设计奖励函数以引导生成分子设计算法到化学空间中的可取区域对于基于人工智能的药物发现至关重要。我们提出了一种基于实验数据的自动奖励配置方法，通过构建基于帕累托优势的实验数据排序，并训练神经网络以近似奖励函数，使得预测奖励相关的排序与基于帕累托优势的排序一致。我们验证了该方法的有效性，并展示其在药物发现中胜过人工定义的函数的预测准确性，与目标药物评价函数相比，Spearman 相关性提高了 0.4。该方法为生成分子设计的奖励函数配置提供了高效的数据驱动方式，并为自动化药物发现的未来研究提供了强有力的基准。

Dec, 2023

该研究提出了一种使用神经网络编码奖励函数的方法，通过迭代训练，以鼓励更复杂的行为，实现在高维度机器人和像素级环境下的无监督学习，从而学习包括前空翻和单腿奔跑等丰富的技能。

Feb, 2022

本文提出使用扩散模型和奖励函数相结合的方式，在序列化决策任务中实现高效决策，使用神经网络参数化奖励函数，能够提高机器人的运动性能，并且可以推广到图像生成领域。

Jun, 2023

利用自监督学习，提出一种物理信息掩蔽自动编码器 (PiMAE)，能够通过直接从原始显微图像中学习估计点扩散函数 (PSF) 和发射源的值，这种方法优于传统方法，展示了可行的机制实现在光学显微镜中实现更精确的成像。

Apr, 2023

使用无监督分割方法对电子显微镜图像进行分割，以跟踪用于催化和电子领域的薄膜中辐照引起的非晶前沿，为自动化电子显微镜提供指导。

Nov, 2023

本文提出了一种新的数据驱动方法，通过机器学习技术和物理学知识相结合，优化了 LED 阵列显微镜的编码照明模式，并将其应用于稀疏性相位重建算法，证明了该方法可以显著提高实验结果的准确性，且只需较少的训练数据。

Aug, 2018

提出了一种新颖的强化学习算法，可有效地在可行样本的流形上进行探索，并通过对图像、生物序列和分子三个领域的理论分析和实证验证提供了一种后悔保证.

Feb, 2024

采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024

利用深度模型学习中间视觉表示的抽象能力来从少量的演示序列中快速推断知觉奖励函数，以便在真实世界环境中使用强化学习智能体执行任务。

Dec, 2016

使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系，将光学超分辨率图像转化为类似 SEM 的具有大景深的图像，其在图像转换中表现出色，重构结果具有高层次的细节，适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。

Oct, 2023