快捷搜索:

MIT等人工神经网络评分系统,AI控制了动物大脑

日期:2019-11-20编辑作者:澳门新葡8455最新网站

原标题:【深度学习模型哪个最像人脑?】MIT等人工神经网络评分系统,DenseNet实力夺冠!

澳门新葡8455最新网站 1

澳门新葡8455最新网站 2

澳门新葡8455最新网站 3

新智元报道

神经网络模型设计图像,能够刺激 单个神经元的活动

倒计时9**天**

来源:MIT News

不是科幻,人工神经网络可以用来控制动物的大脑活动了!2019年5月2日发表在Science杂志的一篇论文中,来自MIT的三位神经科学家对模拟大脑视觉皮层的计算模型进行了迄今为止最严格的测试。三位作者分别是MIT大脑与认知科学系的负责人、麦戈文脑研究所调查员James DiCarlo,以及博士后研究员Pouya Bashivan和Kohitij Kar。他们利用目前最好的大脑视觉神经网络模型,设计了一种新方法来精确地控制单个神经元和位于网络中间的神经元群。

编辑:肖琴

在一项动物研究中,研究团队随后表明,他们利用从计算模型中获得的信息创建了一些图像,这些图像能够强烈地激活所选定的大脑神经元。具体来说,Bashivan等人建立了一个人工神经网络来模拟目标视觉系统的行为,并用它来构建图像,这些图像要么能够广泛地激活大量神经元,要么选择性地激活一个神经元群,同时保持其他神经元不变。

来源:bioRxiv

MIT的三位科学家首次用大脑视觉神经网络模型,实现了控制动物大脑的神经元活动。这是使用人工神经网络来理解真实神经网络的一大突破,相关研究发表在本周Science杂志。

然后,他们分析了这些图像在猕猴视觉皮层产生预期效果的有效性。结果显示,这些操作有很强的效果,并对神经元群产生了相当大的选择性影响。利用这些图像,神经网络被证明可以再现动物神经反应的整体行为。研究结果表明,这些模型与大脑非常相似,可以用来控制动物的大脑状态。

作者:Martin Schrimpf等

这不是科幻:人工神经网络可以用来控制动物的大脑活动了!

James DiCarlo表示,这项新研究有助于确定视觉模型在脑科学研究中的有用性。此前,关于这类视觉模型是否准确地模拟了视觉皮层的工作方式存在激烈的争论。“人们质疑这些模型是否能够提供对视觉系统的理解”James DiCarlo说:“我们没有在学术意义上争论这个问题,而是证明了这些模型已经足够强大,能够支持一项重要的新应用。不管你是否理解这个模型的工作原理,从这个意义上说,它已经很有用了。”

编辑:三石

5月2日发表在Science杂志的一篇论文中,来自MIT的三位神经科学家对模拟大脑视觉皮层的计算模型进行了迄今为止最严格的测试。

训练神经网络,神经控制实验

【新智元导读】人工神经网络的终极目标应当是能够完全模拟生物神经网络。而随着ANN的不断发展,已然呈现出了许多性能优秀的模型。由MIT、NYU、斯坦福等众多著名大学研究人员组成的团队,便提出了brain-score系统,对当今主流的人工神经网络进行评分排名。本文便带读者了解一下在众多人工神经网络中,最为贴近生物神网络的那些ANN。

三位作者分别是MIT大脑与认知科学系的负责人、麦戈文脑研究所调查员James DiCarlo,以及博士后研究员Pouya Bashivan和Kohitij Kar。

在过去几年里,DiCarlo等人开发了基于人工神经网络的视觉系统模型。每个网络都以一个由模型神经元(model neurons)或节点组成的任意架构开始,这些神经元或节点可以以不同的强度相互连接。然后,研究人员用一个包含超过100万张图像的库中训练这些模型。当研究人员向模型展示每张图像,以及图像中最突出的物体的标签时,模型通过改变连接的强度来学习识别物体。

人工神经网络(ANN)总是会与大脑做比较。

他们利用目前最好的大脑视觉神经网络模型,设计了一种新方法来精确地控制单个神经元和位于网络中间的神经元群。

很难准确地了解这个模型是如何实现这种识别的,但是DiCarlo和他的同事之前已经证明,这些模型中的“神经元”产生的活动模式与动物视觉皮层响应相同图像时的活动模式非常相似。在这项新研究中,研究人员想要测试他们的模型是否能够执行一些以前尚未被证明的任务。特别是,他们想看看这些模型是否可以用来控制动物视觉皮层的神经活动。他们进行了几个闭环的神经生理学实验:在将模型神经元与每个记录的大脑神经位置匹配之后,使用该模型合成了全新的“控制器”(controller)图像。

澳门新葡8455最新网站,虽然ANN发展到现在也无法完全模拟生物大脑,但是技术是一直在进步的。那么问题来了:

在一项动物研究中,研究团队随后表明,他们利用从计算模型中获得的信息创建了一些图像,这些图像能够强烈地激活所选定的大脑神经元。

神经控制实验分四步完成:通过训练大量标记的自然图像来优化神经网络的参数;ANN “神经元” 被映射到每个记录的 V4 神经位点,构成可计算的预测模型。然后将得到的模型用于合成单个位点或群体控制的 “控制器” 图像。最后由实验者将由这些图像指定的发光模式应用于受试者的视网膜,并测量神经部位的控制程度。

论与生物大脑的相似性,哪家人工神经网络最强?

澳门新葡8455最新网站 4

然后,研究人员将这些图像呈现给每个受试者,以测试模型控制受试者神经元的能力。在一项测试中,他们要求模型尝试控制每个神经元,使其激活程度超过其通常观察到的最大激活水平。研究人员发现,模型生成的合成刺激成功地驱动了68%的神经位点超出了它们的自然观察激活水平。在令一项更严格的测试中,该模型显示,它能够选择性地控制整个神经亚群,激活一个特定的神经元,同时使其他记录的神经元失活。

在功能方面与大脑最相似的神经网络,将包含与大脑最近似的机制。因此,MIT、NYU、斯坦福等众多知名大学联手开发了“大脑评分”(brain - score)。

具体来说,Bashivan等人建立了一个人工神经网络来模拟目标视觉系统的行为,并用它来构建图像,这些图像要么能够广泛地激活大量神经元,要么选择性地激活一个神经元群,同时保持其他神经元不变。

接下来,研究人员使用这些合成的controller图像来研究模型预测大脑反应的能力是否适用于这些图像。他们发现该模型确实相当准确,预测了54%的由图像引起的大脑反应模式,但它显然还不完美。“到目前为止,对这些模型所做的工作是预测神经会对其他刺激产生什么反应,这些刺激是他们以前从未见过的。”Bashivan说:“这次的研究主要的不同之处在于,我们更进了一步,利用这些模型将神经元驱动到所需的状态。”

这是一种综合了多种神经和行为基准的测试方法,可以根据神经网络与大脑核心对象识别机制的相似程度对其进行打分,并用这个方法对最先进的深层神经网络进行评估。

澳门新葡8455最新网站 5

为了实现这一目标,研究人员首先创建了大脑的视觉区域V4中的神经元和计算模型中的节点的一对一映射。他们通过分别向动物和模型展示图像,并比较它们对相同图像的反应来实现这一点。V4区域有数百万个神经元,但在这项研究中,研究人员每次为5到40个神经元的亚群创建映射。DiCarlo说:“一旦每个神经元都有一个任务,这个模型就可以让你对那个神经元做出预测。”

使用该评分系统,得到的结果如下:

神经网络模型设计了这些图像,它们能够刺激单个神经元的活动

然后,研究人员开始研究他们是否能利用这些预测来控制视觉皮层中单个神经元的活动。第一种类型的控制,他们称之为“拉伸”(stretching),即向实验者展示一幅图像,该图像将驱动特定神经元的活动,其强度远远超出通常由“自然”图像引发的活动,,这些“自然”图像与用于训练神经网络的图像类似。

  • DenseNet- 169, CORnet-S和ResNet-101是最像大脑的ANN
  • 任何人工神经网络都无法预测到神经和行为响应之间存在的变异性,这表明目前还没有一个人工神经网络模型能够捕捉到所有相关的机制
  • 扩展之前的工作,我们发现ANN ImageNet性能的提高导致了大脑得分的提高。然而,相关性在ImageNet表现为70%时减弱,这表明需要神经科学的额外指导才能在捕获大脑机制方面取得进一步进展
  • 比许多较小(即不那么复杂)的ANN,比表现最好的ImageNet模型更像大脑,这意味着简化ANN有可能更好地理解腹侧流(ventral stream)。

然后,他们分析了这些图像在猕猴视觉皮层产生预期效果的有效性。结果显示,这些操作有很强的效果,并对神经元群产生了相当大的选择性影响。利用这些图像,神经网络被证明可以再现动物神经反应的整体行为。

研究人员发现,当他们向动物展示这些“合成”图像时,目标神经元的反应与预期相符。这些“合成”图像是由模型生成的,不像自然物体。平均而言,神经元对这些图像的反应要比它们看到自然图像时活跃约40%。这是科学家第一次实现这种控制。

大脑的基准

研究结果表明,这些模型与大脑非常相似,可以用来控制动物的大脑状态。

控制大脑神经元,有助于治疗情绪障碍

以下是对衡量模型基准的概述。基准由一组应用于特定实验数据的指标组成,在这里可以是神经记录或行为测量。

James DiCarlo表示,这项新研究有助于确定视觉模型在脑科学研究中的有用性。此前,关于这类视觉模型是否准确地模拟了视觉皮层的工作方式存在激烈的争论。

神经科学的一个普遍趋势是,实验数据收集和计算建模在某种程度上是独立进行的,导致很少有模型验证,因此没有可测量的进展。这项的工作使这种“闭环”方法重现生机,同时进行模型预测和神经测量,这对成功构建和测试最接近大脑的模型至关重要。

神经(Neural)

澳门新葡8455最新网站 6

研究人员还表示,他们可以利用该模型来预测V4区域的神经元对合成图像的反应。之前对这些模型的大多数测试都使用了与训练模型相同的自然图像。MIT的研究团队发现,这些模型在预测大脑对合成图像的响应方面的准确率约为54%,而使用自然图像时的准确率接近90%。Bashivan说:“从某种意义上说,我们正在量化这些模型在训练领域之外做出预测的准确性。理想情况下,无论输入是什么,模型都应该能够准确预测。”研究人员希望在接下来的研究中,通过让模型吸收他们从合成图像中学到的新信息来提高模型的准确性。

神经度量的目的是确定源系统(例如,神经网络模型)的内在表征与目标系统(例如灵长类动物)中的内在表征的匹配程度。 与典型的机器学习基准测试不同,这些指标提供了一种原则性的方式来优先选择某些模型(即使它们的输出相同)。 我们在此概述了一个常见的度量标准——神经预测性,它是线性回归的一种形式。

James DiCarlo

研究人员表示,这种控制可能对想要研究不同神经元之间如何相互作用以及它们之间如何连接的神经科学家有用。将来,这种方法有助于治疗抑郁症等情绪障碍。研究人员目前正致力于将他们的模型扩展到下颞叶皮层,进入杏仁核,这是参与情绪处理的区域。Bashivan说:“如果我们有一个很好的神经元模型,这个模型可以让我们的神经元参与体验情绪,或者引发各种各样的紊乱,那么我们就可以用这个模型来驱动神经元,从而帮助改善这些紊乱。”

神经预测:图像级神经一致性

“人们质疑这些模型是否能够提供对视觉系统的理解,”James DiCarlo说:“我们没有在学术意义上争论这个问题,而是证明了这些模型已经足够强大,能够支持一项重要的新应用。不管你是否理解这个模型的工作原理,从这个意义上说,它已经很有用了。”

神经预测性用于评估源系统(例如,深度ANN)中给定图像的响应对目标系统中的响应(例如,视觉区域IT中的单个神经元响应)的预测程度。 作为输入,该度量需要两个刺激×神经元这种形式的集合,其中神经元可以是神经记录或模型激活。

他们在下面的视频采访更详细地阐述了这个研究。

首先,使用线性变换将源神经元映射到每个目标神经元,这个映射过程是在多个刺激的训练-测试分割上执行的。

训练神经网络,4步神经控制实验

在每次运行中,利用训练图像使权重适应于从源神经元映射到目标神经元,然后利用这些权重预测出的响应得到held-out图像。

在过去几年里,DiCarlo等人开发了基于人工神经网络的视觉系统模型。每个网络都以一个由模型神经元(model neurons)或节点组成的任意架构开始,这些神经元或节点可以以不同的强度相互连接。

为了获得每个神经元的神经预测性评分,通过计算Pearson相关系数,将预测的响应与测量的神经元响应进行比较。

然后,研究人员用一个包含超过100万张图像的库中训练这些模型。当研究人员向模型展示每张图像,以及图像中最突出的物体的标签时,模型通过改变连接的强度来学习识别物体。

计算所有单个神经类神经预测值的中位数(例如,在目标大脑区域测量的所有目标位置),以获得该训练-测试分割的预测得分(因为响应通常非正常地分布,所以使用中值)。所有训练-测试分割的平均值即目标大脑区域的最终神经预测得分。

很难准确地了解这个模型是如何实现这种识别的,但是DiCarlo和他的同事之前已经证明,这些模型中的“神经元”产生的活动模式与动物视觉皮层响应相同图像时的活动模式非常相似。

神经记录

在这项新研究中,研究人员想要测试他们的模型是否能够执行一些以前尚未被证明的任务。特别是,他们想看看这些模型是否可以用来控制动物视觉皮层的神经活动。

目前这个版本的大脑评分中包含的两个神经基准,其使用的神经数据集包括对88个V4神经元和168个IT神经元的2,560个自然刺激神经响应(如图1):

他们进行了几个闭环的神经生理学实验:在将模型神经元与每个记录的大脑神经位置匹配之后,使用该模型合成了全新的“控制器”(controller)图像。

澳门新葡8455最新网站 7

澳门新葡8455最新网站 8

图1 大脑评分概述使用两类指标来比较神经网络:神经指标将内部活动与macaque腹侧流区域进行比较,行为指标比较输出的相似性。对于小的、随机组合的模型(灰点),大脑得分与ImageNet的性能相关,但是对于当前最先进的模型(绿点)来说,其性能在70%的前1级变得很弱。

合成程序概述

该图像集由2560张灰度图像组成,分为八个对象类别(动物、船只、汽车、椅子、人脸、水果、平面、桌子)。每个类别包含8个独特的对象(例如,“face”类别有8张独特的脸)。图像集是通过在自然主义背景上粘贴一个3D对象模型生成的。在每个图像中,随机选择对象的位置,姿势和大小,以便为灵长类动物和机器创建具有挑战性的物体识别任务。 每个图像都使用了圆形掩模。

如上图所示,神经控制实验分四步完成:通过训练大量标记的自然图像来优化神经网络的参数;ANN “神经元” 被映射到每个记录的 V4 神经位点,构成可计算的预测模型。然后将得到的模型用于合成单个位点或群体控制的 “控制器” 图像。最后由实验者将由这些图像指定的发光模式应用于受试者的视网膜,并测量神经部位的控制程度。

行为

上图显示了猴 M,猴 N和猴 S大脑中神经位点的感受野。

行为基准的目的是在任何给定任务中计算源(例如,ANN模型)和目标(例如,人类或猴子)的行为响应之间的相似性。对于核心对象识别任务,灵长类动物(包括人类和猴子)表现出与ground-truth标签不同的行为模式。因此,这里的主要基准是一个行为响应模式度量,而不是一个全面的准确性度量。ANN能够生成和预测灵长类动物的成功和失败模式,因此可以获得更高的分数。这样做的一个结果是,达到100%准确率的ANN不会达到完美的行为相似性评分。

然后,研究人员将这些图像呈现给每个受试者,以测试模型控制受试者神经元的能力。在一项测试中,他们要求模型尝试控制每个神经元,使其激活程度超过其通常观察到的最大激活水平。研究人员发现,模型生成的合成刺激成功地驱动了68%的神经位点超出了它们的自然观察激活水平。

I2n:标准化的图像级行为一致性

澳门新葡8455最新网站 9

总量为i 的图像数据源(模型特征)首先使用可用的行为数据转换为目标类别c和图像ib的一个矩阵ib×c。

单个神经控制的一个示例

灵长类动物的行为数据

在令一项更严格的测试中,该模型显示,它能够选择性地控制整个神经亚群,激活一个特定的神经元,同时使其他记录的神经元失活。

当前一轮基准测试中使用的行为数据是从Rajalingham等人与2015和2018年的研究论文中获得的。这里我们只关注人类行为数据,但是人类和非人类灵长类动物行为模式非常相似。

澳门新葡8455最新网站 10

此数据收集中使用的图像集与V4的图像生成方式类似,并且使用了24个对象类别。数据集总共包含2,400个图像(每个对象100个)。在这个基准测试中,我们使用了240张(每个物体10张)获得最多试验的图像。1472名人类观察者对亚马逊土耳其机器人提供的图像进行了简短的响应。在每次试验中,一幅图像呈现100毫秒,然后是有两个响应选择,一个对应于图像中出现的目标对象,另一个是其余23个对象。参与者通过选择图像中呈现的对象来响应。因此,对于每一个target-distractor对儿,从多个参与者中共获得了超过三十万的响应。

神经元群的控制

大脑得分

接下来,研究人员使用这些合成的controller图像来研究模型预测大脑反应的能力是否适用于这些图像。他们发现该模型确实相当准确,预测了54%的由图像引起的大脑反应模式,但它显然还不完美。

为了评估一个模型整体表现的好坏,我们将神经V4预测得分、神经IT预测得分和行为I2n预测得分做一个组合计算来得到大脑评分。这里给出的脑分数是这三个分数的平均值。这种方法不能通过不同的分数尺度进行标准化,因此它可能会惩罚低方差的分数,但它也不会对分数的显著差异做出任何假设,这些差异会出现在排名中。

“到目前为止,对这些模型所做的工作是预测神经会对其他刺激产生什么反应,这些刺激是他们以前从未见过的。”Bashivan说:“这次的研究主要的不同之处在于,我们更进了一步,利用这些模型将神经元驱动到所需的状态。”

实验结果

为了实现这一目标,研究人员首先创建了大脑的视觉区域V4中的神经元和计算模型中的节点的一对一映射。他们通过分别向动物和模型展示图像,并比较它们对相同图像的反应来实现这一点。V4区域有数百万个神经元,但在这项研究中,研究人员每次为5到40个神经元的亚群创建映射。

该团队检查了大量在ImageNet上训练的深层神经网络,并将它们的内在表征与V4、IT和人类行为测量中的非人类视觉皮层区域的神经记录进行了比较。

DiCarlo说:“一旦每个神经元都有一个任务,这个模型就可以让你对那个神经元做出预测。”

最先进的排名

然后,研究人员开始研究他们是否能利用这些预测来控制视觉皮层中单个神经元的活动。第一种类型的控制,他们称之为“拉伸”(stretching),即向实验者展示一幅图像,该图像将驱动特定神经元的活动,其强度远远超出通常由“自然”图像引发的活动,,这些“自然”图像与用于训练神经网络的图像类似。

澳门新葡8455最新网站 11

澳门新葡8455最新网站 12

表1 总结了每个模型在大脑基准测试范围内的得分

单个神经位点的最大驱动

相对于ImageNet性能的大脑得分如图1所示。在目前的基准测试中,最强的模型是DenseNet-169,其大脑得分为549,紧随其后的是CORnet-S和ResNet-101,其大脑得分分别为544和542。 目前来自机器学习社区的ImageNet上的顶级模型都来自DenseNet和ResNet系列模型。 DenseNet-169和ResNet-101也是IT神经预测和行为预测性得分最高的模型之一,IT分数为0.604(DenseNet-169,图层conv5_block16_concat)和行为得分为ResNet-101。

研究人员发现,当他们向动物展示这些“合成”图像时,目标神经元的反应与预期相符。这些“合成”图像是由模型生成的,不像自然物体。平均而言,神经元对这些图像的反应要比它们看到自然图像时活跃约40%。

个人神经和行为基准的得分

这是科学家第一次实现这种控制。

以往的研究发现,分类性能较高的模型更容易预测神经数据。 在这里,我们通过证明这种性能驱动的方法在广泛的ImageNet性能体系中在多个深度神经网络上进行评估时,广泛意义上扩展了这项工作,但是在达到人类性能水平时未能产生与大脑完全匹配的网络( 见图1)。

控制大脑神经元,有助于治疗情绪障碍

在个人得分上,ImageNet的表现与大脑得分的相关性有很大的差异(图2)。例如,V4单站点响应最好不仅是由VGG-19(ImageNet top-1性能71.10%)预测出来的,而且还有Xception(79.00%top-1)。 同样,IT单站点响应最好是由DenseNet-169(.606; 75.90%top-1)预测出来的,但即使是BaseNets(.592; 47.64%top-1)和MobileNets(.590; 69.80%top-1)也是非常接近相同的IT神经预测评分。

神经科学的一个普遍趋势是,实验数据收集和计算建模在某种程度上是独立进行的,导致很少有模型验证,因此没有可测量的进展。这项的工作使这种“闭环”方法重现生机,同时进行模型预测和神经测量,这对成功构建和测试最接近大脑的模型至关重要。

澳门新葡8455最新网站 13

研究人员还表示,他们可以利用该模型来预测V4区域的神经元对合成图像的反应。之前对这些模型的大多数测试都使用了与训练模型相同的自然图像。MIT的研究团队发现,这些模型在预测大脑对合成图像的响应方面的准确率约为54%,而使用自然图像时的准确率接近90%。

澳门新葡8455最新网站 14

Bashivan说:“从某种意义上说,我们正在量化这些模型在训练领域之外做出预测的准确性。理想情况下,无论输入是什么,模型都应该能够准确预测。”

图2 所有模型对神经和行为基准的预测性

研究人员希望在接下来的研究中,通过让模型吸收他们从合成图像中学到的新信息来提高模型的准确性。

相比之下,ImageNet性能和行为预测性之间的相关性依然强劲,AlexNet(57.50%排名前1)或BaseNets的表现远远低于最佳模型。然而,行为得分上表现最好的模型并不是ImageNet上最先进的模型:ResNet-101在行为得分(.389)上排名最高,但是ImageNet排名前1的表现为77.37%。 PNASNet实现了更高的ImageNet性能(82.90%排名前1),但行为得分显着降低(.351)。

研究人员表示,这种控制可能对想要研究不同神经元之间如何相互作用以及它们之间如何连接的神经科学家有用。将来,这种方法有助于治疗抑郁症等情绪障碍。研究人员目前正致力于将他们的模型扩展到下颞叶皮层,进入杏仁核,这是参与情绪处理的区域。

事实上,ImageNet前1名表现与行为评分之间的相关性似乎正在削弱,模型在ImageNet上表现良好,与行为得分几乎没有关联,这表明通过继续努力推动ImageNet,可能无法实现与行为数据更好的一致性。

Bashivan说:“如果我们有一个很好的神经元模型,这个模型可以让我们的神经元参与体验情绪,或者引发各种各样的紊乱,那么我们就可以用这个模型来驱动神经元,从而帮助改善这些紊乱。”

我们使用神经预测性评估区域V4和IT以及使用I2n的行为记录。 目前最好的型号是:V4上的VGG-19,IT上的DenseNet-169和行为上的ResNet-101。 值得注意的是,DenseNet-169,CORnet-S和ResNet-101是所有三个基准测试的强大模型。 V4为0.892,IT为0.817,行为为.497。

“他们成功地做到了这一点,真的很了不起。就好像,至少对那个神经元来说,它的理想图像突然变成焦点,神经元突然被提供了它一直在寻找的刺激,”匹兹堡大学生物工程副教授Aaron Batista评价道:“这是一个了不起的想法,一项了不起的壮举。这可能是迄今为止,对使用人工神经网络来理解真实神经网络的最强有力的验证。”

通过定期更新大脑数据的大脑评分来评估和跟踪模型基准的对应关系可以让这个系统更加完善。因此,该团队发布了Brain-Score.org,一个承载神经和行为基准的平台,在这个平台上,可以提交用于视觉处理的ANN,以接收大脑评分及其相对于其他模型的排名,新的实验数据可以自然地纳入其中。

参考链接:

原文链接:

返回搜狐,查看更多

{"type":2,"value":"

责任编辑:

本文由澳门新葡8455最新网站发布于澳门新葡8455最新网站,转载请注明出处:MIT等人工神经网络评分系统,AI控制了动物大脑

关键词:

基于PaddlePaddle的机器翻译教程,神经机器翻译

原标题:EMNLP 2018 |结合通用和专用NMT的优势,CMU为NMT引入「语境参数生成器」 原文:https://www.tensorflow.org/versions/r1....

详细>>

想捂也捂不住的汽车安全漏洞,几秒钟黑入并开走特斯拉

原标题:黑客用价值约4000元人民币设备 几秒钟黑入并开走特斯拉 原标题:600 美元秒开特斯拉 Model S,这帮“学院派...

详细>>

人类和月球,星球物质被超级黑洞吞噬

原标题:新阿波罗8号《地出》纪录片是“写给地球的情书” 这些惊艳的图片向我们展示了美国国家航空航天局(NA...

详细>>

惠普发布金属喷射3D打印机,惠普推出首款金属增材制造系统M

原标题:【产品】惠普推出首款金属增材制造系统Metal Jet 原标题:惠普推出批量化生产金属 3D 的打印技术 Metal Jet 澳...

详细>>