2020年7月，康奈尔大学Thorsten Joachims教授团队发表了公平无偏的排序学习模型FairCo，一举夺得了信息检索领域顶会SIGIR 2020论文奖。

　　该研究分析了当前排序模型普遍存在的位置偏差、排序公平性以及物品曝光的马太效应问题等，基于反事实学习技术提出了具有公平性约束的相关度无偏估计方法，并实现了排序性能的提升，受到了业界的广泛关注和好评。

       具体来说，其原理是通过载荷原件对盛水桶内质量变化的快速响应测量降水量，称重式降水传感器主要由承水口、外壳、内筒、载荷原件及处理单元、底座组件、防风圈等部件组成。 　

　　敏感梁在外力的作用下产生弾性変形，使粘贴在其表面的电阻应变片也随至产生变形，电阻应变片变形后，其阻值会发生变化，再经相应的测量电路把这一电阻变化转换为电信号，进而得到降水的质量。  

　　FermiNet是第一个利用深度学习来从第一性原理计算原子和分子能量的尝试，在精度和准确性上都满足科研标准，且是目前在相关领域中精准的神经网络模型。

　　而在2020年9月，德国柏林自由大学的几位科学家也提出了一种新的深度学习波函数拟设方法，它可以获得电子薛定谔方程的近乎精确解，相关研究发表在Nature Chemistry上。

　　该类研究所展现的，不仅是深度学习在解决某一特定科学问题过程中的应用，也是深度学习能在生物、化学、材料以及医药领域等各领域科研中被广泛应用的一个远大前景。

        另外，由于高通公司的阅读器是基于薄膜晶体管（TFT）构建的，该薄膜晶体管与LCD所用的材料相似，因此它能够保持低成本并保持较小的占地面积。传感器本身只有0.15mm的厚度，因此它不会切入否则会专用于电池或导致手机更大的空间。3D Sonic Max还可辨别手指的形状，并寻找几何符号，例如，拇指尖到手指中间的距离，并将其用作附加的识别层。 

　　在2020年11月19日，美国亚特兰大举行超级计算大会SC20，在会上，智源学者、北京应用物理与计算数学研究院王涵所在的“深度势能”团队，获得了高性能计算应用领域高奖项“戈登·贝尔奖”。

 　　   同时，更大的识别面积意味着在访问银行应用或敏感信息时，可启用双指指纹认证机制，3D Sonic Max可在同一时刻对两根手指的生物特征进行认证，从而进一步提高安全性。另外，在录入指纹信息时，用户只需轻轻点击一次就能完成，而无需像现在这样重复16至20次才能完成指纹信息的录入。对于那些对保护个人隐私和数据更加偏执的人来说，3D Sonic Max是个好消息。  

　　而“深度势能”团队研究的“分子动力学”，结合了分子建模、机器学习和高性能计算相关方法，能够将第一性原理精度分子动力学模拟规模扩展到1亿原子，同时计算效率相比此前人类高水平提升1000倍以上，极大地提升了人类使用计算机模拟客观物理世界的能力。

　　据悉，2018年高通宣布其3D Sonic显示屏指纹传感器时，采取了与智能手机行业其他部门不同的方法。3D Sonic系统无需依靠手指的光学图像进行身份验证，而是使用超声波获得对打印件表面纹理的印象。该方法有两个好处，即能够用湿手指使用扫描仪，并且具有比光学传感器更好的安全性。 

　　美国计算机协会评价道，基于深度学习的分子动力学模拟通过机器学习和大规模并行的方法，将精确的物理建模带入了更大尺度的材料模拟中，将来有望为力学、化学、材料、生物乃至工程领域解决实际问题(如大分子药物开发)发挥更大作用。

        高通表示，现有智能手机的指纹识别传感器有效面积为4mm×9mm左右，因此只能探测到手指指纹的部分信息。而3D Sonic Max更大的识别面积、更大的传感器，能够捕获和识别更多的指纹信息，并寻找更多标识以识别用户的身份，从而带来更严格和更安全的指纹识别效果。据悉，其识别面积为20mm×30mm，识别错误率降低到了百万分之一，与苹果Face ID在安全性上达到了相同的水平。

　　2020年11月30日，Google旗下的DeepMind公司，其AlphaFold2人工智能系统在第14届蛋白质结构预测竞赛(CASP)中取得桂冠——在评估中的总体中位数得分达到了92.4分。

　　与上一代3D Sonic相比，Max在其硬件内执行其超声识别（即根据声波判断皮肤和其他材料之间的差异），而不必依靠算法和设备上其他位置的处理。从理论上讲，通过最小化潜在的漏洞，这也将使其比以前更安全。 

　　据悉，其准确性可以与使用冷冻电子显微镜(CryoEM)、核磁共振或X射线晶体学等实验技术解析的蛋白质3D结构相媲美，有史以来首次把蛋白质结构预测任务做到了基本接近实用的水平。