冷冻电子显微镜（Cryo-EM）已成为结构生物学中基本重要性的工具，帮助我们了解生活的基本构建基础。冷冻EM的算法挑战是共同估计未知的3D姿势和来自数百万个极其嘈杂的2D图像的生物分子的3D电子散射潜力。但是，由于其高度计算和内存成本，现有的重建算法无法轻易地与迅速增长的低温EM数据集尺寸保持同步。我们介绍了Cryoai，这是一种用于均匀构象的从头算重建算法，该构型使用基于直接梯度的粒子姿势优化和来自单粒子冷冻EM数据的电子散射电位。冷冻ai结合了一个学识渊博的编码器，该编码器将每个粒子图像的姿势与基于物理的解码器进行汇总，以将每个粒子图像汇总到散射势体积的隐式表示中。该卷存储在傅立叶域中以提高计算效率，并利用现代坐标网络体系结构来提高内存效率。结合对称损耗函数，该框架可在模拟和实验数据中与最先进的冷冻EM求解器达到质量的结果，对于大型数据集而言，一个数量级的阶数级，并且具有明显低的存储器需求现有方法。
translated by 谷歌翻译
深度强化学习使用深层神经网络来编码一项策略，该策略在广泛的应用程序中取得了很好的性能，但被广泛视为黑匣子模型。神经模糊的控制器给出了更可解释的深网替代品。不幸的是，神经模糊的控制器通常需要大量规则来解决相对简单的任务，从而难以解释。在这项工作中，我们提出了一种算法，将政策从深Q网络提取为紧凑的神经模糊控制器。这使我们能够通过蒸馏来训练紧凑的神经模糊控制器，以解决他们无法直接解决的任务，结合了深度强化学习的灵活性和紧凑的规则基础的可解释性。我们在OpenAI体育馆的三个知名环境中演示了算法，在那里我们仅使用2至6个模糊规则匹配DQN代理的性能。
translated by 谷歌翻译