communication

Max Bartunik, Jens Kirchner, Oliver Keszocze

TL;DR分子通信是一种在避免使用电信号的情况下，在微型设备之间进行数据传输的新方法。以纳米尺度通过信道发送分子（或其他粒子），而不是通过导线发送电子。我们讨论了基于人工神经网络的解调方法，这些网络模拟人脑的决策过程，并能可靠地对噪声干扰下的输入数据进行分类。

Abstract

molecular communication is a novel approach for data transmission between miniaturized devices, especially in contexts where electrical signals are to be avoided. The communication is based on sending molecules (or other particles) at nano scale through channel instead sending electron

molecular communication digital signal transmission channel demodulation artificial neural networks

发现论文，激发创造

通过分子构建语义通信系统：一种端到端训练方法

提出一种语义分子通信系统，通过减少传输的信息来增强分子通信系统的效率，并展示其在分类任务中相较于传统方法的卓越性能。

Apr, 2024

深度学习在通信系统中的检测算法

本文介绍了一种新的通信系统设计和分析方法 —— 使用深度学习的检测算法在无法建立数学信道模型的分子通信系统中实现良好的检测性能，实验结果显示深度学习算法显著优于之前使用在无信道知识的情况下的简单检测器。

May, 2017

自然语言交互分子发现

本文提出了一种基于自然语言描述和编辑目标分子的新型任务，即 “对话式分子设计”，并设计了一个通用的 ChatMol 模型，它采用了大规模语言模型和化学知识相结合的技术，来实现将自然语言和化学语言相互转换在分子领域的应用。

Jun, 2023

一种分子多模基础模型，将分子图与自然语言相关联

通过对分子的图形和语义相关文本数据进行对比学习，我们提出了一个分子多模态基础模型，该模型结合了图形和自然语言的特定和互补信息，更好地抓住了分子的专业知识以及具备了从自然语言描述中生成有意义的分子图形的能力。

Sep, 2022

分子图的定向消息传递

本文提出了一种新的分子性质预测方法：基于方向信息的消息传递神经网络（DimeNet），该方法使用定向的信息传递方式和球 Bessel 函数及球面谐波函数构建新的表征表示，其预测性能优于以往基于 GNNs 的模型。

Mar, 2020

量子化学中的神经消息传递

本文介绍了一种基于神经网络模型的消息传递神经网络 (Message Passing Neural Networks, MPNN)，并探索了 MPNNs 的衍生变体。在化学性质预测基准测试中，使用 MPNNs 获得了最先进的结果，表明将来的研究应该集中在具有更大分子或更精确地基础事实标签的数据集上。

Apr, 2017

无线网络上通信高效的分布式学习原理与应用

该研究论文总结了与机器学习相关的通信和 ML 原则，并提出了具有选定用例的通信高效和分布式学习框架。

Aug, 2020

面向通信的基于模型的机器学习

本文介绍了基于模型的机器学习在通信系统中的应用。作者从整体上审视了已有策略，将其与深度学习方法进行比较，并关注于通信接收器中的符号检测问题，探讨了深度架构、深度展开和 DNN 辅助混合算法等不同策略的优缺点。最后，提出了未来设计基于模型的深度学习系统的指导方针。

Jan, 2021

文本与分子之间的桥梁：一项关于分子多模态框架的调查

通过综述多模态分子研究的框架，本文探讨了人工智能在分子科学中的应用，特别关注文本与分子之间的对齐方法以及使用大型语言模型和提示技术进行分子任务的重要应用，同时讨论了该领域的局限性和未来研究的几个有希望的方向。

Mar, 2024

基于人工神经网络的机器学习在无线网络中的应用：教程

本文介绍了机器学习和人工神经网络在下一代无线通信网络中的应用，涵盖了前馈神经网络、循环神经网络、脉冲神经网络和深度神经网络等不同类型，并讨论了无人机通信、虚拟现实和边缘缓存等无线通信问题和挑战。作者提出了未来可能的研究方向，对开发满足未来无线网络需求的机器学习技术提供了全面的指南。

Oct, 2017