表征酶功能是预测酶底物相互作用的重要要求。在本文中，我们提出了一种对该问题应用对比多视图编码的新方法，以提高预测性能。我们介绍一种从酶库中利用诸如Kegg的酶库的辅助数据来学习酶底物反应的多种视图中存在的互信息。我们表明，反应数据的多个视图中的一致性可用于改善预测性能。

尽管图像变形金刚与计算机视觉任务中的卷积神经网络显示出竞争性结果，但缺乏诸如区域的电感偏见仍然在模型效率方面构成问题，尤其是对于嵌入式应用程序而言。在这项工作中，我们通过引入注意力面具以将空间位置纳入自我发挥作用来解决这个问题。局部依赖性有效地捕获了掩盖的注意力头，以及由未掩盖的注意力头部捕获的全球依赖性。随着蒙版注意力图像变压器 - MAIT，与CAIT相比，TOP -1的准确性提高了1.7％，与SWIN相比，吞吐量更少，吞吐量提高了1.5倍。使用注意力面罩编码局部性是模型的不可知论，因此它适用于整体，分层或其他新型变压器体系结构。

在纳米网络上实现的分子通信（MC）在能效，可靠性和稳健性方面具有极具吸引力的特性。即使，令人难以置信的慢速分子扩散和高变形环境的影响仍然未知。通信系统的分析与设计通常依赖于开发描述通信信道的数学模型。然而，底层频道模型在某些系统中未知，例如MC系统，其中化学信号用于传输信息。在这些情况下，需要一种新的分析和设计方法。在本文中，我们专注于MC系统的一个关键方面，建模MC接收信号直到时间T，并证明使用来自ML的工具使其承诺培训可以在频道模型的任何信息中执行的训练器。机器学习（ml）是智能方法之一，在域中显示了有希望的结果。本文适用Azure机器学习（Azure ML），用于柔性路面维护回归问题和解决方案。对于预测，四个参数用作输入：接收器半径，发射器半径，接收器和发射器之间的距离，以及扩散系数，而输出是接收信号的地图（平均平均精度）。 Azure M1使能够从数据和体验中学习的算法并完成任务而无需编码。在已建立的Azure ML中，选择了回归算法，例如增强决策树回归，贝叶斯线性回归，神经网络和决策林回归。选择最佳性能作为最优性标准。最后，显示了在本地PC上的开发人员使用的基于基于基于工具（Python）上的Azure M1工具的潜在益处的比较