新技术可去中心化且保密临床机器学习

为了在不违反隐私法的情况下整合来自全球数据所有者的任何医疗数据，研究人员引入了Swarm Learning—— 一种去中心化的AI技术，该技术结合了边缘计算、基于区块链的对等网络和协调，同时具有保密特性，不需要中央协调器。

为了说明使用Swarm Learning开发分布式数据疾病分类器的可行性，研究人员选择了4个异质性疾病（新冠肺炎、结核病、白血病和肺部疾病）的病例。通过来自127项临床研究的16400多份血液转录组以及超过95000张胸透片，研究人员发现Swarm Learning分类器的性能优于在单个医疗机构开发的分类器。

此外，Swarm Learning在设计上完全满足了保密需求。科学家相信，这种方法将显著加快精准医疗的引入。

相关论文信息：

https://doi.org/10.1038/s41586-021-03583-3

各向异性卫星星系猝灭受黑洞活动影响

研究人员报告了对124163个卫星星系的档案数据的分析，这些卫星星系位于29631个暗物质晕的势阱中，质量在太阳质量的1012到1014之间。研究发现，猝灭的卫星星系相对较少出现在中心星系的小轴上。

鉴于黑洞活动预计会优先向宿主星系的小轴方向喷射质量和能量，这一观察可能显得违反直觉。然而，观测表明各向异性信号恰恰来自于巨大光晕中的黑洞反馈的抛射性质，即由活动星系核驱动的流出物清除了星系周围的介质，降低了撞击压力，从而保存了卫星星系中的恒星形成。

这一解释得到了IllustrisTNG宇宙学数值模拟组的支持，尽管其亚网格模型实现的黑洞反馈是各向同性的。

相关论文信息：

https://doi.org/10.1038/s41586-021-03545-9

可用于快速芯片设计的布局方法

研究人员提出了一个可用于芯片布局规划的机器深度强化学习方法。在不到6小时的时间内，这一方法自动生成芯片布局，在所有关键指标中（包括功耗、性能和芯片面积），都与人类设计的不相上下。

为了实现这一目标，研究人员将芯片布局规划设计为一个强化学习问题，并开发了一种能给出可行芯片设计的神经网络。结果显示，这一方法基于过去的经验，在解决问题上更好且更快，执行芯片设计的人工智能比任何人类设计师拥有更多经验。这一方法被用于设计下一代谷歌的AI处理器，并有潜力节省数千小时的人力工作。

相关论文信息：

https://doi.org/10.1038/s41586-021-03544-w

量子增强非线性显微镜

实验表明，量子相关性允许一个信噪比超出传统显微镜的光损伤极限。该显微镜是一个相干拉曼显微镜，提供亚波长分辨率，并结合明亮的量子相关照明。

与传统显微镜相比，这种相关性使得细胞内分子键的成像信噪比提高了35%，相应的浓度灵敏度提高了14%。这使得研究人员能观察到其他方法不能观察到的生物结构。相干拉曼显微镜允许在未标记标本上进行高度选择性的生物分子指纹识别，但光损伤是应用之路上的主要障碍。

通过证明可以克服光损伤极限，这一工作将使信噪比和成像速度实现数量级提高。

相关论文信息：

https://doi.org/10.1038/s41586-021-03528-w

（李言编译）