تحقیقات در زمینه یادگیری ماشینی و هوش مصنوعی، که اکنون یک فناوری کلیدی در عملاً در هر صنعت و شرکتی است، بسیار حجیم تر از آن است که کسی بتواند همه آن را بخواند. هدف این ستون جمع‌آوری برخی از مرتبط‌ترین اکتشافات و مقالات اخیر – به ویژه در زمینه هوش مصنوعی، اما نه محدود به آن – و توضیح دلیل اهمیت آنهاست.

این هفته اپلیکیشن‌های هوش مصنوعی به دلیل توانایی آن در مرتب‌سازی مقادیر زیادی از داده‌ها یا پیش‌بینی‌های معقول بر اساس شواهد محدود، در چندین جایگاه غیرمنتظره یافت شدند.

مدل‌های یادگیری ماشینی را دیده‌ایم که مجموعه‌های داده‌های بزرگ را در بیوتکنولوژی و امور مالی به کار می‌گیرند، اما محققان در ETH زوریخ و LMU مونیخ تکنیک‌های مشابهی را برای داده‌های تولید شده توسط پروژه‌های کمک‌های توسعه بین‌المللی مانند امدادرسانی در بلایای طبیعی و مسکن به کار می‌برند. این تیم مدل خود را بر روی میلیون‌ها پروژه (مبلغ 2.8 تریلیون دلار بودجه) در 20 سال گذشته آموزش داده است، مجموعه داده عظیمی که آنقدر پیچیده است که نمی‌توان آن را به صورت دستی با جزئیات تجزیه و تحلیل کرد.

می‌توانید این فرآیند را تلاشی برای خواندن یک کتابخانه کامل و دسته‌بندی کتاب‌های مشابه در قفسه‌های موضوعی خاص در نظر بگیرید. مالت توتزکه، نویسنده این مطالعه، گفت: الگوریتم ما 200 بعد مختلف را در نظر می گیرد تا مشخص کند که این 3.2 میلیون پروژه چقدر شبیه به یکدیگر هستند – حجم کاری غیرممکن برای یک انسان.

روندهای بسیار سطح بالا نشان می دهد که هزینه ها برای گنجاندن و تنوع افزایش یافته است، در حالی که هزینه های آب و هوایی به طور شگفت انگیزی در چند سال گذشته کاهش یافته است. شما می توانید مجموعه داده ها و روندهایی را که آنها تجزیه و تحلیل کرده اند در اینجا بررسی کنید.

حوزه دیگری که کمتر کسی به آن فکر می کند، تعداد زیاد قطعات و قطعات ماشین آلات است که توسط صنایع مختلف در یک کلیپ عظیم تولید می شود. برخی را می توان مجددا استفاده کرد، برخی را بازیافت کرد، برخی دیگر را باید مسئولانه دور انداخت – اما تعداد زیادی وجود دارد که متخصصان انسانی نمی توانند از آنها عبور کنند. شرکت آلمانی تحقیق و توسعه Fraunhofer یک مدل یادگیری ماشینی برای شناسایی قطعات ایجاد کرده است تا بتوان از آنها به جای رفتن به حیاط ضایعات استفاده کرد.

این سیستم بیش از نماهای دوربین معمولی متکی است، زیرا ممکن است قطعات شبیه به هم به نظر برسند، اما بسیار متفاوت باشند، یا از نظر مکانیکی یکسان باشند، اما از نظر بصری به دلیل زنگ زدگی یا سایش متفاوت باشند. بنابراین هر قسمت نیز توسط دوربین های سه بعدی وزن و اسکن می شود و مبدا ابرداده نیز گنجانده شده است. سپس مدل پیشنهاد می‌کند که آن قطعه چه چیزی است تا انسان در حال بازرسی آن را از ابتدا شروع نکند. امید است با استفاده از این روش شناسایی به کمک هوش مصنوعی، ده‌ها هزار قطعه به زودی ذخیره شوند و پردازش میلیون‌ها قطعه تسریع شود.

فیزیکدانان راه جالبی برای به کار بردن ویژگی‌های ML در یک مشکل چند صد ساله یافته‌اند. اساساً محققان همیشه به دنبال راه‌هایی برای نشان دادن این هستند که معادلات حاکم بر دینامیک سیالات (که برخی از آنها، مانند اویلر، به قرن هجدهم برمی‌گردد) ناقص هستند – که در مقادیر شدید خاصی شکسته می‌شوند. با استفاده از تکنیک های محاسباتی سنتی انجام این کار دشوار است، اگرچه غیرممکن نیست. اما محققان در CIT و دانشگاه هانگ سنگ در هنگ کنگ روش یادگیری عمیق جدیدی را برای جداسازی نمونه‌های احتمالی تکینگی دینامیک سیالات پیشنهاد می‌کنند، در حالی که دیگران این روش را به روش‌های دیگری در این زمینه به کار می‌برند. این مقاله Quanta این پیشرفت جالب را به خوبی توضیح می دهد.

یکی دیگر از مفاهیم قرن‌ها قدمت برای گرفتن لایه ML، کیریگامی است، هنر برش کاغذ که بسیاری در زمینه ایجاد دانه‌های برف کاغذی با آن آشنا هستند. این تکنیک به‌خصوص در ژاپن و چین به قرن‌ها پیش بازمی‌گردد و می‌تواند ساختارهای بسیار پیچیده و انعطاف‌پذیری تولید کند. محققان آزمایشگاه ملی آرگون از این مفهوم الهام گرفتند تا ماده دو بعدی را نظریه‌پردازی کنند که می‌تواند الکترونیک را در مقیاس میکروسکوپی حفظ کند، اما به راحتی خم شود.

این تیم ده ها هزار آزمایش را با 1-6 برش به صورت دستی انجام داده بود و از آن داده ها برای آموزش مدل استفاده کرد. آنها سپس از یک ابررایانه وزارت انرژی برای انجام شبیه سازی تا سطح مولکولی استفاده کردند. در عرض چند ثانیه یک تغییر 10 برشی با 40 درصد کشش تولید کرد، بسیار فراتر از آن چیزی که تیم انتظار داشت یا حتی به تنهایی امتحان کرده بود.

“این چیزهایی را کشف کرده است که ما هرگز به آن نگفتیم که بفهمد. پانکاج راجک، سرپرست پروژه، می‌گوید: «آن چیزی را همانطور که یک انسان یاد می‌گیرد یاد گرفت و از دانش خود برای انجام کاری متفاوت استفاده کرد. موفقیت آنها را بر آن داشته تا پیچیدگی و دامنه شبیه سازی را افزایش دهند.

یک برون یابی جالب دیگر که توسط یک هوش مصنوعی آموزش دیده انجام شده است، مدل بینایی کامپیوتری است که داده های رنگی را از ورودی های مادون قرمز بازسازی می کند. معمولاً دوربینی که مادون قرمز را می گیرد، چیزی در مورد رنگ یک شی در طیف مرئی نمی داند. اما این آزمایش همبستگی‌هایی را بین باندهای IR خاص و باندهای مرئی پیدا کرد و مدلی برای تبدیل تصاویر صورت‌های انسان‌های گرفته‌شده در IR به تصاویری که طیف مرئی را تقریبی می‌کنند، ایجاد کرد.

این هنوز فقط یک اثبات مفهوم است، اما چنین انعطاف پذیری طیف می تواند ابزار مفیدی در علم و عکاسی باشد.

در همین حال، یک مطالعه جدید توسط جف دین، رهبر هوش مصنوعی گوگل، مخالف این تصور است که هوش مصنوعی به دلیل نیازهای محاسباتی بالا، تلاشی پرهزینه برای محیط زیست است. در حالی که برخی تحقیقات نشان داده اند که آموزش یک مدل بزرگ مانند OpenAI’s GPT-3 می تواند انتشار دی اکسید کربنی معادل یک محله کوچک ایجاد کند، مطالعه وابسته به گوگل ادعا می کند که “پیروی از بهترین شیوه ها” می تواند انتشار کربن یادگیری ماشینی را تا 1000 برابر کاهش دهد.

روش‌های مورد بحث مربوط به انواع مدل‌های مورد استفاده، ماشین‌های مورد استفاده برای آموزش مدل‌ها، «مکانیزه‌سازی» (مثلاً محاسبات در فضای ابری در مقابل رایانه‌های محلی) و «نقشه» (انتخاب مکان‌های مرکز داده با پاک‌ترین انرژی) است. به گفته نویسندگان همکار، انتخاب مدل‌های «کارآمد» به تنهایی می‌تواند محاسبات را با فاکتورهای 5 تا 10 کاهش دهد، در حالی که استفاده از پردازنده‌های بهینه‌سازی شده برای آموزش یادگیری ماشین، مانند پردازنده‌های گرافیکی، می‌تواند نسبت عملکرد به وات را با فاکتورهای 2 به 5 بهبود بخشد.

هر رشته تحقیقاتی که نشان دهد می‌توان تاثیرات زیست‌محیطی هوش مصنوعی را کاهش داد، در واقع دلیلی برای جشن گرفتن است. اما باید به این نکته اشاره کرد که گوگل یک طرف بی طرف نیست. بسیاری از محصولات این شرکت، از Google Maps گرفته تا Google Search، بر مدل‌هایی متکی هستند که برای توسعه و اجرا به انرژی زیادی نیاز دارند.

مایک کوک، یکی از اعضای گروه تحقیقاتی باز چاقوها و قلموها، خاطرنشان می کند که – حتی اگر تخمین های این مطالعه دقیق باشد – دلیل خوبی وجود ندارد که یک شرکت در صورت منفعت، به روشی ناکارآمد از نظر انرژی رشد نکند. آنها در حالی که گروه‌های دانشگاهی ممکن است به معیارهایی مانند تأثیر کربن توجه کنند، شرکت‌ها به همان شیوه – حداقل در حال حاضر – انگیزه ندارند.

دلیل اصلی شروع این گفتگو این است که شرکت‌هایی مانند گوگل و OpenAI به طور موثر بودجه بی‌نهایتی داشتند و تصمیم گرفتند از آن برای ساخت مدل‌هایی مانند GPT-3 و BERT به هر قیمتی استفاده کنند، زیرا می‌دانستند که این امر به آنها کمک می‌کند. کوک از طریق ایمیل به TechCrunch گفت. در مجموع، من فکر می‌کنم که مقاله چیزهای خوبی را بیان می‌کند و اگر به کارایی فکر کنیم، بسیار خوب است، اما به نظر من این موضوع فنی نیست – ما به طور قطع می‌دانیم که این شرکت‌ها زمانی که نیاز داشته باشند بزرگ خواهند شد. ، آنها خود را مهار نمی کنند، بنابراین گفتن این موضوع اکنون برای همیشه حل شده است، مانند یک خط خالی است.

آخرین موضوع برای این هفته در واقع در مورد یادگیری ماشینی نیست، بلکه این است که چه چیزی می تواند راهی برای شبیه سازی مغز به روشی مستقیم تر باشد. محققان بیوانفورماتیک EPFL یک مدل ریاضی برای ایجاد هزاران نورون شبیه سازی شده منحصر به فرد اما دقیق ایجاد کردند که در نهایت می توانند برای ساختن دوقلوهای دیجیتالی نوروآناتومی استفاده شوند.

لیدا کاناری، محقق، گفت: «یافته‌ها در حال حاضر به Blue Brain امکان ساخت بازسازی‌ها و شبیه‌سازی‌های دقیق بیولوژیکی از مغز موش را با بازسازی محاسباتی نواحی مغز برای شبیه‌سازی‌هایی که ویژگی‌های آناتومیکی مورفولوژی‌های عصبی را تکرار می‌کنند و شامل آناتومی ناحیه خاص می‌شوند، می‌دهد.»

انتظار نداشته باشید که مغزهای سیم کارت هوش مصنوعی بهتری را ایجاد کنند – این بسیار به دنبال پیشرفت در علوم اعصاب است – اما شاید بینش شبکه های عصبی شبیه سازی شده ممکن است منجر به پیشرفت های اساسی در درک فرآیندهایی شود که هوش مصنوعی به دنبال تقلید دیجیتالی است.

تجزیه و تحلیل در رشته مطالعه ماشین و هوش مصنوعی، که اکنون یک دانش کلیدی در تقریباً هر تجارت و شرکتی است، برای کسی که نتواند همه آن را یاد بگیرد، بسیار حجیم است. هدف این ستون جمع‌آوری در میان مرتبط‌ترین اکتشافات و مقالات کنونی – به ویژه در هوش مصنوعی، هرچند محدود به آن نیست – و توضیح اینکه چرا اهمیت دارند.

عملکردهای هوش مصنوعی در این هفته در تعدادی از جایگاه‌های شگفت‌انگیز وجود داشته است که به دلیل ابزارهایی است که از طریق مقادیر عظیم اطلاعات انجام می‌دهد، یا پیش‌بینی‌های عاقلانه را عمدتاً بر اساس اثبات محدود انجام می‌دهد.

ما مدهای مطالعه ماشینی را دیده‌ایم که واحدهای دانش بزرگی را در بیوتکنولوژی و امور مالی به خود اختصاص داده‌اند، با این حال محققان ETH زوریخ و LMU مونیخ در حال استفاده از روش‌های مرتبط برای اطلاعات تولید شده توسط بهبود جهانی کارهای کمکی هستند که یادآور کاهش فاجعه و مسکن هستند. نیروی کار مانکن خود را در هزاران و هزاران کار (به مبلغ 2.8 تریلیون دلار بودجه) از 20 سال آخر ماهر بود، مجموعه داده بی نهایتی که برای تجزیه و تحلیل دستی دقیق آنقدر پیشرفته است.

«می‌توانید این روش را به عنوان یک امتحان در نظر بگیرید و یک کتابخانه کامل و کتاب‌های مرتبط را در کابینت‌های موضوعی خاص یاد بگیرید. الگوریتم ما 200 بعد کاملاً متفاوت را در نظر می گیرد تا بفهمد این 3.2 میلیون کار چقدر با یکدیگر مرتبط هستند – حجم کاری غیرقابل تصور برای یک انسان.

گرایش های بسیار سطح بالا توصیه می کنند که هزینه های مربوط به گنجاندن و تنوع افزایش یافته است، در حالی که هزینه های آب و هوای محلی به طور شگفت انگیزی در چند سال گذشته کاهش یافته است. می توانید نگاه کنید

مجموعه داده ها و گرایش هایی که آنها در اینجا تحلیل کردند.

یکی دیگر از فضایی که افراد کمی به آن توجه می کنند، تنوع گسترده عناصر و قطعات ماشینی است که توسط صنایع مختلف در یک کلیپ بی نهایت تولید می شوند. برخی ممکن است مورد استفاده مجدد قرار گیرند، برخی بازیافت شوند، برخی دیگر باید مسئولانه دور ریخته شوند – با این حال، تعداد زیادی برای متخصصان انسانی وجود دارد که نمی‌توان آنها را متحمل شد. شرکت آلمانی تحقیق و توسعه Fraunhofer یک ماشین مطالعه مانکن برای کشف عناصر ایجاد کرده است که به آنها اجازه می دهد به عنوان جایگزینی برای رفتن به حیاط قراضه استفاده شوند.

این سیستم به بیشتر از نماهای دوربین دیجیتال غیر معمول بستگی دارد، زیرا ممکن است عناصر مرتبط به نظر برسند، اما کاملاً متفاوت باشند، یا از نظر مکانیکی معادل باشند، اما از نظر بصری به دلیل زنگ زدگی یا قرار گرفتن متفاوت باشند. بنابراین هر نیمه را می توان با دوربین های سه بعدی وزن و اسکن کرد و ابرداده هایی مانند مبدا را می توان در آن گنجاند. سپس مانکن پیشنهاد می‌کند که فکر می‌کند نیمه چیست تا انسان مجبور نباشد آن را از ابتدا بررسی کند. امید است با استفاده از این روش شناسایی به کمک هوش مصنوعی، ده ها صد عنصر به سرعت ذخیره شوند و پردازش هزاران و هزاران تسریع شود.

فیزیکدانان روشی جذاب را برای ارائه ویژگی‌های ML کشف کرده‌اند که در صدها قدمت منفی خود را نشان می‌دهد. اساساً محققان همیشه در جستجوی روش‌هایی هستند تا به این نکته اشاره کنند که معادلات حاکم بر دینامیک سیالات (که تعدادی از آنها مانند اویلر به قرن هجدهم بازمی‌گردند) ناقص هستند – که در مقادیر بیش از حد قطعی می‌شوند. استفاده از روش‌های محاسباتی مرسوم که انجام آن دشوار است، اگرچه غیرقابل تصور نیست. با این حال، محققان در CIT و کالج Cling Seng در هنگ‌کنگ یک روش مطالعه عمیق کاملاً جدید را برای جداسازی موقعیت‌های ظاهراً تکینگی‌های دینامیک سیالات پیشنهاد می‌کنند، در حالی که دیگران از این روش در روش‌های مختلف در حوزه استفاده می‌کنند. این مقاله Quanta این پیشرفت شگفت‌انگیز را به درستی توضیح می‌دهد.

یکی دیگر از ایده‌های قرن‌ها قدیمی برای گرفتن لایه ML، کیریگامی است، اثر هنری برش کاغذ که بسیاری می‌توانند در زمینه ساخت دانه‌های برف کاغذی با آن آشنا باشند. این روش قرن ها به طور خاص در ژاپن و چین تکرار می شود و ممکن است ساخت و سازهای بسیار پیشرفته و همه کاره ای را تولید کند. محققان در آزمایشگاه سراسری Argonne از این ایده الهام گرفتند تا مواد دوبعدی را ارائه کنند که ممکن است الکترونیک را در مقیاس میکروسکوپی حفظ کند اما علاوه بر آن به سادگی انعطاف پذیر باشد.

نیروی کار ده ها صد آزمایش را با 1-6 برش دستی انجام داده بود و از این دانش برای مربیگری مانکن استفاده کرد. آنها سپس از یک ابررایانه Division of Vitality برای انجام شبیه سازی تا مرحله مولکولی استفاده کردند. در عرض چند ثانیه یک تغییر 10 برشی با قابلیت کشش 40 p.c تولید کرد که بسیار فراتر از چیزی است که نیروی کار پیش‌بینی کرده بود و حتی به تنهایی امتحان کرده بود.

شبیه سازی مولکول هایی که یک ماده کششی دوبعدی را تشکیل می دهند.
اعتبار تصویر: آزمایشگاه های سراسری آرگون

«مسائلی را کشف کرده است که ما به هیچ وجه به آن توصیه نکرده‌ایم که تعیین کند. این یک چیز را به روشی که یک انسان یاد می گیرد کشف کرد و از داده های آن برای انجام یک کار کاملاً متفاوت استفاده کرد. موفقیت آنها را برانگیخت تا پیچیدگی و دامنه شبیه سازی را گسترش دهند.

یکی دیگر از برون یابی های جذاب که توسط یک هوش مصنوعی ماهر انجام شده است، دارای یک مانکن تخیلی و باهوش کامپیوتر است که دانش رنگ را از ورودی های مادون قرمز بازسازی می کند. معمولاً دوربین دیجیتالی که مادون قرمز را می گیرد، چیزی در مورد رنگ بندی یک شی در طیف دیده شده نمی داند. با این حال، این آزمایش همبستگی بین باندهای IR مطمئن و باندهای بصری را کشف کرد و مانکنی را برای تبدیل عکس‌های صورت‌های انسان که در IR گرفته شده بودند به عکس‌هایی که تقریباً طیف دیده شده است، ایجاد کرد.

با این حال، این فقط یک اثبات ایده است، با این حال، چنین انعطاف پذیری طیف ممکن است یک ابزار عالی در علم و تصاویر باشد.

در همین حال، یک بررسی کاملاً جدید توسط جف دین، رهبر هوش مصنوعی گوگل، بار دیگر در مخالفت با این تصور که هوش مصنوعی به دلیل نیازهای محاسباتی بیش از حد آن یک تلاش گران‌قیمت زیست‌محیطی است، پیش می‌رود. در حالی که برخی تحلیل‌ها کشف کرده‌اند که مربیگری مانکن‌های بزرگی مانند GPT-3 OpenAI می‌تواند انتشار دی‌اکسید کربنی برابر با یک محله کوچک ایجاد کند، بررسی وابسته به Google ادعا می‌کند که «پیروی از بهترین شیوه‌ها» می‌تواند دستگاه مطالعه انتشار کربن را به همان اندازه کاهش دهد. 1000 برابر

روش‌های مورد نظر مربوط به اشکال مدهای مورد استفاده، ماشین‌های مورد استفاده برای آموزش مدها، «مکانیزه‌سازی» (مثلاً محاسبات در فضای ابری در مقابل سیستم‌های رایانه‌ای بومی) و «نقشه» (انتخاب مکان‌های میانی دانش با تمیزترین سرزندگی) است. مطابق با نویسندگان همکار، انتخاب مدهای “محیط پسند” به تنهایی می تواند محاسبات را با عناصر 5 به 10 کاهش دهد، در حالی که استفاده از پردازنده های بهینه شده برای مربیگری مطالعه ماشینی، یادآور پردازنده های گرافیکی، می تواند نسبت عملکرد به وات را با عناصر دو افزایش دهد. به پنج

هر رشته تحلیلی که نشان دهد ممکن است تأثیر محیطی هوش مصنوعی کاهش یابد، محرک است

techcrunch _ universalpersonality : منبع

پست های مرتبط

• اپل tvOS 15.3 و HomePod 15.3 به‌روزرسانی‌های نرم‌افزار
• را منتشر کرد homePod 15.4 اپل نرم افزارآپدیت سامسونگ گلکسی اس 22
• کرتین کال آپارتمان
• روش های کاربردی و خلاقانه برای ادغام درب های محوری داخلی در خانه