پرسپترون: هوش مصنوعی بتن را مخلوط می کند، مولکول ها و افکار را با لیزرهای فضایی طراحی می کند

به Perceptron، بررسی هفتگی TechCrunch از اخبار و تحقیقات هوش مصنوعی از سراسر جهان خوش آمدید. یادگیری ماشین تقریباً در هر صنعت یک فناوری کلیدی است و چیزهای زیادی در حال رخ دادن است که هر کسی نتواند آن را ادامه دهد. هدف این ستون جمع آوری برخی از جالب ترین اکتشافات و اسناد اخیر در زمینه هوش مصنوعی – و توضیح دلیل اهمیت آنهاست.

(قبلاً به عنوان علم عمیق شناخته می شد؛ نسخه های قبلی را اینجا ببینید.)

بررسی این هفته با یک جفت نظرسنجی آینده نگر از فیس بوک / متا آغاز می شود. اولین مورد همکاری با دانشگاه ایلینویز در Urbana-Champaign است که هدف آن کاهش انتشار گازهای گلخانه ای از تولید بتن است. بتن حدود 8 درصد از انتشار کربن را تشکیل می دهد، بنابراین حتی یک بهبود کوچک می تواند به ما در دستیابی به اهداف آب و هوایی خود کمک کند.

به این “تست قطره” می گویند.

کاری که تیم Meta/UIUC انجام داد آموزش مدلی بر روی بیش از هزار فرمول بتن بود که در نسبت‌های ماسه، سرباره، شیشه آسیاب شده و مواد دیگر متفاوت بود (نمونه‌ای از یک قطعه بتن فوتوژنیک‌تر را در بالا می‌بینید). با کشف روندهای ظریف در این مجموعه داده، او توانست تعدادی فرمول جدید را استخراج کند که هم برای قدرت و هم برای آلایندگی کم بهینه می شود. به نظر می رسد که فرمول برنده 40 درصد کمتر از استاندارد منطقه ای انتشار دارد و مطابق با … خوب، مقداری از نیازهای قدرت این بسیار امیدوارکننده است و تحقیقات بیشتر در این زمینه باید به زودی دوباره توپ را به حرکت درآورد.

دومین متا مطالعه به تغییر در نحوه عملکرد مدل های زبان مربوط می شود. این شرکت می‌خواهد با کارشناسان تصویربرداری عصبی و سایر محققان کار کند تا نحوه مقایسه مدل‌های زبانی را با فعالیت واقعی مغز در طول کارهای مشابه مقایسه کند.

به ویژه، آنها علاقه مند به توانایی انسان برای پیش بینی کلمات بسیار جلوتر از کلمات فعلی در هنگام صحبت یا گوش دادن هستند – گویی می دانند که یک جمله به روش خاصی پایان می یابد یا یک “اما” در راه است. مدل‌های هوش مصنوعی بسیار خوب می‌شوند، اما هنوز هم عمدتاً با افزودن کلماتی مانند آجرهای لگو یکی یکی کار می‌کنند، و گاهی اوقات به عقب نگاه می‌کنند تا ببینند آیا منطقی است یا خیر. آنها تازه شروع کرده اند، اما در حال حاضر نتایج جالبی دارند.

به شورای مواد برگردیم، محققان در آزمایشگاه ملی Oak Ridge با فرمول‌بندی هوش مصنوعی سرگرم می‌شوند. با استفاده از مجموعه‌ای از محاسبات شیمی کوانتومی، هر چه که بود، تیم یک شبکه عصبی ایجاد کرد که می‌توانست خواص مواد را پیش‌بینی کند – اما سپس آن را معکوس کرد تا بتوانند ویژگی‌ها را وارد کرده و مواد را ارائه دهند.

ما می‌خواستیم به‌جای برداشتن مواد و پیش‌بینی خواص آن، خواص ایده‌آل را برای هدف خود انتخاب کنیم و برای طراحی سریع و کارآمد آن خواص با درجه بالایی از اطمینان، به عقب کار کنیم. ویکتور فانگ از ORNL گفت: این به عنوان طراحی معکوس شناخته می شود. به نظر می رسد که کار می کند – اما می توانید با اجرای کد Github، خودتان آن را بررسی کنید.

اعتبار تصویر: ETHZ

این پروژه ETHZ که نگران پیش‌بینی‌های فیزیکی در مقیاس بسیار متفاوت است، ارتفاع سایه‌های درختان را در سراسر جهان با استفاده از داده‌های ماهواره‌های Copernicus Sentinel-2 ESA (برای تصویربرداری نوری) و ماهواره‌های GEDI (محدوده لیزر مداری) ناسا تخمین می‌زند. ترکیب این دو در یک شبکه عصبی کانولوشن منجر به یک نقشه جهانی دقیق از ارتفاع درختان تا ارتفاع 55 متر می شود.

توانایی انجام این نوع تحقیقات منظم زیست توده در سطح جهانی برای پایش آب و هوا مهم است، همانطور که رالف دبی از ناسا توضیح می دهد: “ما نمی دانیم درختان در سراسر جهان چقدر بلند هستند. ما به نقشه های جهانی خوبی از محل درختان نیاز داریم. زیرا هر بار که درختان را قطع می کنیم، کربن را وارد جو می کنیم و نمی دانیم چه مقدار کربن آزاد می کنیم.

در اینجا می توانید به راحتی داده ها را به صورت نقشه مشاهده کنید.

همچنین مربوط به مناظر، این پروژه دارپا به ایجاد محیط های شبیه سازی شده در مقیاس بسیار بزرگ برای عبور وسایل نقلیه خودمختار مجازی مربوط می شود. آنها قرارداد را با اینتل منعقد کردند، اگرچه ممکن است با تماس با سازندگان بازی Snowrunner مقداری پول پس انداز کرده باشند، که اساساً آنچه DARPA می خواهد را با 30 دلار انجام می دهد.

اعتبار تصویر: اینتل

هدف RACER-Sim توسعه AV های خارج از جاده است که از قبل می دانند رعد و برق در یک صحرای صخره ای و دیگر زمین های خشن چگونه است. این برنامه 4 ساله ابتدا بر ایجاد محیط‌ها، ساخت مدل‌ها در شبیه‌ساز و سپس بر انتقال مهارت‌ها به سیستم‌های رباتیک فیزیکی تمرکز خواهد کرد.

در زمینه داروسازی هوش مصنوعی، که در حال حاضر حدود 500 شرکت مختلف دارد، MIT رویکرد معقولی در مدلی دارد که تنها مولکول‌هایی را ارائه می‌کند که واقعاً می‌توانند ساخته شوند. «مدل‌ها اغلب ساختارهای مولکولی جدیدی را پیشنهاد می‌کنند که تولید آنها در آزمایشگاه دشوار یا غیرممکن است. اگر شیمیدان واقعا نتواند یک مولکول بسازد، خواص مبارزه با بیماری آن را نمی توان آزمایش کرد.

عالی به نظر می رسد، اما آیا می توانید بدون پودر شاخ تک شاخ این کار را انجام دهید؟

مدل MIT تضمین می‌کند که مولکول‌ها از موادی ساخته شده‌اند که می‌توان آنها را خریداری کرد و واکنش‌های شیمیایی که بین آن مواد انجام می‌شود از قوانین شیمی پیروی می‌کند. شبیه کاری است که Molecule.one انجام می دهد، اما در فرآیند کشف ادغام شده است. مطمئناً خوب است بدانید که درمان معجزه آسایی که هوش مصنوعی شما ارائه می دهد نیازی به پودر شگفت انگیز یا سایر مواد عجیب و غریب ندارد.

کار دیگری از موسسه فناوری ماساچوست، دانشگاه واشنگتن و دیگران شامل آموزش روبات‌ها برای تعامل با اشیاء روزمره است – چیزی که همه ما امیدواریم در چند دهه آینده عادی شود، زیرا برخی از ما ماشین ظرفشویی نداریم. مشکل این است که گفتن دقیق نحوه تعامل افراد با اشیا بسیار دشوار است، زیرا ما نمی‌توانیم داده‌های خود را با دقت بالایی برای آموزش یک مدل انتقال دهیم. بنابراین حاشیه نویسی داده ها و برچسب گذاری دستی زیادی وجود دارد.

تکنیک جدید بر مشاهده و استخراج هندسه سه بعدی بسیار دقیق متمرکز است، بنابراین فقط چند نمونه از گرفتن یک شی توسط شخص لازم است تا سیستم بتواند نحوه انجام آن را خودش بیاموزد. معمولاً ممکن است صدها مثال یا هزاران تکرار در یک شبیه ساز طول بکشد، اما این مورد فقط به 10 نمایش انسانی در هر شی نیاز دارد تا بتواند آن شی را به طور مؤثر دستکاری کند.

اعتبار تصویر: MIT

او با این حداقل آموزش به 85 درصد موفقیت بسیار بهتر از مدل پایه دست یافت. در حال حاضر به چند دسته محدود می شود، اما محققان امیدوارند که بتوان آن را خلاصه کرد.

هفته گذشته کار امیدوارکننده‌ای از Deepmind بر روی یک «مدل زبان بصری» چندوجهی است که دانش بصری را با دانش زبانی ترکیب می‌کند، بنابراین ایده‌هایی مانند «سه گربه روی حصار نشسته‌اند» چیزی شبیه به تلاقی گرامر و تصویر دارند. به هر حال، این روشی است که ذهن خود ما کار می کند.

فلامینگوها، مدل جدید «هدف عمومی» آن‌ها، می‌توانند شناسایی بصری را انجام دهند اما در گفتگو نیز شرکت کنند، نه به این دلیل که دو مدل در یک هستند، بلکه به این دلیل که زبان و درک بصری را با هم ترکیب می‌کنند. همانطور که از سایر سازمان‌های تحقیقاتی دیده‌ایم، این نوع رویکرد چندوجهی عملکرد خوبی دارد، اما همچنان بسیار آزمایشی و محاسباتی فشرده است.