تحقیقات در زمینه یادگیری ماشینی و هوش مصنوعی، که اکنون یک فناوری کلیدی در تقریباً هر صنعت و شرکتی است، برای هر کسی بسیار حجیم است. هدف این ستون، Perceptron (علم عمیق سابق)، جمع آوری برخی از مرتبط ترین اکتشافات و اسناد اخیر – به ویژه در هوش مصنوعی، اما نه محدود به آن – و توضیح دلیل اهمیت آنهاست.
این هفته، در زمینه هوش مصنوعی، تیمی از مهندسان دانشگاه گلاسکو “پوست مصنوعی” را توسعه دادند که می تواند آزمایش و پاسخ به درد شبیه سازی شده را بیاموزد. در جاهای دیگر، محققان DeepMind یک سیستم یادگیری ماشینی را توسعه داده‌اند که پیش‌بینی می‌کند بازیکنان کجا در زمین می‌دوند، در حالی که تیم‌هایی از دانشگاه هنگ کنگ در چین (CUHK) و دانشگاه Tsinghua الگوریتم‌هایی توسعه داده‌اند که می‌تواند عکس‌ها – و حتی ویدیوهای واقعی – از مدل‌های انسانی تولید کند. .
طبق یک بیانیه مطبوعاتی، چرم مصنوعی تیم گلاسکو از نوع جدیدی از سیستم پردازش مبتنی بر “ترانزیستورهای سیناپسی” استفاده کرد که برای تقلید از مسیرهای عصبی مغز طراحی شده است. ترانزیستورهای ساخته شده از نانو رساناهای اکسید روی چاپ شده روی سطح پلاستیک انعطاف پذیر به یک حسگر پوستی متصل می شوند که تغییرات مقاومت الکتریکی را تشخیص می دهد.
اعتبار تصویر: دانشگاه گلاسکو
در حالی که چرم مصنوعی قبلاً آزمایش شده بود، تیم ادعا می‌کند که طراحی آنها از این جهت متفاوت است که از یک مدار تعبیه‌شده در سیستم برای عمل به عنوان «سیناپس مصنوعی» استفاده می‌کند – ورودی را تا یک افزایش ولتاژ کاهش می‌دهد. این امر درمان را تسریع کرد و به تیم اجازه داد تا با تعیین آستانه ولتاژ ورودی، که فرکانس آن بسته به سطح فشار اعمال شده به پوست، متفاوت است، به پوست یاد دهد که چگونه به درد شبیه‌سازی شده واکنش نشان دهد.
این تیم می‌بیند که چرم در رباتیک مورد استفاده قرار می‌گیرد، به‌عنوان مثال، می‌تواند از تماس یک بازوی رباتیک با دمای بسیار بالا جلوگیری کند.
در زمینه رباتیک، DeepMind ادعا می کند که یک مدل هوش مصنوعی به نام Graph Imputer ایجاد کرده است که می تواند مکان حرکت بازیکنان را با استفاده از ضبط دوربین تنها زیر مجموعه ای از بازیکنان پیش بینی کند. جالب‌تر اینکه این سیستم می‌تواند پیش‌بینی‌هایی را برای بازیکنان خارج از دید دوربین انجام دهد، که به آن امکان می‌دهد موقعیت اکثر – اگر نه همه – بازیکنان در زمین را با دقت کامل ردیابی کند.
اعتبار تصویر: DeepMind
Graph Imputer کامل نیست. اما محققان DeepMind می‌گویند که می‌توان از آن برای کاربردهایی مانند مدل‌سازی کنترل زمین یا احتمال اینکه بازیکنی تصور کند توپ در جای خود است، بتواند آن را کنترل کند، استفاده کرد. (چند تیم پیشرو لیگ برتر از مدل های کنترل زمین در طول مسابقات و همچنین در تجزیه و تحلیل قبل و بعد از بازی استفاده می کنند.) فراتر از آنالیزهای فوتبال و سایر ورزش ها، DeepMind انتظار دارد که تکنیک های پشت Graph Imputer در حوزه هایی مانند مدل سازی عابر پیاده نیز قابل اجرا باشد. از جاده ها و مدل سازی جمعیت از استادیوم ها.
در حالی که چرم مصنوعی و سیستم های پیش بینی حرکت چشمگیر هستند، البته سیستم های تولید عکس و فیلم به سرعت در حال تکامل هستند. ظاهراً آثار مطرحی مانند Dall-E 2 از OpenAI و Imagen گوگل وجود دارد. اما به Text2Human که توسط آزمایشگاه چندرسانه‌ای CUHK توسعه داده شده است نگاه کنید، که می‌تواند شرحی مانند “خانم یک تی شرت آستین کوتاه با طرح رنگی تمیز و دامن جین کوتاه پوشیده است” را در عکس مردی که این کار را نمی‌کند ترجمه کند. واقعا وجود دارد.
با مشارکت آکادمی هوش مصنوعی پکن، دانشگاه Tsinghua یک مدل بلندپروازانه‌تر به نام CogVideo ایجاد کرده است که می‌تواند ویدیوها را از متن تولید کند (مانند «مردی در اسکی»، «شیر آب می‌نوشد»). ویدیوها مملو از مصنوعات و دیگر موارد عجیب و غریب بصری هستند، اما با توجه به اینکه آنها از صحنه های کاملاً تخیلی هستند، انتقاد سخت است. هم خشن
یادگیری ماشینی اغلب در کشف دارو استفاده می شود، جایی که تنوع تقریبا بی نهایت مولکول هایی که در ادبیات و نظریه ظاهر می شوند باید دسته بندی و مشخص شوند تا اثرات بالقوه مفیدی پیدا کنند. اما حجم داده‌ها آنقدر زیاد است و هزینه‌های مثبت کاذب به‌طور بالقوه آنقدر زیاد است (تعقیب مشتریان بالقوه پرهزینه و زمان‌بر است) که حتی 99 درصد دقت به اندازه کافی خوب نیست. این به ویژه در مورد داده های مولکولی بدون علامت، بسیار بیشتر از آنچه در دسترس است (در مقایسه با مولکول هایی که در طول سال ها به صورت دستی مطالعه شده اند) صادق است.
اعتبار تصویر: CMU
محققان CMU در حال کار بر روی ایجاد مدلی برای دسته‌بندی میلیاردها مولکول غیر مشخصه هستند و به او آموزش می‌دهند تا بدون اطلاعات بیشتر آنها را درک کند. او این کار را با ایجاد تغییرات جزئی در ساختار مولکول (مجازی) انجام می دهد، مانند پنهان کردن یک اتم یا حذف یک پیوند، و مشاهده چگونگی تغییر مولکول حاصل. این به او اجازه می‌دهد تا ویژگی‌های ذاتی نحوه شکل‌گیری و رفتار چنین مولکول‌هایی را بیاموزد – و باعث شده است که از سایر مدل‌های هوش مصنوعی در شناسایی مواد شیمیایی سمی در پایگاه داده آزمایشی پیشی بگیرد.
امضای مولکولی نیز برای تشخیص این بیماری کلیدی است – دو بیمار ممکن است علائم مشابهی داشته باشند، اما تجزیه و تحلیل دقیق نتایج آزمایشگاهی آنها نشان می دهد که شرایط بسیار متفاوتی دارند. البته، این یک عمل پزشکی استاندارد است، اما با جمع شدن داده‌های آزمایش‌ها و تحلیل‌های متعدد، ردیابی همه همبستگی‌ها دشوار می‌شود. دانشگاه فنی مونیخ در حال کار بر روی نوعی متاالگوریتم بالینی است که چندین منبع داده (از جمله الگوریتم‌های دیگر) را برای تشخیص بیماری‌های کبدی با موارد مشابه ادغام می‌کند. اگرچه چنین مدل‌هایی جایگزین پزشکان نخواهند شد، اما همچنان به بحث در مورد حجم فزاینده داده‌هایی که حتی کارشناسان هم ممکن است وقت یا تجربه تفسیر آن را نداشته باشند، کمک خواهند کرد.