Machine-learning models are increasingly used to predict properties of atoms in chemical systems. There have been major advances in developing descriptors and regression frameworks for this task, typically starting from (relatively) small sets of quantum-mechanical reference data. Larger datasets of this kind are becoming available, but remain expensive to generate. Here we demonstrate the use of a large dataset that we have "synthetically" labelled with per-atom energies from an existing ML potential model. The cheapness of this process, compared to the quantum-mechanical ground truth, allows us to generate millions of datapoints, in turn enabling rapid experimentation with atomistic ML models from the small- to the large-data regime. This approach allows us here to compare regression frameworks in depth, and to explore visualisation based on learned representations. We also show that learning synthetic data labels can be a useful pre-training task for subsequent fine-tuning on small datasets. In the future, we expect that our open-sourced dataset, and similar ones, will be useful in rapidly exploring deep-learning models in the limit of abundant chemical data.

大物体的操纵和安全地在人类附近进行安全操作的能力是通用国内机器人助手的关键能力。我们介绍了一种柔软，触觉的人形的人形机器人的设计，并展示了用于处理大物体的全身丰富的接触操作策略。我们展示了我们的硬件设计理念，用于使用软触觉传感模块，包括：（i）低成本，抗缝，接触压力定位的武器， （ii）基于TRI软气泡传感器的爪子，用于最终效应器，（III）柔顺的力/几何传感器，用于粗糙几何感测表面/胸部。我们利用这些模块的机械智能和触觉感应，为全身抓握控制进行开发和展示运动原语。我们评估硬件在实现各种大型国内物体上实现不同优势的掌握。我们的结果表明，利用富含接触的操纵策略的柔软度和触觉感应的重要性，以及与世界的全身力量控制的互动前进的道路。

本文介绍了一种名为Polytrack的新方法，用于使用边界多边形的快速多目标跟踪和分段。PolyTrack通过产生其中心键盘的热插拔来检测物体。对于它们中的每一个，通过在每个实例上计算限定多边形而不是传统边界框来完成粗略分割。通过将两个连续帧作为输入来完成跟踪，并计算在第一帧中检测到的每个对象的中心偏移，以预测其在第二帧中的位置。还应用了卡尔曼滤波器以减少ID交换机的数量。由于我们的目标应用程序是自动化驾驶系统，因此我们在城市环境视频上应用了方法。我们在MOTS和Kittimots数据集上培训和评估多轨。结果表明，跟踪多边形可以是边界框和掩模跟踪的良好替代品。Polytrack代码可在https://github.com/gafaua/polytrack上获得。

现有机器是功能上的特定工具，用于易于预测和控制。明天的机器可能更接近生物系统，他们的可变性，弹性和自主权。但首先，他们必须能够学习和保留新信息，而不会反复接触它。过去为工程师此类系统的努力试图使用特定于特定的应用程序的特定于特定的应用程序来构建或调节人工神经网络。这尚未启用在未经损坏现有知识的情况下继续学习以前未经证实的数据的长期序列：一个称为灾难性遗忘的问题。在本文中，我们介绍了一个可以在以前看不见的数据集（Imagenet，CiFar-100）上依次学习的系统，几乎没有时间忘记。这是通过基于使用第二前馈神经网络产生的自上向下调制的输入来调节卷积神经网络中的权重的活性来实现的。我们发现我们的方法在域传输下不断学习，并在跨任务中回收的权重的稀疏突发，而不是通过维护特定于任务的模块。发现稀疏突触突发以在不损坏先前获取的功能的情况下促进对新输入的方式平衡增强和减少的活动。在先前的元学习阶段期间这种行为出现，其中来自初始抑制的初始状态选择性地下突触或生长的调节突触。