loading...

azaval

بازدید : 335
پنجشنبه 15 خرداد 1399 زمان : 13:23

محققان Clova AI Research ، NAVER و LINE به تازگی چارچوب جدیدی به نام AQM + ارائه داده اند که به سیستم های گفتگو اجازه می دهد سوالات و پاسخ های مربوط به متن را تولید کنند. مدل آنها ، که در مقاله ای که از قبل روی arXiv چاپ شده است ، بیان شده است ، در هفتمین کنفرانس بین المللی نمایندگی یادگیری ( ICLR 2019 ) ، در نیواورلئان ارائه می شود.


سانگ وو لی یکی از محققانی که این تحقیق را انجام داده است ، گفت: "همکاری بین ماشین و انسان و ماشین به عنوان یک موضوع تحقیقاتی مهم و معنی دار به ویژه از منظر اخلاق و علاقه عمومی به هوش مصنوعی مورد توجه قرار گرفته است." به TechXplore گفت. محققان با تمرکز بر گفتگوی وظیفه محور (TOD) از بازی های GO بین انسانها و AlphaGo بینش قابل توجهی کسب کرده اند. به طور خاص ، این محققان فکر می کنند که مدل های گفتگوی هدف گرا را می توان با آموزش مدلهای مربوط به تعامل ماشین و ماشین در مقیاس غول پیکر بهبود داد. ، این اجازه می دهد تا AlphaGo کارشناسان انسانی را مغلوب کند. با این حال ، من کاملاً با این ایده موافق نیستم ، زیرا گفتگو کاری است که مبتنی بر همکاری دو بازیکن است و اساساً با Go متفاوت است ، که یک بازی رقابتی است. "

طبق گفته لی ، گفتگوی وظیفه محور (TOD) شبیه بازی 20 سوال است ، زیرا هدف سیستم گفتگو باید باریک کردن اهداف و درخواست های کاربر باشد. در یک مطالعه قبلی ، لی و همکارانش چارچوبی را برای سیستم های گفتگوی وظیفه محور به نام "answerer in ذهن سؤال کننده" (AQM) معرفی کردند که مبتنی بر این ایده است. AQM به سیستمهای گفتگو اجازه می دهد تا سؤالاتی را انجام دهند که حداکثر بهره و اطلاعات آنها را به حداکثر می رساند و عدم قطعیت هدف کاربر را کاهش می دهد.

اعتبار: لی و همکاران.
بر خلاف روش های دیگر ، AQM صریحاً توزیع خلفی را محاسبه می کند و راه حل های تحلیلی می یابد. با وجود مزایای بسیاری که دارد ، AQM به طور کلی در کارهای دنیای واقعی تعمیم پیدا نمی کند ، جایی که تعداد اشیاء ، سؤال ها و پاسخ ها به طور معمول نامحدود است.

محققان در مطالعه اخیر خود به این محدودیت پرداختند و یک رویکرد جدید ، AQM + را پیشنهاد کردند. بر خلاف رویکرد قبلی آنها ، AQM + می تواند در مورد مشکلات در مقیاس بزرگ اعمال شود ، با ایجاد سؤال و پاسخ هایی که با متن تغییر متن گفتگوی مشخص منسجم تر باشد.

لی توضیح داد: "مشابه گفتگوی انسانی ، AQM + آنچه را که طرف مقابل می گوید ، مدل می کند و موثرترین استراتژی برای درک ذهن و قصد حریف را با استفاده از یک معیار تئوری اطلاعات (افزایش اطلاعات) ارائه می دهد." "این روش با روشهای مبتنی بر شبکه عصبی قبلی برای TOD متفاوت است ، که عمدتاً از دنباله به توالی (Seq2Seq) برای ایجاد مستقیم سؤالات با پاسخ به گفته های قبلی استفاده می کنند."

اعتبار: لی و همکاران.
لی و همکارانش AQM + را بر روی یک مشکل گفتگوی تصویری کار گرا به چالش کشیده به نام GuessWhich ارزیابی کردند. مدل آنها نتایج قابل توجهی به دست آورد ، و از حاشیه قابل توجهی بهتر از رویکردهای پیشرفته هنر استفاده کرد.

بیشتر بخوانید: پمپ وکیوم در پزشکی

لی گفت: "رویکرد مبتنی بر بازی 20 سؤال ما در AQM + برای سؤال از کاربران می تواند در صورت وجود بسیاری از پاسخ ها و موارد مختلف مربوط به سؤالات کلی و همچنین سوالات بله یا خیر ، گفتگوهای پیچیده ای را برطرف کند." "این بدان معنی است که AQM + ما می تواند در شرایط مختلف TOD در دنیای واقعی اعمال شود."

در آزمایشات خود ، لی و همکارانش جونگ وو ها ، تانگ گائو ، سهی یانگ و Jaejun یو دریافتند که AQM + با افزایش گفتگو ، خطاها را 60 درصد کاهش می دهد ، در حالی که الگوریتم های موجود با کاهش خطا کمتر از 6 درصد به دست آوردند. به گفته محققان ، AQM + می تواند برای ایجاد هر دو سوال باز و بسته استفاده شود.

بازدید : 339
پنجشنبه 15 خرداد 1399 زمان : 13:21

پاسخ: "منظور شما این است که خودروی ورودی بدون کلید به رغم زنگ خطر شما به سرقت رفته است؟" ب: "نه ، ماشین من به دلیل زنگ خطر سرقت شد." آیا این معنی دارد؟ اگر می خواهید آلارم های ماشین شخص ثالث را جستجو کنید ، می توانید در مورد یافته های یک شرکت امنیتی انگلستان بخوانید.


به طور خلاصه ، حفره های امنیتی در دزدگیرهای شخص ثالث که در اتومبیل های مشهور با برند ظاهر می شوند ، پیدا شد. بله ، آنها درمورد آن دسته از هشدارهایی صحبت می کردند که برای جلوگیری از ربودن خودروها جلوگیری می کنند. آنها این گزینه را دارند که شخص بتواند ماشین را از طریق برنامه تلفن هوشمند راه اندازی کند. آیا شما فکر می کنید آنچه ما فکر می کنیم؟ برنامه تلفن های هوشمند؟ محققان با یک برنامه هشدار ناامن (1) توانستند آلارم اتومبیل را فعال کنند ، 2) درب اتومبیل را باز کنند و (3) موتور را راه اندازی کنند.

محققان امنیتی از مارک هایی که می توانند درب را باز کنند (یک جابجایی مناسب) برای کنترل کشتی استفاده کردند. آنها شاهد دو ضعف در دو محصول زنگ دار تست شده بودند. اینها شامل یافته هایی است که می توان ماشین را در زمان واقعی جغرافیایی قرار داد ، نوع خودرو را می توان شناسایی كرد ، می تواند موتور را از راه دور شروع كند و در بعضی موارد موتور نیز كشته می شود.

این تحقیق برای کشف فناوری نویسی بی بی سی توسط برنامه پن همکاران مستقر در انگلیس و در زمینه کشف نقص نرم افزار از طریق تست نفوذ و سرویس های امنیتی انجام شده است. آنها برای خرید و جاگذاری آلارم هوشمند برای اتومبیل 5000 دلار هزینه کردند.

ویدئویی در اخبار بی بی سی نشان داد که دو هکر در انتظار حرکت خود با خودروی منتخب - سپس به دام افتاده - بودند. قربانی در اتومبیل سیاه هیچ تصوری از آنچه که قرار بود رخ دهد ، نداشت. زنگ هراس اتومبیل خاموش شد و باعث متوقف شدن راننده شد. و سپس در یک اتومبیل کوچک پشت خودروی مقتول ، مهاجمان از بیرون خارج شدند و قفل های درب را به دست گرفتند.

"از ماشین خارج شوید. کلیدهای خود را به من بدهید."

این تیم با فروشندگان درگیر تماس گرفت و به آنها 7 روز فرصت داد تا API های آسیب پذیر را از بین ببرند. خوشبختانه ، این شرکت ها در معرض قرار گرفتن در معرض عکس العمل قرار گرفتند و امنیت را برای از بین بردن نقص ها به روز کردند.

یک نماینده انگلیس در یکی از بنگاهها در حدود 48 ساعت پاسخ داد و دفتر دیگرشان را به سرعت عملی کرد. اصلاح یک شبه بود. شرکت دیگر هم مشکل داشت

Pen Test Partners واکنش فروشندگان را ارزیابی کرد و گفت "پاسخ هر دو فروشنده واقعاً خوب بود. آنها اذعان کردند ، پاسخ دادند ، سریعاً اقدام کردند و آن را تأیید کردند. درسی برای همه فروشندگان IoT در آنجا!"

هکادای گفت: " هرچه امور کنترل بیشتری در شبکه پمپ وکیوم داشته باشند ، امنیت اهمیت بیشتری پیدا می کند." در مورد پاسخ های خواننده بی بی سی ، به نظر می رسد که یک بخش صاحب اتومبیل وجود دارد که تحت تأثیر قدم های پیشروی فناوری قرار نمی گیرد. آنها نه تنها تحت تأثیر قرار نمی گیرند بلکه از افزایش وابستگی به فناوری تأثیرگذار بر عملکردهای خودرو پشیمان هستند.

یک اظهار نظر این بود که "هیچ نرم افزاری در هیچ نرم افزاری وجود ندارد. این چیزی نیست جز آمار / احتمال. به عبارتی این مسئله قبل از انجام انتخاب اشتباه یک زمان است."

یک نظر دیگر گفت که آرزو می کند او بتواند خودرویی بخرد "بدون همه اتوماسیون. من نمی خواهم کامپیوتر برای من روشن شود و یا زاویه چراغهای جلو را وقتی عوض می کنم ، تغییر ندهم یا هنگام تغییر خط به من بوق بزند." حواس پرتی. من رانندگی می کنم ؛ من باید در کنترل اتومبیل باشم. "

با این حال دیگر: "اگر این دستگاه به اینترنت متصل باشد ، قابل هک است ، چه ماشین باشد یا یک نیروگاه هسته ای. من برای یک شرکت درگیر در زیرساخت های مهم حمل و نقل ایمنی کار می کردم ، و ما یک قانون دقیق داشتیم که تجهیزات عملیاتی هرگز نبود. متصل به اینترنت ، چه از طریق VPN و چه با روش امنیتی دیگر . "

نظرات دیگر بیانگر عقایدی است که تمرکز نباید روی ماهیت نرم و شکننده نرم افزار باشد ، بلکه بر لزوم انجام آزمایش دقیق و اشکال زدایی قبل از انتشار یک محصول است.

بازدید : 344
پنجشنبه 15 خرداد 1399 زمان : 13:19

مردی که سابقه آریتمی قلبی دارد در یک مرکز اورژانس در ویرجینیا پذیرفته می شود و علائم درد قفسه سینه و ضربان قلب نامنظم دارد. بر اساس عواملی مانند سن ، ضربان تنفس ، فشار خون و تعداد پلاکت ها ، پزشکان قادرند احتمال بقای وی را تحت مراقبت های ویژه مشخص کنند. آنها این کار را با کمک واحد مراقبت های ویژه (ICU) از شدت بیماری انجام می دهند ، که رایج ترین آن سیستم APACHE است. APACHE Phys فیزیولوژی حاد و ارزیابی سلامت مزمن origin در ابتدا در اوایل دهه 1980 به عنوان ابزاری برای پیش بینی طراحی شد ، سپس خطر مرگ و میر در مراقبت های بحرانی را با فرمت ساده ای ارائه داد.


با بررسی علائم حیاتی و بررسی سطح سرمی ، تخمین زده می شود که این مرد 7 درصد خطر داشته باشد ، احتمالاً احتمال مرگ در طول مدت بستری در ICU بسیار پایین است. بیمارستان این نمره استفاده به بعد ارزیابی عملکرد خود را، و مقایسه نتایج بیماران مشابه با کسانی که از بیمارستان های دیگر.

جسی رافا ، دانشمند تحقیق در انستیتوی پزشکی ، می گوید ، اگر این بیمار استرالیایی باشد و به بخش مراقبت های ویژه در پرت منتقل شود ، نمره آمریکایی محور APACHE ممکن است کمتر مفید باشد و احتمال بقا وی یک موضوع پیچیده تر است. مهندسی و علوم (IMES) و توسعه دهنده سیستم جدید امتیاز دهی شناخته شده به عنوان نمره جهانی منبع باز شدت بیماری یا GOSSIS.

رافا می گوید: "گفتن اینكه الگویی كه روی بیماران آمریكایی برای چنین بیمار در استرالیا ربط دارد ، دشوار خواهد بود." "آنچه ما در تلاش هستیم انجام دهیم این است که به موضوعی مناسب تر از نظر بین المللی بپردازیم."

با استفاده از GOSSIS ، رافا و گروهی از همكاران به دنبال جمع آوری و درج اطلاعات بیمارستان از طیف وسیعی از كشورها هستند ، بنابراین می توانند یك نمره كلی از شدت بیماری ICU در سراسر جهان ایجاد كنند كه در تنظیمات مختلفی مورد استفاده قرار گیرد. راف و گروه - همكاران محققان آلیستر جانسون ، تام پولارد ، دیوید پیلچر و عمر بدوی ، به توصیه دانشمند اصلی تحقیقات لئو آنتونی سلی و بخشی از آزمایشگاه فیزیولوژی محاسباتی ، به سرپرستی استاد راجر مارك در IMES ، كه به همراه مشاركت بیمارستان ها به طور جمعی تحت عنوان کنسرسیوم GOSSIS قرار می گیرند - همچنین هدف از آن ارائه یک سیستم کالیبراسیون بهتر از مدل های قدیمی است. بودجه اولیه برای GOSSIS توسط فیلیپس بهداشت و انستیتوی ملی بهداشت تأمین شد.

"رافا می گوید:" استفاده اصلی APACHE برای بیمارستان ها است که بتوانند عملکردشان را خوب ارزیابی کنند. " "و کالیبراسیون برای محک ، و یا مقایسه آمار بقا در مقایسه با سایر بیمارستانها ، و سپس ارزیابی عملکرد نسبی مهم است."

رافا می گوید ، در حالی که بیمارستان ها عموماً از میزان مرگ و میر بیماران خود آگاهی دارند ، اما مدل های پیش بینی خوب کالیبره شده اغلب وجود ندارد ، و مقایسه آن با همسالانشان دشوار است. "وقتی یک رویکرد سیستماتیک دارید - الگوریتم معتبر - این منجر به محک دقیق تر مرکز شما می شود."



در حال حاضر تقریبا 45 بیمارستان ایالات متحده داده های APACHE IV ، تکرار اخیر APACHE را ارائه می دهند. در مقابل ، از اوایل سال 2019 ، مجموعه داده های آماده GOSSIS برای واحدهای مراقبت ویژه در آرژانتین ، استرالیا ، نیوزیلند ، بنگلادش ، هند ، نپال ، سریلانکا ، برزیل و 205 بیمارستان آمریکایی وجود دارد. سیستم GOSSIS همراه با اعضای کنسرسیوم بین المللی ، داده هایی را از کل بیش از 1000 مرکز پزشکی ارائه می دهد.

یک مزیت پیشنهادی اضافی از GOSSIS: مقرون به صرفه بودن آن. بر خلاف نمرات APACHE با گرانی ، اغلب به دست آوردن بیمارستان هایی با منابع کمتر چالش برانگیز است و نمی توان آن را کاملاً مشابه گزارش های کشورهای دیگر دانست ، GOSSIS قابل دسترسی است ، و همچنین به صورت رایگان و اضافه شده به آن یک امتیاز بالقوه برای سیستم تبدیل می شود. با مشارکت بیشتر و فعال تر ، خود الگوریتم از این فرصت منحصر به فرد برخوردار است که مرتباً به روز می شود و بهبود می یابد.

سلی می گوید: "GOSSIS به دلایل متعدد ابتکار عمل مهمی است." "مهمترین چیز ماهیت منبع باز آن است که امکان ارزیابی مداوم و مجددا ارزیابی الگوریتم را فراهم می کند. این با سیستم های امتیاز دهی اختصاصی دشوار است و به طور معمول با فروشندگان بیشتری برای این خدمات شارژ می شود. دلیل دوم مشارکت خیلی بیشتر است. تعداد کشورهایی که به طور سنتی از توسعه چنین نمرات دور مانده اند. با داشتن این کشورها داده هایی برای آموزش الگوریتم کمک می کنند ، احتمالاً این الگوریتم روی جمعیت خود عملکرد خوبی خواهد داشت. "

اگرچه GOSSIS در دسترس بیمارستانی است که به دنبال دسترسی باشد ، محققان هرچه بیشتر مراکز مراقبت های ویژه را در سراسر جهان تشویق می کنند تا داده های خود را بارگذاری کنند.

رافا می گوید: "با کمک به داده های مراقبت ویژه خود ، بیمارستان ها اطمینان می دهند که در الگوریتم به خوبی نشان داده شده اند. اغلب بیمارستان ها همه یا بخشی از این عناصر داده را به هر حال جمع آوری می کنند ، به ویژه اگر از سیستم امتیازدهی دیگری استفاده می کنند."

وی اضافه می کند که یکدست بودن پیش شرط بارگذاری داده ها نخواهد بود. "ما می دانیم که همه داده های کاملی نخواهند داشت ، و رویکردی را که با استفاده از این مورد در نظر گرفته ایم ، انتخاب کردیم."

بیشتر بخوانید: سی ان سی چوب چیست؟ (راهنمایی های خرید)

بداوی ، رئیس علوم داده های بهداشتی و هوش مصنوعی در فیلیپس مراقبت از بیمار Analytics ، امیدوار است که این سیستم تأثیر عمده ای داشته باشد. "در مدت 10 سال ، ما کنسرسیوم بزرگی از داده های مربوط به هر منطقه در سراسر جهان را پیش بینی می کنیم ، این امر باعث می شود تا انواع مدلهای ریسک منبع باز در سراسر کشورها فراهم شود."

در مراحل اولیه پذیرش ، GOSSIS از قبل مورد توجه گسترده جامعه پزشکی قرار گرفته است. در 19 فوریه ، رافا و همکارانش جایزه مدال نقره را برای کارهایشان توسط انجمن پزشکی مراقبتهای ویژه در سن دیگو دریافت کردند. با تأکید بر این جایزه ، رافا می گوید که از او به ویژه به عنوان یک دانشمند داده ، مورد تقدیر قرار گرفت که توسط یک سازمان متخصصان پزشکی شناخته شود.

رافا می گوید: "شناخت این تیم با این جایزه افتخار است ، و من فکر می کنم به خوبی نشان می دهد که علم داده ، به ویژه وقتی با همکاری پزشکان انجام شود ، نقش مهمی در آینده تحقیقات بالینی خواهد داشت."

بازدید : 357
پنجشنبه 15 خرداد 1399 زمان : 13:15

یک مطالعه تحقیقاتی اخیر به رهبری دانشگاه آلاباما در گروه علوم کامپیوتر بیرمنگام ، زمینه های عصبی امنیت صوتی را مورد بررسی قرار داده و تفاوت در فعالیت های عصبی را هنگام استفاده کاربران در پردازش انواع مختلف صداها از جمله صداهای مورب بررسی کرده است.


نتایج؟ خوشایند گوش نیست. یا مغز .

این مطالعه نشان داد که ممکن است از نظر آماری تفاوت معنی داری در نحوه پردازش مغز انسان در بلندگوهای معتبر اصلی در مقابل بلندگوهای مصنوعی وجود نداشته باشد ، در حالی که تفاوت های واضح هنگام مواجهه با مشروع در مقابل دیگر بلندگوهای مختلف انسانی قابل مشاهده است - به این معنی که انسان در برابر حملات تقلید صوتی آسیب پذیر است .

نیتش ساکسنا ، دکترای محقق برجسته ، گفت: "مطالعه ما نشان می دهد که کاربران انسانی ممکن است در برابر حملات مورفونینگ صوتی در سطح اساسی آسیب پذیر باشند زیرا به نظر نمی رسد که مغز آنها نسبت به صداهای اصلی واکنش نشان می دهد." در گروه علوم کامپیوتر UAB و مدیر آزمایشگاه جاسوسی UAB. "ما معتقدیم که این نتیجه مهمی است زیرا ممکن است نشان دهد که مردم و مغز آنها ممکن است نتواند صداهای واقعی و جعلی را از یکدیگر بیان کند."

صدای اوپرا وینفری کدام صدا است؟ WBHM گوش و مغز شما را آزمایش می کند .

محققان چگونگی استفاده از اطلاعات موجود در سیگنالهای عصبی که توسط یک روش عصبی برش لبه به نام طیف سنجی نزدیک مادون قرمز یا fNIRS موجود است را می توان مورد استفاده قرار داد تا حساسیت کاربران در حملات تقلید صوتی را با استفاده از صداهای ترکیبی توضیح دهد.

این مطالعه تفاوت در فعالیتهای عصبی را هنگام شرکت کنندگان در حال گوش دادن به صدای اصلی و صدای تحریک شده یک بلندگو مورد تجزیه و تحلیل قرار داد. صداهای ایجاد شده با استفاده از یک ابزار سنتز صدا در دسترس عموم به نام CMU Festvox تولید می شوند. محققان می گویند که هیچ تفاوت آماری معنی داری در فعال سازی در مناطق مغزی که در مطالعات قبلی از تشخیص واقعی در مقابل جعلی گزارش شده اند ، مانند وب سایت های واقعی در مقابل جعلی (تحت حملات فیشینگ) و واقعی در مقابل نقاشی های جعلی.

اعتبار: دانشگاه آلاباما در بیرمنگام
کنتراست 1: بلندگو اصلی در مقابل صدای Morphed

این تجزیه و تحلیل درک درستی از چگونگی درک صدای گوینده اصلی و صدای گوینده روحیه یافته توسط مغز انسان دارد. محققان چهار سخنران قربانی را گرد هم آوردند که در طول آزمایش با شرکت کنندگان آشنا بودند.



در این بخش ، محققان فعالیتهای عصبی را وقتی شرکت کنندگان در حال گوش دادن به همه بلندگوهای اصلی و همه بلندگوهای مرفه بودند ، مورد بررسی قرار دادند.

کنتراست 2: بلندگو اصلی در مقابل بلندگوهای مختلف

کنتراست دوم با معیارهای عصبی مقایسه شد وقتی شرکت کنندگان در حال گوش دادن به صدای بلندگو اصلی در مقابل صدای بلندگو متفاوت بودند. محققان فرض كردند كه بلندگوهای اصلی - از آنجا كه با مشاركتكنندگان آشنا شده بودند - فعالیتهای عصبی متفاوت از سخنرانان مختلف را تولید می كنند.

بینش های کلیدی

شرکت کنندگان در این مطالعه افزایش فعال سازی در زمینه های مرتبط با تصمیم گیری ، حافظه کاری ، یادآوری حافظه و اعتماد هنگام تصمیم گیری درباره مشروعیت صدای بلندگوها را نسبت به سایر محاکمات (در جایی که آنها مشغول انجام هیچ کاری نبودند) نشان دادند. پایه.

به طور کلی ، نتایج نشان داد که کاربران مطمئناً تلاش زیادی را برای تصمیم گیری های واقعی و جعلی انجام داده اند ، همانطور که توسط فعالیت مغز آنها در مناطقی که با پردازش شناختی مرتبه بالاتر منعکس شده است ، نشان داده شده است. اگرچه در نحوه پردازش مغز شرکت کنندگان در مقابل صدای بلندگوهای مختلف تفاوت عصبی وجود دارد ، اما در نحوه پردازش مغز شرکت کنندگان در مقابل صداهای مجزا تفاوت وجود ندارد.

بیشتر بخوانید: کاربرد وکیوم در صنایع لایه نشانی

نتایج رفتاری همچنین حاکی از آن است که کاربران در شناسایی صداهای اصلی و پخش نشده عملکرد خوبی ندارند.

ساکسنا گفت: "این باعث می شود کاربران روزمره بسیار مستعد ابتلا به انواع مختلف کلاهبرداری باشند که ممکن است از پیشرفت فعلی و آینده در سنتز صدا سوءاستفاده کنند." "به عنوان مثال ، شخصی می تواند پیام صوتی را به عنوان مادرتان به شما بدهد ، و شما قادر نخواهید بود بگویید. از طرف مثبت ، مطالعه ما همچنین نشان می دهد که ابزارهای فعلی ترکیب صدا ممکن است برای خدمت به کسانی که صدای خود را از دست داده اند ، آماده باشد. زیرا ممکن است شنوندگان نتوانند تفاوت بین صدای واقعی یک بلندگو و صدای مصنوعی را درک کنند. "

بازدید : 360
پنجشنبه 15 خرداد 1399 زمان : 13:10

براساس داده های سرشماری سال 2010 ، حدود 1 میلیون بزرگسال در ایالات متحده به کسی نیاز دارند تا بتواند به آنها غذا بخورد. این یک کار وقت گیر و اغلب بی دست و پا است ، یک کار عمدتاً به جای انتخاب انجام می شود.


محققان دانشگاه واشنگتن در حال کار بر روی یک سیستم روباتیک هستند که می تواند به سهولت آن کمک کند. پس از شناسایی غذاهای مختلف روی یک بشقاب ، این روبات می تواند نحوه استفاده از چنگال را برای چیدن و تحویل نیش مورد نظر به دهان فرد استراتژیک کند.

این تیم نتایج خود را در یک سری مقالات منتشر کرد: یکی از آنها به تازگی در IEEE Robotics and Automation Letters منتشر شده است ، و دیگری در 13 مارس در کنفرانس بین المللی ACM / IEEE در تعامل انسان و روبات در کره جنوبی ارائه می شود.

سیدهارتا سرینیواسا ، نویسنده مربوطه گفت: "وابسته بودن به یک مراقب برای تغذیه هر گزش هر روز باعث احساس استقلال فرد می شود." "هدف ما با این پروژه این است که به مردم کمی کنترل بیشتری بر زندگی خود انجام دهیم."

ایده این بود که یک سیستم تغذیه مستقل ایجاد شود که به صندلی های چرخدار افراد وصل شود و مردم را به هر چیزی که می خواستند بخورند تغذیه کند.

"وقتی پروژه را شروع کردیم ، متوجه شدیم: روش های زیادی وجود دارد که افراد بسته به اندازه ، شکل و قوام آن می توانند یک تکه غذا بخورند. چگونه شروع کنیم؟" گفت که نویسنده Tapomayukh Bhattacharjee ، همکار تحقیقاتی فوق دکترا در مدرسه آلن است. "بنابراین ما یک آزمایش ایجاد کرده ایم تا ببینیم که انسانها چگونه غذاهای متداولی مانند انگور و هویج می خورند.

محققان بشقابهایی را با حدود دهها نوع مواد غذایی مختلف تهیه کردند که از قوام هویج سخت گرفته تا موز نرم تشکیل شده است. این بشقاب ها همچنین شامل غذاهایی مانند گوجه فرنگی و انگور بودند که دارای پوست سفت و موهای نرم هستند. سپس این تیم یک چنگال به داوطلبان داد و از آنها خواست که تکه های مختلف مواد غذایی را تهیه کنند و آنها را به یک مانکن تغذیه کنند. چنگال حاوی یک سنسور برای اندازه گیری میزان نیرویی که مردم هنگام برداشت مواد غذایی استفاده می کردند ، بود.

داوطلبان برای تهیه مواد غذایی با سازگاری های مختلف از راهکارهای مختلفی استفاده کردند. به عنوان مثال ، افراد از چوب نرم نرم مانند موز در زاویه ای استفاده می کنند تا از خوردن چنگال در امان نمانند. برای مواردی مانند هویج و انگور ، داوطلبان تمایل داشتند از حرکات کلاه گیس برای افزایش نیرو و نیزه در هر نیش استفاده کنند.

الگوریتم تشخیص شی با نام RetinaNet ، صفحه را اسکن می کند ، انواع مواد غذایی را روی آن مشخص می کند و یک فریم را در اطراف هر مورد قرار می دهد. اعتبار: اریک جانسون / دانشگاه واشنگتن
"به نظر می رسید مردم از استراتژی های مختلفی استفاده می کنند نه تنها بر اساس اندازه و شکل مواد غذایی بلکه سخت و نرم آن نیز هست. اما آیا ما واقعاً باید این کار را انجام دهیم؟" بهتاچارجی گفت. "ما تصمیم گرفتیم آزمایشاتی را با روبات انجام دهیم که در آنجا غذای کمتری داشتیم تا اینکه چنگال بدون توجه به نوع مواد غذایی به عمق خاصی از داخل برسد."



این روبات با استفاده از همان استراتژی کشش و نیرو ، سعی در جمع کردن تمام مواد غذایی بدون در نظر گرفتن قوام آنها داشت. این ماده قادر به تهیه غذاهای سخت بود ، اما با غذاهای نرم و کسانی که پوست های سخت و سمبرهای نرم داشتند ، مبارزه می کرد. بنابراین روبات ها مانند انسان ها باید چقدر نیرو و زاویه مورد استفاده خود را برای چیدن انواع مختلف مواد غذایی تنظیم کنند.

این تیم همچنین خاطرنشان کرد: اقدامات چیدن یک تکه غذا و تغذیه آن برای شخصی مستقل از یکدیگر نیست. داوطلبان غالباً به طور خاص تکه ای از غذا را روی چنگال قرار می دهند تا بتوان به راحتی آن را خورد.

بهتاچارجی گفت: "شما می توانید با خلال کردن آن در مرکز چوب ، یک چوب هویج بریزید ، اما خوردن آن برای فرد دشوار خواهد بود." "از طرف دیگر ، اگر آن را در یکی از انتها برداشته و سپس هویج را به سمت دهان کسی کج کنید ، نیش گرفتن راحت تر است."

محققان برای طراحی یک استراتژی خورش و تغذیه که بر اساس ماده غذایی تغییر می کند ، دو الگوریتم مختلف را با یکدیگر ترکیب کردند. ابتدا آنها از یک الگوریتم تشخیص شی به نام RetinaNet استفاده کردند که صفحه را اسکن می کند ، انواع مواد غذایی را روی آن مشخص می کند و یک فریم را در اطراف هر مورد قرار می دهد.

سپس آنها SPNet را ساختند ، الگوریتمی که نوع مواد غذایی را در یک قاب خاص بررسی می کند و به بهترین روشی برای برداشت مواد غذایی به روبات می گوید. به عنوان مثال ، SPNet به ربات می گوید یک توت فرنگی یا یک تکه موز را در وسط قرار دهید و هویج نیزه را در یکی از دو انتهای آن قرار دهید.

این تیم به ربات تکه هایی از مواد غذایی را انتخاب کرده و آنها را برای داوطلبان با استفاده از SPNet یا یک استراتژی یکنواخت تر تغذیه می کرد: رویکردی که بدون در نظر گرفتن آنچه در آن قرار داشت ، مرکز هر یک از مواد غذایی را بهم می زد. استراتژیهای مختلف SPNet از روشهای یکسان برای همه مواد غذایی بهتر و بهتر عمل می کند.

سرینیواسا گفت: "بسیاری از چالش های مهندسی در مورد راه حل های آنها گزیده نیست ، اما این تحقیق بسیار صمیمانه با مردم در ارتباط است." "اگر این مسئله را در نظر نگیریم که یک شخص نیش را راحت بگیرد ، ممکن است مردم نتوانند از سیستم ما استفاده کنند. یک نوع از انواع غذاها در آنجا وجود دارد ، بنابراین بزرگترین چالش ما توسعه استراتژی ها است. که می تواند با همه آنها برخورد کند. "

بیشتر بخوانید: کاربردهای وکیوم در گاز

این تیم در حال حاضر مشغول همکاری با مرکز فن آوری قابل دسترسی تاسکار است تا از مراقبان و بیماران در مراکز زندگی مساعدت شده در مورد چگونگی بهبود سیستم برای رفع نیازهای مردم بازخورد کند.

سرینیواسا گفت: "در نهایت هدف ما این است که ربات ما کمک کند تا مردم ناهار یا شام را به تنهایی بخورند." "اما نکته این نیست که افراد مراقب را جایگزین کنید: ما می خواهیم آنها را توانمند کنیم. با کمک یک ربات برای کمک به ، مراقب می تواند صفحه را تنظیم کند و سپس در حالی که فرد می خورد ، کاری دیگر انجام دهد."

بازدید : 332
پنجشنبه 15 خرداد 1399 زمان : 13:03

یک تیم بین المللی از محققان یک دستگاه کاشت قابل کاشت کوچک ایجاد کرده اند که می تواند میزان اکسیژن بافت داخلی یک حیوان زنده را اندازه گیری کند. این گروه در مقاله خود که در مجله Science Advances منتشر شده است ، چگونگی ساخت دستگاه آنها و عملکرد آن هنگام آزمایش را توضیح می دهد.


محققان خاطرنشان كردند كه نياز به اندازه گيري دقيق سطح اكسيژن در بافت هاي بدن براي بسياري از كاربردهاي باليني از اهميت بسياري برخوردار است زيرا در بسياري از فرآيند هاي فيزيولوژيكي و آسيب شناسي اعمال مي شود. علاوه بر این ، آنها خاطرنشان كردند كه روش بهتر برای كنترل میزان اکسیژن در حیوانات زنده می تواند یك راه جدید برای تحقیقات در مورد فرآیندهای با واسطه اکسیژن فراهم كند. آنها همچنین خاطرنشان می كنند كه روشهای كنونی آزمایش میزان اکسیژن در انسان و حیوان به دلیل ضرورت داشتن یك كف تر و عمق محدود گزینه های قرارگیری محدود است. محققان برای غلبه بر این مشکلات وسیله ای را ساخته اند که می تواند در داخل یک حیوان زنده کار کندبدون نیاز به بستر - و از آنجا که بسیار کوچک است (1 سانتی متر مربع — به اندازه یک ناخن انگشتی) و نور (80 میلی گرم) ، تقریباً می تواند در هر نقطه از بدن از جمله مغز قرار گیرد.

محققان این وسیله را با اتصال یک کاوشگر مانند نخ به یک مدار مدار ریز - این کاوشگر حساس به اپتو الکترونیکی حساس و دارای دو میکرودایدی بودند که از نور قرمز یا سبز ساطع می کردند ، ساختند. همچنین دارای ردیاب میکرو بود که شدت نور هدایت شده از طریق نمونه بافت را می خواند و انتقال می داد. از اشعه مادون قرمز برای تغذیه دستگاه و همچنین انتقال اطلاعات استفاده شده است. داده های دستگاه به گیرنده وصل شده به رایانه رومیزی که در آن تجزیه و تحلیل شده بود ارسال شد. بقیه دستگاه ها شامل یک آنتن و سایر قطعات الکترونیکی بودند که برای تبدیل اشعه مادون قرمز محیط به منبع انرژی و انتقال داده ها از دستگاه به منبع خارجی استفاده می شدند.

محققان این دستگاه را با استفاده از آن با بافت مصنوعی و خون و سپس با قرار دادن آن در جمجمه موش های آزمایش آزمایش کردند. آنها گزارش می دهند دستگاهی که پیش بینی شده عمل کرده است و خطرات سلامتی برای موش ها ایجاد نمی کند.

بییشتر بخوانید: اندازه گيري میزان خلاء

بازدید : 326
پنجشنبه 15 خرداد 1399 زمان : 13:01

همه می خواهند باتری های کوچکتر ، ارزان تر و با دوام بیشتری داشته باشند. یکی را پیدا کنید که از امنیت و ثبات بیشتری نیز برخوردار باشد ، و از این باتری مقدس باتری های بهتری دارید.


باتری های لیتیوم یونی چندین دهه است که مورد علاقه گوشی های هوشمند ، تبلت ، لپ تاپ ، دوربین و ابزارهای قابل شارژ قابل استفاده هستند. اما آنها همچنین دارای اشکالاتی هستند مانند "فرار حرارتی" که در آن باتری از کار می افتد - یا آتش می گیرد - بخاطر ایجاد گرمای بیش از حد.

سالهاست که محققان به دنبال منبع مشکل گرما و چگونگی رفع نوسانات مرتبط هستند. پس از سه سال از شبیه سازی مواد، سنتز، شناسایی و تست عملکرد باتری، دانشگاه تگزاس در دالاس محققان کشف کرده اند که این مشکل با باتری های لیتیوم یون در داخل باتری نمی مواد .

دکتر Kyeongjae "KJ" چو ، استاد علوم و مهندسی مواد در دانشکده مهندسی و علوم رایانه اریک جونسون گفت: "معلوم است فقط سطح مواد کاتد باتری مشکل دارد." "قسمت داخلی خوب است. این امید زیادی به ما می دهد که می توانیم چگونه سطح را تثبیت کنیم و باتری هایی با ظرفیت بالا را به واقعیت تبدیل کنیم."

چو و همکارانش یافته های خود را در نسخه چاپی 10 ژانویه ژورنال Advanced Energy Material توضیح دادند .

چو گفت باتری های با چگالی انرژی بالا قیمت بالایی دارند: افزایش نوسانات.

وی گفت: "هنگامی که یک باتری دائما شارژ و شارژ می شود ، مواد شروع به تخریب می کنند. انرژی منتشر شده باعث گرم شدن می شود و باتری آتش می گیرد. این در اصل مشکل ایمنی است."

خبر خوب؟

وی گفت: "فقط سطح مواد باتری ناپایدار و ناامن است. در صورت رفع این مشکل می توان آن را برطرف کرد."

در طی چرخه های ثابت شارژ و شارژ مجدد ، گازهای اکسیژن از سطح مواد باتری آزاد می شوند. چو گفت ، در طی این فرآیند ، مسیر انتقال لیتیوم-یون از داخل کشور به قسمت بیرونی می تواند توسط گرد و غبار نیکل فلزی ، که به همراه انتشار گاز تولید می شود ، مسدود شود.

"وقتی انسداد وجود داشته باشد ، امکان انتقال یون های لیتیوم در سطح مورد نظر برای ورود و بیرون رفتن وجود ندارد. این منجر به کاهش سریع ظرفیت باتری می شود. با افزایش مقدار گرما ، احتمال آتش سوزی و انفجار نیز افزایش می یابد. ،" او گفت.

این کشف ساده ، اما عمیق ، در سطح مواد باتری ممکن است شیوه ساخت تولید کنندگان آنها را تغییر دهد. چو نشان می دهد که ممکن است یک پوشش اکسید به خوبی طراحی شده روی سطح باتری اضافه شود.

چو گفت: "اصلاحات می تواند منجر به حفظ شارژ برای مدت زمان طولانی تر شود." "این همان مشکلی است که صنعت در حال تلاش برای حل کردن در حال حاضر برای نسل بعدی باتری لیتیوم یون است . این بسیار هیجان انگیز است و ما در مرحله بعدی کار می کنیم."

بیشتر بخوانید: کاربرد پمپ وکیوم در صنعت بسته بندی

Phantai Kong Ph.D.17 ، نویسنده اصلی مطالعه و دانشجوی سابق چو ، مهندس ارشد با شرکت Hunt Energy Enterprises در دالاس است که در پروژه های ذخیره سازی انرژی و مواد در مقیاس بزرگ کار می کند. وی گفت: حل مشکل گرما در باتری ها می تواند به ظرفیت 20 تا 30 درصد بالاتر برسد.

کنگ گفت: "ما درست در آستانه قابلیت دوام تجاری قرار داریم. ممکن است یک محصول تجاری در طی چند سال وجود داشته باشد."

براساس یافته های جدید ، چو گفت علاقه صنعت برای همکاری با گروه UT دالاس بر روی مواد کاتدی نسل بعدی باتری های وسیله نقلیه الکتریکی وجود دارد. گروه چو همچنین با آزمایشگاه تحقیقات نیروی دریایی ایالات متحده در یک پروژه تحقیقاتی پیگیری همکاری می کند تا ظرفیت و ایمنی مواد کاتدی را افزایش دهد .

بازدید : 346
پنجشنبه 15 خرداد 1399 زمان : 12:59

برای یک زرافه یا وحشی تازه متولد شده ، زایمان می تواند مقدمه ای خطرناک در جهان باشد - شکارچیان در انتظار فرصتی برای تهیه یک غذای ضعیف ترین عضو گله هستند. به همین دلیل است که بسیاری از گونه ها راه هایی را برای نوجوانان خود در طی چند دقیقه پس از تولد پیدا کرده اند.


این شاهکار تکاملی حیرت انگیز است که مدت هاست الهام بخش زیست شناسان و روباتیک ها است - و اکنون تیمی از محققان USC در دانشکده مهندسی USC Viterbi اعتقاد دارند که آنها اولین کسی شده اند که یک اندام رباتیک کنترل شده با هوش مصنوعی ایجاد می کنند که توسط تاندونهای شبیه به حیوانات رانده می شود. گرفتار شوید و سپس در زمان وقوع پدیده بعدی بازیابی شوید ، کاری که ربات هیچ وقت به صراحت برنامه نویسی نکرد.

Francisco J. Valero-Cuevas ، استاد مهندسی زیست پزشکی ، استاد بیوکینزیولوژی و فیزیوتراپی در USC در یک پروژه با دانشکده مهندسی دانشکده مهندسی USC Viterbi ، علی مرجان نژاد و دو دانشجوی دکترای دیگر - داریو اروبینا-ملندز و برایان کوهن ، توسعه داده اند. یک الگوریتم بیولوژیکی الهام گرفته شده است که می تواند بعد از تنها 5 دقیقه بازی بدون ساختار ، به خودی خود وظیفه راه رفتن جدید را بیاموزد و سپس بدون هیچ برنامه نویسی اضافی با سایر کارها سازگار شود.

مقاله آنها ، که در مقاله جلد ماه مارس از Nature Machine Intelligence بیان شده است ، امکانات هیجان انگیز برای درک حرکت و ناتوانی انسان ، ایجاد پروتزهای پاسخگو و روبات هایی را ایجاد می کند که می توانند با محیط های پیچیده و متغیر مانند اکتشافات فضایی و جستجوی و نجات تعامل داشته باشند.

Valero-Cuevas ، نویسنده ارشد گفت: "امروزه ، معادل ماهها یا سالها تمرین برای یک ربات طول می کشد تا بتواند برای تعامل با جهان آماده باشد ، اما ما می خواهیم به یادگیری سریع و سازگاری هایی که در طبیعت مشاهده می شود ، دست یابیم." قرار ملاقات در علوم کامپیوتر ، مهندسی برق و کامپیوتر ، مهندسی مکانیک و هوافضا و علوم اعصاب در USC.

مرجاني نژاد ، كانديداي دكترا در گروه مهندسي زيست پزشكي در USC و نويسنده ارشد اين مقاله گفت: اين موفقيت مشابه دانش طبيعي است كه در نوزادان اتفاق مي افتد. مرجاني نژاد توضيح مي دهد ، ابتدا به روبات اجازه داده شد تا محيط خود را در فرآيند بازي آزاد (يا آنچه به عنوان "حباب موتوري" شناخته مي شود) بفهمد.

مرجانی نژاد گفت: "این حرکات تصادفی ساق پا به ربات امکان می دهد نقشه داخلی اندام خود و برهم کنش آن با محیط را بسازد."

نویسندگان این مقاله می گویند ، برخلاف بیشتر کارهای فعلی ، روبات های آنها با انجام کار یاد می گیرند و بدون هیچگونه شبیه سازی رایانه ای قبلی یا موازی برای راهنمایی یادگیری هستند.



مرجاني نژاد همچنين افزود كه اين امر از اهميت ويژه اي برخوردار است زيرا برنامه ريزان مي توانند براي سناريوهاي متعدد پيش بيني كنند و كد كنند ، اما براي هر سناريو ممكن نيست.

"با این وجود ، اگر اجازه دهید این ربات های [جدید] از تجربه مربوطه بیاموزند ، در نهایت آنها راه حلی را پیدا می کنند که پس از پیدا کردن ، در صورت نیاز مورد استفاده قرار گرفته و سازگار شوند. این وضعیت به اندازه کافی مناسب است. هر یک از ما به آن نیاز داریم یا می خواهیم - یا قادر به صرف زمان و تلاش است - برای کسب یک مدال المپیک. "

از طریق این فرایند کشف بدن و محیط خود ، اندامهای روباتی که در آزمایشگاه Valero Cuevas در USC طراحی شده اند ، از تجربه منحصر به فرد خود برای توسعه الگوی راه رفتن که به اندازه کافی مناسب برای آنها باشد ، تولید ربات هایی با حرکات شخصی استفاده می کنند. "شما می توانید کسی را که از سالن پایین می آید تشخیص دهد زیرا آنها جای خاصی دارند ، درست است؟" والرو کووا می پرسد. "روبات ما از تجربه محدود خود برای یافتن راه حلی برای مسئله ای استفاده می کند که پس از آن تبدیل به عادت شخصی شده یا شخصیت" می شود.

کاربردهای بالقوه این فناوری بویژه در فناوری کمکی بسیار زیاد است ، جایی که اندامهای روباتیک و اسکلتهای خارجی که بصری و پاسخگوی نیازهای شخصی کاربر هستند ، برای کسانی که استفاده از اندام خود را از دست داده اند ، بسیار ارزشمند است. Valero-Cuevas گفت: "اسكل اسكلت ها یا وسایل كمك نیاز است كه به طور طبیعی حرکات خود را تفسیر كنند تا بتوانند آنچه را برای شما نیاز دارند ، استفاده كنند."

"از آنجا که روبات های ما می توانند عادات را یاد بگیرند ، آنها می توانند عادات شما را یاد بگیرند و از سبک حرکت شما برای کارهای مورد نیاز در زندگی روزمره تقلید کنند - حتی وقتی که شما یک کار جدید را یاد می گیرید ، یا قوی تر یا ضعیف می شوید."

به گفته نویسندگان ، این تحقیق همچنین در زمینه ماموریت های اکتشافی فضایی و نجات از کاربردهای قوی برخوردار خواهد بود و این امکان را برای روبات هایی فراهم می کند که بدون انجام اسکورت یا تحت نظارت هنگام ورود به سیاره جدید یا زمین های نامشخص و خطرناک ، کارهایی را که باید انجام شود انجام دهند. در نتیجه بلایای طبیعی به عنوان مثال ، این روبات ها می توانند با یک جاذبه کم یا زیاد ، سنگهای سست یک روز و گل پس از باران ، سازگار شوند.

بیشتر بخوانید: راهنمای انتخاب پمپ وکیوم آزمایشگاهی

دو نویسنده دیگر این مقاله ، دانشجویان دکترا برایان کوهن و داریو اروبینا ملندز روی این تحقیق وزن داشتند:

کوهن ، کاندیدای دکترا در علوم رایانه در دانشکده مهندسی ویتبرتی USC گفت: "توانایی یک گونه برای یادگیری و سازگاری حرکات خود هنگام تغییر بدن و محیط آنها از همان ابتدا عامل اصلی تکامل بوده است." "کار ما گامی در جهت توانمند سازی روبات ها برای یادگیری و سازگاری با هر تجربه است ، درست همانطور که حیوانات انجام می دهند."

اروبینا ملندز ، کاندیدای دکترا در مهندسی زیست پزشکی که معتقد به ظرفیت ربات ها است که می تواند از زندگی الهام بگیرد ، گفت: "من روبات های مبتنی بر عضله را تصور می کنم ، قادر به تسلط بر آنچه یک حیوان ماه ها برای یادگیری می گیرد ، در تنها چند دقیقه است." . "کار ما با استفاده از مهندسی ، هوش مصنوعی ، آناتومی و علوم اعصاب نشانگر قوی این امر است."

بازدید : 345
چهارشنبه 14 خرداد 1399 زمان : 20:21

با تقاضای تقریبی روزانه سوخت بیش از 5 میلیون بشکه در روز ، بخش حمل و نقل هوایی جهانی فوق العاده انرژی است و تقریباً کاملاً به سوخت های مبتنی بر نفت وابسته است. برخلاف سایر بخش های انرژی مانند حمل و نقل زمینی یا ساختمانهای مسکونی و تجاری ، صنعت حمل و نقل هوایی نمی تواند به راحتی با استفاده از فن آوری های موجود به منابع انرژی تجدید پذیر تبدیل شود.


با این حال ، تجزیه و تحلیل جدید دانشمندان در آزمایشگاه ملی لارنس برکلی وزارت انرژی (آزمایشگاه برکلی) نشان می دهد که سوخت های زیستی جت پایدار مبتنی بر گیاه می توانند در صورت ادامه توسعه و توسعه ابتکارهای مقیاس بالا ، جایگزین رقابتی برای سوخت های نفتی معمولی باشند. با موفقیت پیش رو

"تجزیه و تحلیل فنی و اقتصادی و کاهش هزینه گازهای گلخانه ای چرخه زندگی برای پنج مسیر به مخلوط های سوخت جت زیستی" ، که اخیراً در مجله انرژی و محیط زیست علوم منتشر شده است ، شواهدی امیدوارکننده مبنی بر بهینه سازی خط لوله تولید سوخت های زیستی - گرفتن مواد گیاهی غنی از کربوهیدرات و استفاده از باکتریهای اصلاح شده ژنتیکی برای هضم قندهای جدا شده در مولکولهای پر انرژی که در مرحله بعد شیمیایی به یک محصول سوخت تبدیل می شوند- ارزش این تلاش را دارد.

"Corinne Scown" ، محقق آزمایشگاه برکلی ، گفت: برق کردن هواپیمایی با استفاده از باتری ها یا سلول های سوختی تا حدی به دلیل محدودیت وزن هواپیما ، چالش برانگیز است ، بنابراین سوختهای زیستی مایع این توانایی را دارند که نقش بزرگی در کاهش انتشار گازهای گلخانه ای داشته باشند. حوزه فن آوری های انرژی و همچنین موسسه مشترک BioEnergy (JBEI) DOE. "این تیم در JBEI مشغول به کار در مسیرهای بیولوژیکی به مخلوط های پیشرفته سوخت بیو جت است که نه تنها از قندهای گیاهی حاصل می شوند بلکه دارای خواص جذابی هستند که می توانند مزیت بیشتری نسبت به سوختهای معمولی جت ایجاد کنند."

نحوه دریافت سوخت از مواد گیاهی

در حال حاضر ، تیم های چند رشته مستقر در JBEI در بهینه سازی هر مرحله از فرآیند تولید سوخت زیستی جت متمرکز شده اند. برخی از محققان در مهندسی گیاهان با منبع ایده آل- که از آن به عنوان زیست توده - یاد می شود ، تخصص دارند که باعث ایجاد بخش اعظمی از کربوهیدرات ها و نسبت کمی از لیگنین ، نوعی از مواد می شوند که از این پس ، مفیدتر هستند. در همین حال ، دیگران در حال ایجاد روش هایی هستند که به طور مؤثر کربوهیدرات ها در زیست توده غیر غذایی را جدا می کنند و آنها را به مولکول های قندی متصل می کنند که باکتری ها قادر به هضم یا "بیوکنترل" در یک مولکول سوخت هستند. برای به دست آوردن بالاترین عملکرد ممکن از اثرات زیستی ، سایر محققان JBEI در حال بررسی این هستند که چه عواملی ژنتیکی و محیطی باکتریهای اصلاح شده را مؤثرتر می کند.



با بهینه سازی این مراحل ، دانشمندان JBEI می توانند فناوری ها را به شرکای تجاری منتقل کنند که بعداً می توانند سوخت ها را در محصولات آماده استفاده استفاده کرده و استراتژی هایی را برای صنعتی سازی مقیاس تولید ابداع کنند. با توجه به حجم گسترده آزمایش و نوآوری لازم برای تحقق همه این موارد ، اسكو و همكاران وی از روشهای تحلیل نوآورانه برای ارزیابی اینكه آیا این تعهد واقعاً می تواند به بازی آخر جایگزین سوخت جت كه خطوط هوایی مایل به استفاده از آن هستند برسد استفاده كرد.

اسوان گفت: "امید ما این است که در مراحل اولیه تحقیق ، حداقل اگر بتوانیم این مسیرهای تولید سوخت را تا مرحله بلوغ توسعه دهیم ، شبیه سازی کنیم. وی گفت: "اگر می خواستید آنها را به معیار اتانول سوق دهید — فناوری ایجاد اتانول از مواد گیاهی مانند ساقه ذرت ، برگ و کباب مدت زمان طولانی است و ما می توانیم قندها را با راندمان 90٪ تخمیر کنیم." ما را به قیمت بازار سوخت های نفتی سوق دهید؟ این مهم است که اکنون بدانید

دانشمند پروژه دانیل مندز در زمینه تولید سوخت جت زیستی در مقیاس آزمایشگاه در JBEI در Emeryville، CA کار می کند. اعتبار: آزمایشگاه مرلین چونگ / برکلی
"خوشبختانه ، پاسخ این است که آنها می توانند قابل دوام باشند. و ما پیشرفتهایی را شناسایی کردیم که باید در طول فرآیند تبدیل اتفاق بیفتد تا آن اتفاق بیفتد."

تصور روند تولید در مقیاس

با توجه به تجزیه و تحلیل زیست توده و سنتز سوخت که در JBEI توسعه یافته است ، هزینه تئوریک سوخت زیستی جت در سالهای اخیر به طور پیوسته کاهش یافته و در حال حاضر به ازای هر گالن 16 دلار کم است ، در حالی که در هنگام تأسیس JBEI 300 هزار دلار در هر گالن است. نویسنده و همکار JBEI بعد از دکترا Nawa Baral. هزینه سوخت جت استاندارد در هر گالن حدود 2.50 دلار است.

برای بررسی چگونگی سوخت سوخت جت می تواند از شکاف قیمت باقی مانده عبور کند ، تیم تحقیق از شبیه سازی های پیچیده رایانه ای استفاده کردند که از فناوری لازم و هزینه های بعدی مسیرهای تولید کامل و مقیاس پذیر در سطوح مختلف راندمان و با طیف وسیعی از زیست توده و ورودی های شیمیایی مدل سازی کردند . نویسندگان در کل پنج مسیر تولید مختلف را به چهار مولکول سوخت مجزا شبیه سازی کرده اند.

نتایج نشان داد که اگر تولید کنندگان قادر به تبدیل لیگنین باقی مانده به یک ماده شیمیایی با ارزش باشند - چیزی که محققان JBEI در حال حاضر به سمت آن کار می کنند- واقعاً هر 5 مسیر می توانند محصولات سوختی را با قیمت اصلی 2.50 دلار در هر گالن ایجاد کنند. سوختهای زیستی. اگر شرکتهای هواپیمایی حتی یک اعتبار مالی متوسط برای کاهش تولید گازهای گلخانه ای نیز داشته باشند ، می توان قیمت خالص گالن سوخت زیستی را کاهش داد.

پس از برخی تحقیقات صنعت ، این تیم همچنین دریافت که خطوط هوایی ممکن است مایل به پرداخت حق بیمه به همان اندازه پنجاه سنت در هر گالن باشند زیرا هر چهار سوخت سوخت زیستی بیشتر از هر واحد واحد انرژی بیشتری را تحویل می دهند ، به این معنی که یک هواپیما می تواند با مخزن به همان اندازه پرواز کند. .

بلیک سیمونز ، نویسنده و مدیر ارشد علوم و فناوری در JBEI گفت: "توسعه ترکیبات گیاهی که دارای مزیت عملکرد نسبت به همتایان مبتنی بر نفتی هستند ، عامل مهمی در تعیین میزان زنده ماندن در بازار آنها است."

با این حال ، همانطور که این یافته ها امیدوار کننده هستند ، دستیابی به فناوری تولید سوخت های زیستی به بازده استاندارد طلا که در این شبیه سازی ها فرض شده است ، پیشرفت های بیشتری را می طلبد.

اسوان خاطرنشان كرد: "واضح است كه براي رسيدن به اين سوختها به قابليت تجاري ، همه نياز به دستي روي عرشه داريم." "اما این تجزیه و تحلیل اهمیت مراکز تحقیقاتی یکپارچه و یکپارچه مانند JBEI را برجسته می کند ، زیرا هیچ گروهی که به تنهایی در یک مرحله از فرآیند کار می کند ، نمی تواند این امر را انجام دهد."

https://bit.ly/2XY2CTa

بازدید : 407
چهارشنبه 14 خرداد 1399 زمان : 20:17

آیا هوش مصنوعی (AI) می تواند در درک چگونگی درک مغز از زبان به ما کمک کند؟ آیا علم عصب شناسی می تواند به ما کمک کند درک کند که چرا هوش مصنوعی و شبکه های عصبی در پیش بینی درک انسان مؤثر هستند؟


تحقیقات الكساندر هوت و شیلی جین از دانشگاه تگزاس در آستین (UT آستین) نشان می دهد كه هر دو ممكن است.

در مقاله ای که در کنفرانس 2018 درباره سیستم های پردازش اطلاعات عصبی (Neurips) ارائه شده است ، محققان نتایج آزمایشاتی را که از شبکه های عصبی مصنوعی استفاده کرده اند برای پیش بینی با دقت بیشتر از گذشته ، چگونگی پاسخ مناطق مختلف مغز به کلمات خاص توصیف می کنند.

هوت ، استادیار علوم اعصاب و علوم رایانه در UT Austin ، گفت: "وقتی کلمات به ذهن ما می رسد ، ما ایده هایی را که کسی به ما می گوید ، شکل می دهیم. "به نظر می رسد که باید سیستم هایی برای آن وجود داشته باشد ، اما عملاً ، این فقط به این صورت نیست که زبان کار کند. مانند هر چیز دیگری در زیست شناسی ، کاهش دادن مجموعه ساده ای از معادلات بسیار سخت است."

در این کار نوعی از شبکه عصبی مکرر به نام حافظه کوتاه مدت طولانی (LSTM) استفاده شده است که در محاسبات آن ، روابط هر کلمه با آنچه قبل از آن برای حفظ بهتر زمینه وجود دارد را شامل می شود.

جین ، دکتری گفت: "اگر یک کلمه دارای معانی متعدد باشد ، بسته به آنچه در گذشته گفته شد ، معنی آن کلمه را استنباط می کنید." دانشجوی آزمایشگاه هوت در UT Austin. فرضیه ما این است که این امر منجر به پیش بینی بهتر فعالیت مغز خواهد شد زیرا مغز به زمینه اهمیت می دهد. "

به نظر می رسد واضح است ، اما برای چندین دهه آزمایش های علوم اعصاب پاسخ مغز به کلمات فردی را بدون احساس ارتباط آنها به زنجیره کلمات یا جملات در نظر می گرفت. (هاوت اهمیت انجام "علوم اعصاب در دنیای واقعی" را در مقاله ای در مارس 2019 در مجله علوم شناختی علوم شناختی توضیح می دهد .)

محققان در کار خود آزمایشات لازم را انجام داده اند تا آزمایش کنند و در نهایت پیش بینی کنند که چگونه مناطق مختلف در مغز هنگام گوش دادن به داستانها (بطور خاص ساعت رادیویی شبانه) پاسخ می دهند. آنها از داده های جمع آوری شده از دستگاه های fMRI (تصویربرداری رزونانس مغناطیسی عملکردی) استفاده کردند که تغییرات سطح اکسیژن رسانی خون در مغز را براساس میزان فعالیت گروههای عصبی فعال می کند. این به عنوان خبرنگار جایی که مفاهیم زبانی در مغز "نمایش داده می شوند" خدمت می کند.



آنها با استفاده از ابر رایانه های قدرتمند در مرکز محاسبات پیشرفته تگزاس (TACC) ، آنها یک الگوی زبان را با استفاده از روش LSTM آموزش دادند ، بنابراین می تواند به طور مؤثر پیش بینی کند چه کلمه ای در آینده خواهد آمد - وظیفه ای که مشابه جستجوهای خودکار Google است ، که ذهن انسان بخصوص آن را پذیرفته است. در

هوت گفت: "در تلاش برای پیش بینی کلمه بعدی ، باید این مطالب دیگر را بطور ضمنی یاد بگیریم که زبان چگونه کار می کند." ""

بر اساس مدل زبان و داده های fMRI ، آنها سیستمی را آموزش داده اند که می تواند پیش بینی کند که چگونه مغز هنگام اولین بار شنیدن هر کلمه در یک داستان جدید پاسخ می دهد.

تلاش های گذشته نشان داده بود که می توان پاسخ های زبانی را در مغز بصورت مؤثر بومی سازی کرد. با این حال ، تحقیقات جدید نشان می دهد که اضافه کردن عنصر زمینه ای - در این مورد تا 20 کلمه پیشین - پیش بینی های فعالیت مغز را به میزان قابل توجهی بهبود می بخشد. آنها دریافتند که پیش بینی های آنها حتی وقتی از کمترین مقدار زمینه استفاده می شود ، بهبود می یابد. هرچه زمینه ارائه بیشتر باشد ، دقت پیش بینی های آنها بهتر خواهد بود.

جین گفت: "تجزیه و تحلیل ما نشان داد كه اگر LSTM كلمات بیشتری را در خود جای دهد ، در پیش بینی كلمه بعدی بهتر می شویم."

تحقیقات بیشتر انجام شد. این کاوش نشان داد که قسمت هایی از مغز نسبت به میزان زمینه حساس تر هستند. به عنوان مثال ، آنها دریافتند که مفاهیمی که به نظر می رسد در قشر شنوایی بومی سازی شده اند ، وابستگی کمتری به متن دارند.

مدل رمزگذاری متن متنی با محرکهای روایی. هر کلمه در داستان ابتدا در یک فضای تعبیه 985 بعدی پیش بینی می شود. توالی نمایش کلمات سپس به یک شبکه LSTM که به عنوان یک مدل زبان از قبل آموزش داده شده تغذیه می شود. اعتبار: آزمایشگاه هاوت ، UT آستین
هاوت توضیح داد: "اگر كلمه سگ را می شنوید ، این منطقه اهمیتی نمی دهد كه 10 كلمه قبل از آن چه بوده است ، فقط به صدای كلمه سگ پاسخ می دهند."

از طرف دیگر ، مناطقی از مغز که با تفکر سطح بالاتر سر و کار دارند ، وقتی زمینه های بیشتری را شامل می شد ، آسان تر می شدند. این پشتیبانی از تئوری های درک ذهن و زبان.

هاوت گفت: "یک مکاتبات بسیار خوب بین سلسله مراتب شبکه مصنوعی و سلسله مراتب مغز وجود داشت ، که جالب دیدیم."

پردازش زبان طبیعی یا NLP در سالهای اخیر گامهای بزرگی برداشته است. اما وقتی پاسخ به سؤالات ، گفتگوهای طبیعی یا تحلیل احساسات در متون نوشتاری می آید ، NLP هنوز راه طولانی دارد. محققان معتقدند که مدل زبانی توسعه یافته LSTM می تواند در این مناطق کمک کند.

LSTM (و به طور کلی شبکه های عصبی ) با اختصاص مقادیر در فضای بسیار بعدی به اجزای جداگانه (در اینجا ، کلمات) کار می کند تا هر مؤلفه ای بتواند با هزاران روابط متفاوت خود با بسیاری موارد دیگر تعریف کند.

محققان مدل این زبان را با تغذیه ده ها میلیون کلمه از پست های Reddit آموزش دادند. سپس سیستم آنها پیش بینی می کند که چگونه هزاران وکسل (پیکسل های سه بعدی) در مغز شش موضوع به مجموعه دوم داستان پاسخ می دهند که قبلاً نه مدل و نه افراد شنیده بودند. از آنجا که آنها به اثرات طول بافت و تأثیر لایه های انفرادی در شبکه عصبی علاقه مند بودند ، در اصل 60 عامل مختلف (20 طول حفظ بافت و سه بعد از لایه های مختلف) را برای هر موضوع آزمایش کردند.

همه اینها منجر به مشکلات محاسباتی در مقیاس عظیم می شود و نیاز به مقادیر عظیمی از قدرت محاسباتی ، حافظه ، ذخیره سازی و بازیابی داده ها دارد. منابع TACC به خوبی با این مشکل سازگار بودند. محققان برای حفظ و توزیع داده ها از ابر رایانه ماوریک استفاده کردند که شامل هم GPU و هم CPU است و Corral که یک منبع ذخیره و مدیریت داده است. آنها با موازی کردن مشکل در بسیاری از پردازنده ها ، آنها توانستند آزمایش محاسباتی را در هفته ها و نه سالها اجرا کنند.

هاوت گفت: "برای توسعه موثر این مدل ها ، به داده های آموزشی زیادی نیاز دارید." "این بدان معنی است که شما باید هر بار که بخواهید وزنه ها را به روز کنید ، از کل مجموعه داده خود عبور کنید. و اگر از منابع موازی مانند منابع TACC استفاده نکنید ، ذاتاً بسیار کند است."

اگر به نظر پیچیده است ، خوب است.

این امر باعث می شود تا هاوت و جین یک نسخه روان تر از سیستم را در نظر بگیرند ، جایی که به جای ایجاد یک مدل پیش بینی زبان و سپس استفاده از آن در مغز ، آنها مدلی را توسعه می دهند که مستقیماً پاسخ مغز را پیش بینی می کند. آنها این را یک سیستم پایان پذیر می نامند و جایی است که هاوت و جین امیدوارند که در تحقیقات آینده خود شرکت کنند. چنین مدلی عملکرد خود را مستقیماً در پاسخهای مغزی بهبود می بخشد. یک پیش بینی اشتباه از فعالیت مغز می تواند بازخورد خود را در این مدل و پیشرفت های مختلف ایجاد کند.

هاوت گفت: "اگر این کار کند ، ممکن است که این شبکه بتواند یادگیری خواندن متن یا زبان ورودی را به طور مشابه با عملکرد مغز ما بیاموزد." "Google Translate را تصور کنید ، به جای اینکه فقط یک مجموعه قوانین یاد بگیرید ، آنچه را که می گویید را درک می کند."

با وجود چنین سیستمی ، هاوت معتقد است تنها زمانی زمان بر است که یک سیستم ذهن خوانی که بتواند فعالیت مغز را به زبان ترجمه کند امکان پذیر است. در این میان ، آنها از آزمایشات خود به دانش علوم اعصاب و هوش مصنوعی دست می یابند.

جین گفت: "مغز یک ماشین حسابگر بسیار مؤثر است و هدف از هوش مصنوعی ساخت ماشینهایی است که در تمام کارهایی که یک مغز می تواند انجام دهد واقعاً خوب است." "اما ، ما چیزهای زیادی در مورد مغز نمی فهمیم. بنابراین ، ما سعی می کنیم از هوش مصنوعی استفاده کنیم تا ابتدا مغز را چگونه کار کند ، و سپس ، بر اساس بینش هایی که از طریق این روش بازجویی به دست می آوریم ، و از طریق علوم عصبی نظری ، ما از آن نتایج برای توسعه هوش مصنوعی بهتر استفاده می کنیم.

"ایده این است که سیستم های شناختی ، اعم از بیولوژیکی و مصنوعی را بشناسیم و از آنها بطور همزمان برای درک و ساخت ماشینهای بهتر استفاده کنیم."

https://tinyurl.com/y772hq8t

بازدید : 350
چهارشنبه 14 خرداد 1399 زمان : 20:15

اگر به این ربات انتخاب و قرار دهید ، سریعاً می بینید که چرا این یک معامله بزرگ است - نه برای مهارت و حرکات خوب ، هرچند که این ربات در هر دو امتیاز دارد ، بلکه فقط به این دلیل که بسیار هوشمندانه است.


از اخبار موجود در آزمایشگاههای دانشگاه کاملاً آشکار است که بازوها و دستهای روباتیک که برای چیدن و مرتب سازی طراحی شده اند موضوعی مکرر است. محققان بلندپرواز تلاش می کنند برای راه حل های کارآمد امتیاز بالاتری کسب کنند.

همانطور که MIT CSAIL بیان کرد ، "برای تمام پیشرفت هایی که ما با روبات ها انجام داده ایم ، آنها هنوز هم به سختی مهارت های یک ساله را ندارند. روبات های کارخانه می توانند بارها و بارها همان شی را انتخاب کنند و برخی حتی می توانند این کار را انجام دهند. برخی تفاوت های اساسی بین اشیاء وجود دارد ، اما آنها معمولاً در درک طیف گسترده ای از اشکال و اندازه های شیء یا اینکه قادر به انتقال اشیاء گفته شده به حالت های مختلف یا مکان های مختلف هستند ، مشکل دارند. "

وزوز این هفته همه چیز راجع به این ربات ، با سبک "کلیدهای کلیدی" خود برای دستیابی به سطح هماهنگی پیشرفته تر. آنها روش جدیدی را برای شناسایی و جابجایی کل کلاسهای اشیاء کشف کرده اند و آنها را به عنوان گروه هایی از کلیدهای 3 بعدی معرفی می کنند.


مهندس به نقل از استاد MIT ، Russ Tedrake ، نویسنده ارشد مقاله ، شرح كار و كار خود را در مورد arXiv. "روبات ها می توانند تقریباً هر چیزی را انتخاب کنند ، اما اگر این شیئی باشد که قبلاً آنها را ندیده اند ، در واقع نمی توانند آن را به هر روشی معنی دار کاهش دهند."

مهندس گره خورده خود را به رویکردی که مانند "نوعی نقشه راه بصری که امکان دستکاری های ظریف تر را می دهد " داد.

می توانید این فیلم را در یک ویدئو پیش نمایش kPAM با عنوان "دستکاری دقیق ربات با اشیاء هرگز دیده شده" مشاهده کنید. Kpam چیست؟ این مخفف عبارت Keypoint Affordances برای دستکاری سطح رباتیک است. این روبات تمام اطلاعات مورد نیاز برای چیدن ، جابجایی و قرار دادن اشیاء را دریافت می کند.

Russ Tedrake ، استاد MIT گفت: "درک فقط کمی بیشتر در مورد جسم - مکان چند نکته مهم - کافی است تا طیف گسترده ای از کارهای مفید دستکاری را فعال کنید."

مقاله ای که کار آنها را که مربوط به arXiv است ، شرح می دهد ، با عنوان "kPAM: KeyPoint Affordances for دستکاری رباتیک رده در سطح" ، توسط لوکاس مانوولی ، وی گائو ، پیتر فلورانس و Russ Tedrake. آنها با CSAIL (آزمایشگاه علوم کامپیوتر و هوش مصنوعی) از انستیتوی فناوری ماساچوست هستند.



این همان چیزی است که نویسندگان این مقاله در مورد چگونگی رویکرد آنها گامی از " خطوط لوله دستکاری" موجود می گویند . حالت دوم به طور معمول تنظیمات مورد نظر را به عنوان یک هدف 6-DOF مطرح می کند ، که محدودیت های آن را دارد. نمایش یک شیء "با یک تغییر پارامتری تعریف شده بر روی یک الگوی ثابت نمی تواند تغییرات بزرگی را در فرم دسته بندی ایجاد کند و مشخص کردن یک هدف در سطح رده می تواند از نظر جسمی غیرقابل نفوذ باشد یا در انجام کار ناکام باشد."

دانستن وضعیت و اندازه یک لیوان قهوه نسبت به برخی لیوان های معمولی بسیار مناسب است ، اما آویز کردن آن بر روی قفسه توسط دسته آن کافی نیست. رویکرد آنها استفاده از "کلیدهای معنایی 3 بعدی به عنوان بازنمایی شی" است. نتایج اکتشاف آنها چه بود؟ روش آنها قادر به کنترل "تغییرات بزرگ در ردههای دسته جمعی بدون هیچ گونه تنظیم دقیق و مشخص" بود.

این تیم گزارش داد كه "آزمایشهای سخت افزاری گسترده نشان می دهد كه روش ما می تواند با اطمینان اشیاء دیده شده در طبقه بندی ، مانند قرار دادن كفش و لیوان با تغییر شکل قابل توجه در تنظیمات سطح هدف ، به طور قابل اطمینان وظایف خود را انجام دهد."

https://rb.gy/yv88md

بازدید : 342
چهارشنبه 14 خرداد 1399 زمان : 20:03

محققان MIT ، دانشگاه کلمبیا و جاهای دیگر با استفاده از سلولهای بیولوژیکی ، رباتهایی را از نظر محاسباتی ساده ساخته اند که در گروههای بزرگ برای حرکت در اطراف ، حمل و نقل اشیاء و انجام سایر کارها به یکدیگر متصل می شوند.


این سیستم به اصطلاح "رباتیک ذره" - بر اساس پروژه ای از MIT ، مهندسی کلمبیا ، دانشگاه کرنل و محققان دانشگاه هاروارد - بسیاری از واحدهای به شکل دیسک را تشکیل می دهد که به طور مناسب "ذرات" نامیده می شوند. این ذرات توسط آهنرباهای اطراف محیط خود متصل می شوند. هر ذره فقط می تواند دو کار انجام دهد: گسترش و انقباض. اما این حرکت ، وقتی با دقت انجام شود ، به ذرات فرد اجازه می دهد تا در حرکت هماهنگ یکدیگر را فشار داده و بکشند. سنسورهای روی هیئت مدیره این خوشه را قادر می سازند تا به سمت منابع نوری گرایش پیدا کنند.

در یک مقاله Nature ، محققان خوشه ای از دو ده ذره رباتیک واقعی و شبیه سازی مجازی تا 100000 ذره را نشان می دهند که از طریق موانع به سمت یک لامپ نوری حرکت می کنند. آنها همچنین نشان می دهند که یک ربات ذره می تواند اشیاء قرار داده شده در وسط آن را منتقل کند.

روبات های ذره می توانند در بسیاری از تنظیمات شکل بگیرند و به طور روان حرکت کنند و در اطراف موانع حرکت کرده و شکافهای محکم را فشار دهند. نکته قابل توجه این است که هیچ یک از ذرات به طور مستقیم با یکدیگر ارتباط برقرار نمی کنند و برای کارکرد به یکدیگر متکی هستند ، بنابراین ذرات می توانند بدون هیچ گونه تأثیر بر گروه اضافه یا تفریق شوند. محققان در مقاله خود نشان می دهند که سیستم های رباتیک ذرات حتی در صورت عدم عملکرد بسیاری از واحدها می توانند وظایف خود را انجام دهند.

این مقاله روشی جدید برای تفکر در مورد روبات ها ، که به طور سنتی برای یک منظور طراحی شده اند ، شامل بسیاری از قسمت های پیچیده است و در صورت خراب شدن هر قسمت ، کار را متوقف می کنیم. محققان می گویند ، روبات هایی که از این مؤلفه های ساده تشکیل شده اند ، می توانند سیستم های مقیاس پذیرتر ، انعطاف پذیر و قوی تر را فعال کنند.


این فیلم یک سلول منفرد را از منظره مورب و سپس نمای بالا نشان می دهد. این فیلم همچنین نشان دهنده تحرک ربات ذرات با گروهی از نوسان سلولها با تاخیر فاز موقعیتی است.
"دانیلا روس" مدیر آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و استاد اندرو و ارنا ویتربی استاد مهندسی برق و اندرو می گوید: "ما سلول های ربات کوچکی داریم که به اندازه افراد قادر نیستند اما می توانند کارهای بزرگی را انجام دهند." علوم کامپیوتر. "این روبات به خودی خود ایستا است ، اما به طور ناگهانی با سایر ذرات ربات ارتباط برقرار می کند ، به طور ناگهانی مجموعه ربات می تواند جهان را کشف کند و اقدامات پیچیده تری را کنترل کند. با این" سلول های جهانی "ذرات ربات می توانند به اشکال مختلفی دست یابند . تحول ، حرکت جهانی ، رفتار جهانی ، و همانطور که در آزمایشات خود نشان داده ایم ، از شیب نور استفاده کنید. این بسیار قدرتمند است. "



پیوستن به روی کاغذ بر روی کاغذ عبارتند از: نویسنده اول Shuguang Li ، یک پست الکترونیکی CSAIL؛ نویسنده اول ریچا باترا و نویسنده مربوطه هود لیپسون ، هر دو از مهندسی کلمبیا. دیوید براون ، هیون دونگ چانگ و نیکیل رانگاناتان از کرنل؛ و چاک هابرمن از هاروارد.

در MIT ، روسیه نزدیک به 20 سال روی ربات های مدولار و متصل کار کرده است ، از جمله یک ربات مکعب در حال گسترش و انقباض که می تواند برای حرکت به دیگران متصل شود. اما شکل مربع حرکت و تنظیمات گروه روبات ها را محدود می کرد.

این محققان با همکاری آزمایشگاه لیپسون ، جایی که لی فارغ التحصیل فارغ التحصیل از تحصیلات تکمیلی بود و در سال 2014 به MIT رفتند ، به مکانیسم هایی به شکل دیسک رفتند که بتوانند به دور یکدیگر بچرخند. آنها همچنین می توانند از یکدیگر متصل و جدا شوند و در تنظیمات زیادی شکل بگیرند.

هر واحد ربات ذره دارای پایه استوانه ای است که در آن یک باتری ، یک موتور کوچک ، حسگرهایی که شدت نور را تشخیص می دهند ، یک میکروکنترلر و یک مؤلفه ارتباطی است که سیگنال هایی را ارسال و دریافت می کند. بالای آن ، اسباب بازی كودكی به نام حلقه پرواز هوبرمن قرار دارد كه مخترع آن یكی از نویسندگان مقاله است - این صفحه شامل پانل های كوچكی است كه به صورت دایره ای متصل شده اند و می توان آن را كشید تا گسترش یابد و به عقب رانده شود. در هر پنل دو آهنربا کوچک نصب شده است.


این فیلم روش آزمایشی را برای فوتوتاکسیز ربات ذره ، از جمله دوره تنظیم مجدد فاز هنگام خاموش شدن چراغهای سربار نشان می دهد. این به طور کلی از فیلم ها حذف می شود تا طول فیلم و اندازه پرونده کاهش یابد. این ویدئو همچنین رفتارهای نشان داده شده با فوتوتاکسیس ، به ویژه تحرک نسبت به تغییر منابع نور ، حمل و نقل شیء تعاونی و جلوگیری از مانع را نشان می دهد. این آزمایشات مطابق با شکل 3a-3c است.
این ترفند در حال برنامه ریزی ذرات رباتیک برای گسترش و انقباض در یک دنباله دقیق بود تا بتواند كل گروه را به سمت منبع نور مقصد سوق دهد. برای انجام این کار ، محققان هر ذره را به یک الگوریتم مجهز کردند که اطلاعات پخش شده در مورد شدت نور را از هر ذره دیگر ، بدون نیاز به ارتباط مستقیم ذره به ذره ، تجزیه و تحلیل می کند.

سنسورهای یک ذره شدت نور را از یک منبع نور تشخیص می دهند. هرچه ذره به منبع نور نزدیکتر باشد ، شدت آن بیشتر می شود. هر ذره دائماً سیگنالی را پخش می کند که سطح شدت درک شده خود را با سایر ذرات به اشتراک می گذارد. بگویید یک سیستم رباتیک ذره شدت نور را در مقیاس سطح 1 تا 10 اندازه گیری می کند: ذرات نزدیک به نور سطح 10 را ثبت می کنند و دورترین ها سطح 1 را ثبت می کنند. سطح شدت به نوبه خود با زمان خاصی مطابقت دارد که ذره باید آن را انجام دهد. بسط دادن. ذرات با بالاترین شدت — سطح 10. ابتدا گسترش می یابند. با انقباض این ذرات ، ذرات بعدی به ترتیب ، سطح 9 ، گسترش می یابند. این گسترش به موقع و حرکت پیمانکاری در هر سطح بعدی اتفاق می افتد.

https://v.ht/Gmy8

بازدید : 374
سه شنبه 13 خرداد 1399 زمان : 21:07

محققان دانشگاه لوکزامبورگ بخشی از تیم بین المللی هستند که اولین سیستم blockchain را برای تضمین عملکرد مناسب پیشنهاد داده اند حتی اگر بیش از 51 درصد از قدرت محاسباتی سیستم توسط یک مهاجم کنترل شود.


این سیستم ، RepuCoin ، مفهوم "شهرت" را برای ایجاد blockchain معرفی می کند ، و به طور موثری آن را هزاران برابر گرانتر از حمله به بیت کوین می کند. این مرکز در مرکز بین رشته ای امنیت ، اطمینان و اعتماد دانشگاه ایجاد شده است و این پتانسیل را دارد که در تعدادی از بخش های جهانی از جمله fintech ، انرژی ، زنجیره های تأمین مواد غذایی ، مراقبت های بهداشتی و شبکه های ارتباطی 5G آینده استفاده شود.

یکی از مهمترین مزیت های سیستم های مبتنی بر blockchain ، مانند بیت کوین ، این است که کل شبکه تغییراتی را در داده ها از طریق اجماع دموکراتیک مشاهده و تصویب می کند. کاربران لازم نیست اعتماد و پول خود را در اختیار یک مقام مرکزی واحد قرار دهند. با این حال ، برای دستیابی به این هدف ، سیستم های موجود قدرت محاسباتی یک معدنکار را دارند که برای استخراج بلوک های جدید با قدرت رای گیری خود استفاده می شود ، برای تصمیم گیری در مورد کدام بلوک معاملات برای تعهد به دفترخانه برابر است.

این یک ضعف ذاتی ایجاد می کند: به محض اینکه یک معدنچی بیش از 50 درصد قدرت محاسباتی سیستم را کنترل می کند ، وی قدرت رأی گیری را نیز کنترل می کند. عدم کارایی سیستم به طور مؤثر متوقف می شود. آن معدنچی می تواند بلوک های پیشنهادی توسط معدنچیان رقیب را رد کند ، از افزودن معاملات انتخاب شده به بلوک جلوگیری کند و حتی بتواند بلوک هایی را که قبلاً در آن بود داشته باشید.

برای حل این مسئله ، RepuCoin قدرت رأی گیری را مطابق "شهرت" یک معدنکار محاسبه می کند . بر خلاف شهرت اجتماعی ، این یک کیفیت کاملاً ریاضی است که از طریق استخراج مداوم و صادقانه در طی دوره های طولانی مانند شارژ باتری قبل از استفاده از آن جمع می شود. این امر باعث می شود RepuCoin اولین سیستم در برابر معدنچیانی باشد که 51 درصد یا بیشتر از منابع محاسباتی شبکه را در اختیار دارند.

بیشتر بخوانید: قیمت اکچویتور

محقق برجسته ، دکتر جیانگشان یو — پیش از این در مرکز بین رشته ای دانشگاه برای امنیت ، قابلیت اطمینان و اعتماد و اکنون مدرس دانشگاه موناش ، استرالیا ، می گوید: "ما قبلاً استخرهای معدن مانند Ghash.io را از آستانه 50 درصد در بیت کوین فراتر رفته ایم. همانطور که نگران کننده است ، اکنون هکرها می توانند این نوع قدرت محاسباتی را در عرض چند ثانیه اجاره دهند و به آنها امکان انجام حملات فلش را بدهند. RepuCoin تنها نوع blockchain در حال حاضر در بازار است که می تواند در مقابل چنین حملات هایی مقاومت کند . "

حمله به RepuCoin با 68 درصد از کل قدرت معدن سیستم حداقل 6 ماه از زمان اجرای سیستم برای یک سال و حداقل 5760 برابر گرانتر از انجام همان حمله به بیت کوین خواهد بود. و به دلیل شیوه انباشت شهرت ، هرچه RepuCoin طولانی تر شود ، حمله به آن انعطاف پذیرتر است. به عنوان مثال ، هنگامی که سیستم تنها سه ماه در حال کار ایمن بوده است ، یک مهاجم برای یک رفتار بیشتر باید 90 درصد از قدرت محاسبات کلی را برای یک ماه دیگر مهار کند.

پرفسور پائولو استیوز-وروسیمو ، که نویسنده کار SnT در امنیت و اعتماد به نفس بحرانی و شدید است ، می گوید: "این یک راه حل زیبا برای مشکلی است که بسیاری فکر می کردند غیرقابل حل است. آنها می توانند با 99 درصد از کل توان محاسباتی به RepuCoin بپیوندند و آنها هنوز قادر به حمله به آن نیستند. "

بازدید : 412
سه شنبه 13 خرداد 1399 زمان : 21:05

گفتن اینکه انویدیا به هوش مصنوعی علاقه مند است یک عدم تفاهم است. مثل این است که بگوییم انویدیا فناوری را جالب می داند. به گفته آن ، پلت فرم هوش مصنوعی این شرکت یک دهه سرمایه گذاری چند میلیارد دلاری است که برای پیشرفت علم رایانه هوش مصنوعی انجام داده است .


می توان گفت انویدیا با مد روزترین برنامه روبرو شده است - همانطور که غول های فناوری با بهترین و درخشان ترین تیم ها رقابت می کنند تا AI را به جلو سوق دهند.

" مصنوعی هوش و یادگیری ماشین آرمان نه تنها در فن آوری اما حتی در شرکت است،" نوشت در JC تورس SLASHGEAR . با این حال ، "حتی برای برخی از توسعه دهندگان ، AI همچنان یک زمینه تقریباً باطنی است و فقط در دسترس کسانی است که دارای رایانه های گوشتی هستند و می توانند حجم کار را تحمل کنند."

"هوش مصنوعی پیچیده به طور کلی یک گزینه برای دستگاه های گشتن زمانی که رایانه های کوچک به ندرت می توانید خیلی بیشتر رسیدگی از اصول اولیه، گفت:" جان Fingas در کالا .

انویدیا گفت: "قدرت هوش مصنوعی تا حد زیادی برای جامعه سازنده و در آموزش و پرورش غیر قابل دسترس است ، زیرا فناوری های معمولی قدرت محاسباتی کافی را ندارند و فاقد یک بستر نرم افزاری AI هستند ."

انویدیا معتقد است این چیزی است که می خواست درباره آن فکر کند - و خیلی چیزهای دیگر. با هماهنگ باشید زیرا انویدیا درها را برای سازندگان با سیستمی برای کارهای هوش مصنوعی لگد می زند. "IT" یک ماژول اندازه جیب ، یک کامپیوتر هوش مصنوعی ، جتسون نانو است. همانطور که از این عنوان پیداست ، به همان اندازه قوی ، با قدرت 70 45 45 میلی متر است.

طولانی و کوتاه ، فوق ستاره GPU در حال بیرون کشیدن جتسون نانو است.

انویدیا به جهانیان می گوید که قدرت هوش مصنوعی مدرن را به صورت یک بستر کوچک به دستگاه ها می رساند. این شرکت گفت: "این دنیای جدیدی از برنامه های کاربردی IoT تعبیه شده ، از جمله ضبط کننده های ویدیویی شبکه ای (NVR) ، سطح روبات های خانگی و دروازه های هوشمند با قابلیت های کامل تحلیلی را باز می کند." هوش مصنوعی می تواند به دستگاههای مختلف از شهرها ، از شهرهای هوشمند گرفته تا روباتیک اعزام شود. این به معنای چیزی برای tinkerers فروتن نیز خواهد بود.

بیشتر بخوانید: قیمت اکچویتور
Engadget : "شما می توانید بدون صرف ثروت ، روبات خود را بسازید ." کریس اندرسون از پروژه Dronecode بنیاد لینوکس تعارفاتی را برای این مجموعه ارائه داد که "هوش مصنوعی پیشرفته را به جنبش DIY وارد می کند". اندرسون همچنین گفت که این "راهی عالی برای آموزش یادگیری عمیق و روباتیک به مخاطبان گسترده تر است."



جتسون بستر انویدیا برای هوش مصنوعی است و شرکت آن را به عنوان ایده آل برای پروژه های پرحجم رایانه ای قرار می دهد. این دستگاه می تواند عملکرد بالا و محاسبات کم مصرف را ارائه دهد.

Fingas در Engadget گفت: "حداقل در سطح ممکن است اگر به دنبال ساخت ربات یا بلندگو هوشمند خود باشید ، به نقطه شیرین برسد ." وی نوشت: این دستگاه از 4 گیگابایت رم ، گیگابیت اترنت و I / O استفاده می کند که به دوربین و سایر لوازم جانبی نیاز دارید.

کارایی؟ این عملکرد 472 GFLOPS عملکرد محاسباتی را برای اجرای بارهای مدرن هوش مصنوعی ارائه می دهد. محاسبات کم مصرف؟ قادر به مصرف حداقل 5 وات است.

کریس دوکت در ZDNet گفت: "برای فیلم H.264 و H.265 ، نانو قادر است هشت جریان 1080p را به طور موازی پردازش کند در حالی که تشخیص شیء را در هر هشت جریان به طور همزمان با سرعت 30 فریم در ثانیه انجام می دهد."

ماژول جتسون نانو 129 دلار در مقادیر 1000 یا بیشتر است و از ماه ژوئن حمل و نقل از طریق توزیع کنندگان انویدیا آغاز می شود.

کیت توسعه دهنده Jetson Nano اکنون با 99 دلار در دسترس است. Nvidia کیت توسعه دهنده را با هدف توسعه دهندگان ، دانشجویان و سازندگان منتشر می کند. این کیت با پشتیبانی از دسکتاپ لینوکس ارائه می شود. این شرکت بیشتر از سازگاری با بسیاری از لوازم جانبی و لوازم جانبی حمایت کرده است. (Duckett خاطرنشان كرد كه براي نسخه dev kit نياز به کارت SD داريد.)

یادداشت های ویدئوی کیت می گوید کیت جتسون نانو یک رایانه است "به شما امکان می دهد چندین برنامه عصبی را بطور موازی برای برنامه هایی مانند طبقه بندی تصویر ، تشخیص شی ، تقسیم بندی و پردازش گفتار اجرا کنید."

ناظران خارج از انویدیا پیش بینی کردند که این کیت به دلیل قیمت گذاری جذابیت کاملی خواهد داشت. HotHardware طنین انداز پیدا کرد و این مجموعه را به عنوان "Raspberry Pi style" برای "محققان هوش مصنوعی و جمعیت DIY " نامید. (خوب ، تورس در SlashGear گفت کیت توسعه دهنده انویدیا "بزرگتر از Raspberry Pi است ، اما همچنین قدرت بیشتری را نسبت به آن کامپیوتر تک تخته ای بسته می کند.")

بازدید : 359
سه شنبه 13 خرداد 1399 زمان : 21:03

یک سیستم جدید که توسط محققان MIT ابداع شده است می تواند رفتار همه دستگاه های برقی را در داخل یک ساختمان ، کشتی یا کارخانه کنترل کند و تعیین کند که کدام یک از آنها در هر زمان معینی مورد استفاده قرار می گیرند و اینکه آیا کدام یک نشانه هایی از خرابی قریب الوقوع را نشان می دهد. هنگامی که در دستگاه برش گارد ساحلی آزمایش شد ، این سیستم موتور را با سیم کشی سوخته که می تواند منجر به آتش سوزی جدی در هواپیما شود ، مشخص کرد.


سنسور جدید، که قرائت را می توان در یک صفحه نمایش گرافیکی آسان برای استفاده و نظارت به نام NILM (نظارت بر بار غیر سرزده) داشبورد ، در شماره ماه مارس توصیف معاملات IEEE در انفورماتیک صنعتی توسط استاد دانشگاه MIT از، در یک مقاله مهندس برق استیون لب ، فارغ التحصیل اخیر آندره ابولیان MS '18 ، و هفت نفر دیگر در MIT ، گارد ساحلی ایالات متحده و آکادمی نیروی دریایی ایالات متحده. مقاله دوم در شماره ماه آوریل فناوری دریایی ، انتشارات انجمن معماران دریایی و مهندسان دریایی منتشر خواهد شد.

این سیستم از سنسوری استفاده می کند که به سادگی در خارج از یک سیم الکتریکی در یک نقطه متصل شده است ، بدون اینکه نیاز به برش یا خرد شدن سیم ها باشد. از آن نقطه منفرد ، می توان جریان جریان را در سیم مجاور حس کرد و با تجزیه و تحلیل نوسانات ریز و منحصر به فرد در ولتاژ و جریان هر زمان که باشد ، می تواند "امضاهای" متمایز هر موتور ، پمپ یا قطعه تجهیزات موجود در مدار را تشخیص دهد. دستگاه روشن یا خاموش می شود. همچنین می توان از این سیستم برای نظارت بر مصرف انرژی ، شناسایی پیشرفت های احتمالی بهره وری و تعیین زمان استفاده دستگاه ها یا بیکار بودن استفاده کرد.

بازرسی نشان داد که برخی از کویل های گرمایش موتور دیزل ، در سمت راست ، به سختی خورده بودند. کویل بدون رمز در سمت چپ نشان داده شده است. اعتبار: موسسه فناوری ماساچوست
این فناوری مخصوصاً برای سیستمهای الکتریکی نسبتاً کوچک ، مانند آنهایی که در خدمت یک کشتی کوچک ، ساختمان یا کارخانه با تعداد محدودی دستگاه برای نظارت هستند ، بسیار مناسب است. در یک سری آزمایشات برش گارد ساحلی مستقر در بوستون ، این سیستم سال گذشته نمایشی چشمگیر را ارائه داد.

حدود 20 موتور و دستگاه توسط داشبورد منفرد ، متصل به دو سنسور مختلف ، در برش USCGC Spencer ردیابی شدند . سنسورها ، که در این حالت اتصال سیمی سخت داشتند ، نشان می دادند که یک مقدار غیر عادی از قدرت توسط یک جزء از موتورهای دیزلی اصلی کشتی به نام بخاری آب ژاکت کشیده می شود. در این مرحله ، لیب می گوید ، خدمه سازندگان نسبت به خواندن شک داشتند اما به هر حال برای بررسی آن رفتند. بخاری ها در زیر پوشش های فلزی محافظ پنهان شده اند ، اما به محض خارج شدن پوشش از دستگاه مشکوک ، دود بیرون می آید و خوردگی شدید و عایق شکسته به وضوح آشکار می شود.

بیشتر بخوانید: قیمت اکچویتور

لیب می گوید: "کشتی پیچیده است." "این با شکوه اجرا و نگهداری می شود ، اما هیچ کس نمی تواند همه چیز را متوجه کند."

نمای کلی از برش محافظ ساحلی اسپنسر ، جایی که داشبورد توسعه یافته MIT مشکلاتی را که می تواند منجر به آتش سوزی الکتریکی شود ، در زمان خود برای جلوگیری از این خطر مشاهده کرد. اعتبار: موسسه فناوری ماساچوست
سرهنگ نیکلاس گالانتی ، افسر مهندس برش می گوید: "اخطار قبلی از سوی NILM به اسپنسر این امکان را داد تا در دوره نگهداری بنادر ما ، این بخاری ها را تهیه و جایگزین کند ، و با سیستم آبکاری ژاکت کاملاً مأموریتی مستقر کند." NILM یک خطر جدی در شوک را تشخیص داده است و احتمالاً از آتش سوزی کلاس چارلی [در موتورخانه ما جلوگیری کرده است.

این سیستم به گونه ای طراحی شده است که با کمی آموزش می توان از آن استفاده کرد. داشبورد رایانه برای هر وسیله ای که کنترل می شود شماره گیری دارد ، با سوزن هایی که در حالت عادی در منطقه سبز باقی می مانند ، اما هنگام مشاهده مشکل در قسمت زرد یا قرمز قرار می گیرند.

تشخیص ناهنجاری ها قبل از اینکه آنها را به خطر جدی تبدیل کنند ، وظیفه اصلی داشبورد است ، اما لیب خاطرنشان می کند که می تواند عملکردهای مفید دیگری را نیز انجام دهد. با نظارت مداوم از دستگاه هایی که در هر زمان مورد استفاده قرار می گیرند ، می تواند ممیزی انرژی را قادر سازد دستگاههایی را پیدا کند که هنگام استفاده کسی از آنها غیر ضروری روشن شده باشد یا موتورهای کم کارآمدتری پیدا کند که نسبت به همتایان مشابه خود جریان بیشتری را ترسیم می کنند. همچنین با نشان دادن اینکه آیا دستگاه طبق برنامه ریزی شده برای یک آزمایش خاص فعال شده است یا خیر ، می تواند اطمینان حاصل شود که از روش های مناسب نگهداری و بازرسی استفاده می شود.

بازدید : 334
سه شنبه 13 خرداد 1399 زمان : 21:01

یک اسکلت سبک کوچک ، کم وزن و ارزان قیمت مچ پا می تواند به طور گسترده ای در افراد سالخورده مورد استفاده قرار گیرد ، افراد دارای اختلال در قدرت عضلات پای پای و کارگرانی که شغل آنها نیاز به پیاده روی یا دویدن قابل توجهی دارد.


این دستگاه که توسط مهندسین مکانیک Vanderbilt ساخته شده است ، اولین دستگاه اسکلت مچ پا است که بدون محدود کردن حرکت می تواند در زیر لباس پوشیده شود. به اجزای اضافی مانند باتری یا محرک حمل شده در پشت یا کمر احتیاج ندارد.

این مطالعه که توسط IEEE Transactions on Systems عصبی و مهندسی توانبخشی بصورت آنلاین منتشر شده است ، براساس یک ایده موفقیت آمیز و بسیار گسترده استعاره اسکلتی مچ پا از محققان دیگر در سال 2015 ساخته شده است.

مت یاندل ، دکتری مهندسی مکانیک ، گفت: "ما نشان داده ایم که چگونه یک اسکلت اسکلت غیرقابل استفاده از مچ پا می تواند مجدداً طراحی شود تا بتواند در زیر لباس و کفش و کفش داخل آن قرار بگیرد ، تا یکپارچه تر در زندگی روزمره ادغام شود ." دانشجو و نویسنده اصلی مطالعه.

در یک پیشرفت قابل توجه در طراحی ، این تیم یک مکانیزم کلاچ اصطکاک غیرمجاز اختراع کرده است که در زیر پا یا کفش قرار می گیرد و ضخیم تر از یک کفی کفش معمولی نیست. دستگاه کامل که شامل یک آستین ساق پا نرم و فنر کمکی است ، وزن آن بیش از یک پوند است.

اسکلت اسکلت بدون مچ پا هزینه ساخت کمتر از 100 دلار دارد ، بدون آنکه در طراحی بهینه برای تولید و اقتصاد مقیاس کار کند.

کارل زلیک ، استادیار مهندسی مکانیک و نویسنده ارشد گفت: "طراحی ما سبک ، کم نمای ، بی سر و صدا است ، از موتور یا باتری استفاده نمی کند ، تولید آن کم هزینه است و طبیعتاً با سرعت های مختلف پیاده روی برای کمک به عضلات مچ پا سازگار است." در مطالعه

Zelik هفته آینده در کنفرانس انجمن روباتیک Wearable در ققنوس آریزونا ارائه خواهد داد.

وی گفت که برنامه های بالقوه گسترده است ، از جمله کمک به افراد سالخورده تا فعال شدن در کمک به پیاده روی های تفریحی ، پیاده روی یا دونده.

ذلیك گفت: "این همچنین می تواند به كاهش خستگی در مشاغل كه شامل پیاده روی زیادی است ، مانند كارمندان پست و انبار و سربازان در این زمینه كمك كند."

جوشوا تاکا ، BE'18 ، همچنین مؤلف است. او هم اکنون دانشجوی مقطع کارشناسی ارشد در گروه فیزیولوژی یکپارچه در دانشگاه کلرادو بولدر است. چند دانشجوی دیگر مهندسی کارشناسی ارشد وندربیلت نیز در طراحی دستگاه و آزمایش آزمایشی نقش داشته اند.

بیشتر بخوانید: قیمت اکچویتور

بازدید : 382
سه شنبه 13 خرداد 1399 زمان : 20:59

تیم کوچکی از محققان پزشکی دانشگاه هاروارد و MIT بخشی از Forum Policy را در ژورنال Science منتشر کرده اند که نشان می دهد سیستم های هوش مصنوعی پزشکی آینده می توانند در مقابل حملات دشمن قرار بگیرند. آنها خاطرنشان كردند كه تحقيقات قبلي نشان داده است كه تقريبا تمام سيستم هاي هوش مصنوعي به نوعي در برابر چنين حملاتي آسيب پذير هستند.

بیشتر بخوانید: قیمت اکچویتور
حمله خصمانه در زمینه یادگیری ماشینی تلاشی است از طریق ورود مخرب برای فریب دادن مدلی که چنین سیستمی روی آن ساخته شده است. در عمل ، این به معنای تغذیه یک سیستم هوش مصنوعی به نوعی اطلاعات است که آن را وادار می کند تا نتایج نادرست را برگرداند. محققان می گویند چنین حمله ای می تواند به سیستم های تشخیصی مانند برنامه ریزی شده برای یافتن سرطان با تجزیه و تحلیل اسکن انجام شود. آنها حتی نشان دادند كه چگونه با تغذیه یك سیستم الگوی صوتی خاصی كه باعث سردرگمی شده و نتیجه نتایج نادرست ایجاد می كند ، یك حمله خصمانه عمل می كند.

اما این نوعی حمله خصمانه نیست که محققان واقعاً نگران آن هستند. آنچه بیشتر آنها را نگران می کند سیستم های هوش مصنوعی است که توسعه یافته و در حال استفاده است که قبلاً در پردازش مطالبات و صورتحساب دخیل هستند - این امکان وجود دارد که بیمارستان ها یا حتی پزشکان بتوانند از چنین سیستم هایی برای تغییر اطلاعات در فرم ها استفاده کنند تا اطلاعات مربوط به فرم ها را تغییر دهند تا هزینه بیشتری توسط شرکت های بیمه پرداخت شود یا به عنوان مثال ، Medicaid برای انجام آزمایشات ، با تغییر یک کد برای ایجاد اشعه ایکس ساده مانند آزمایش MRI. تغذیه یک سیستم هوش مصنوعی به اطلاعات مناسب در زمان مناسب می تواند این کار را انجام دهد. همچنین این احتمال وجود دارد که یک بیمارستان بتواند به سیستم هوش مصنوعی خود آموزش دهد که بهترین راه های کلاهبرداری شرکت های بیمه یا دولت را پیدا کند و تشخیص آن را تقریبا غیرممکن می کند.

محققان پیشنهاد می کنند که یک رویکرد جدید برای سیاست گذاری مورد نیاز است - روشی که در آن افراد از طیف های مختلفی از جمله قانون ، علوم کامپیوتر و پزشکی پیش از شیوع این مشکل برطرف شوند. چنین گروه هایی شاید ، راههای جلوگیری از وقوع آن را پیدا کنند یا حداقل در صورت بروز آن ، آن را تشخیص دهند.

بازدید : 556
سه شنبه 13 خرداد 1399 زمان : 10:07

یک سیستم یادگیری جدید که توسط محققان MIT ساخته شده است ، توانایی روبات ها را در قالب دادن مواد به شکل های هدف و پیش بینی در مورد تعامل با اشیاء جامد و مایعات بهبود می بخشد. این سیستم که به عنوان یک شبیه ساز ذرات مبتنی بر یادگیری شناخته می شود ، می تواند به روبات های صنعتی لمس بیشتری ببخشد و ممکن است برنامه های کاربردی سرگرم کننده ای در روباتیک های شخصی داشته باشد ، مانند مدل سازی اشکال رس و یا نورد برنج چسبنده برای سوشی.


در برنامه رباتیک ، شبیه سازهای فیزیکی مدل هایی هستند که نحوه واکنش مواد مختلف به زور را ضبط می کنند. روبات ها با استفاده از مدل ها "آموزش" می گیرند تا نتایج تعامل آنها با اشیاء ، مانند فشار دادن یک جعبه محکم یا خم کردن رس های قابل تغییر را پیش بینی کنند. اما شبیه سازهای مبتنی بر یادگیری عمدتاً روی اجسام سفت و سخت تمرکز می کنند و قادر به کنترل مایعات یا اشیاء نرم تر نیستند. برخی از شبیه سازهای دقیق تر مبتنی بر فیزیک می توانند مواد متنوعی را تحمل کنند ، اما به تکنیکهای تقریبی تکیه دارند که هنگام تعامل روبات ها با اشیاء در دنیای واقعی ، خطاها را معرفی می کنند.

محققان در مقاله ای که در ماه مه در کنفرانس بین المللی نمایندگی های یادگیری ارائه شد ، الگوی جدیدی را توصیف می کنند که یاد می گیرد چگونه بخش های کمی از مواد مختلف - "ذرات" را ضبط می کند وقتی که آنها را لمس می کنند و تولید می کنند. این مدل در مواردی که فیزیک اساسی حرکات نامشخص یا ناشناخته باشد ، مستقیماً از داده ها یاد می گیرد. سپس روبات ها می توانند از مدل به عنوان راهنما برای پیش بینی چگونگی واکنش مایعات و مواد سفت و سخت و قابل تغییر در برابر نیروی لمس آن استفاده کنند. از آنجا که ربات اشیاء را کنترل می کند ، این مدل همچنین به اصلاح بیشتر کنترل ربات کمک می کند.

بیشتر بخوانید: مدل ساختار پمپ وکیوم خلاء

در آزمایشات ، یک دست رباتیک با دو انگشت به نام با دقت یک فوم تغییر شکل پذیر را به یک شکل دلخواه - مانند شکل "T" شکل داد که به عنوان یک پروکسی برای برنج سوشی عمل می کند. به طور خلاصه ، مدل محققان به عنوان نوعی از مغز "فیزیک بصری" عمل می کند که روبات ها می توانند برای بازسازی اشیاء سه بعدی تا حدودی مشابه آنچه انسانها انجام می دهند ، اهرم کنند.

"انسانها یک مدل فیزیک بصری در ذهن ما دارند که در آن می توان تصور کرد که اگر یک فشار یا فشار وارد کنیم ، چگونه یک شیء رفتار خواهد کرد. بر اساس این مدل بصری ، انسانها می توانند کارهای دستکاری شگفت انگیزی را انجام دهند که بسیار فراتر از دسترس ربات های فعلی است." می گوید نویسنده اول Yunzhu Li ، دانشجوی فارغ التحصیل آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL). "ما می خواهیم این نوع الگوی بصری را برای روبات ها بسازیم تا آنها را قادر به انجام کارهایی کند که انسانها می توانند انجام دهند."



جیاجون وو ، دانشجوی فارغ التحصیل CSAIL ، می گوید: "هنگامی که کودکان 5 ماهه هستند ، آنها در حال حاضر انتظارات متفاوتی از مواد جامد و مایعات دارند." "این چیزی است که ما در سنین کودکی می شناسیم ، بنابراین شاید این چیزی باشد که باید برای ربات ها الگوبرداری کنیم."

پیوستن به لی و وو بر روی کاغذ عبارتند از: Russ Tedrake ، یک محقق CSAIL و استاد گروه مهندسی برق و علوم کامپیوتر (EECS). جوشوا Tenenbaum ، استاد گروه مغز و علوم شناختی؛ و آنتونیو تورالبا ، استاد ایزو و مدیر آزمایشگاه MIT-IBM Watson AI.


نمودارهای پویا

یک نوآوری اساسی در پشت این مدل با نام "شبکه تعامل ذرات" (DPI-Nets) ایجاد نمودارهای تعامل پویا است که از هزاران گره و لبه تشکیل شده است که می توانند رفتارهای پیچیده ای از اصطلاح ذرات را ضبط کنند. در نمودارها ، هر گره یک ذره را نشان می دهد. گره های همسایه با استفاده از لبه های کارگردانی با یکدیگر متصل می شوند ، که بیانگر تعامل عبور از یک ذره به بخش دیگر است. در شبیه ساز ، ذرات صدها کره کوچک تشکیل شده اند تا مقداری مایع یا یک ماده تغییر شکل پذیر تشکیل شوند.

نمودارها به عنوان پایه ای برای سیستم یادگیری ماشینی بنام شبکه عصبی گراف ساخته می شوند. در آموزش ، این مدل با گذشت زمان می آموزد که چگونه ذرات در مواد مختلف واکنش و تغییر شکل می دهند. این کار را با محاسبه ضمنی خواص مختلف برای هر ذره - مانند جرم و خاصیت ارتجاعی آن - انجام می دهد تا پیش بینی کند که آیا ذره ذرات در هنگام شکسته شدن در نمودار حرکت می کنند.

سپس این مدل از تکنیک "انتشار" استفاده می کند ، که بلافاصله سیگنال را در سراسر نمودار پخش می کند. محققان این روش را برای هر نوع مواد - سفت ، تغییر شکل و مایع - به منظور شلیک سیگنالی که موقعیت ذرات را در مراحل زمانی افزایشی خاص پیش بینی می کند ، سفارشی کردند. در هر مرحله ، در صورت نیاز ذرات را جابجا کرده و مجدداً وصل می کند.

به عنوان مثال ، اگر یک جعبه جامد هل داده شود ، ذرات آشفته به جلو منتقل می شوند. از آنجا که تمام ذرات داخل جعبه به سختی با یکدیگر در ارتباط هستند ، هر ذره دیگر در جسم همان فاصله محاسبه شده ، چرخش و هر بعد دیگر را حرکت می دهد. اتصالات ذرات دست نخورده باقی مانده و جعبه به عنوان یک واحد حرکت می کند. اما اگر ناحیه‌ای از کف قابل تغییر شکل غیب شود ، اثر متفاوت خواهد بود. ذرات آشفته بسیار زیاد به جلو حرکت می کنند ، ذرات اطراف فقط کمی به جلو حرکت می کنند و ذرات دورتر به هیچ وجه حرکت نمی کنند. با ریختن مایعات در یک فنجان ، ذرات ممکن است به طور کامل از یک انتهای نمودار به طرف دیگر پرش کنند. نمودار باید آموخت که پیش بینی کند که همه ذرات تحت تأثیر چه مکان هایی حرکت می کنند ، که از نظر محاسباتی پیچیده است.

شکل دادن و سازگاری

در مقاله خود ، محققان این مدل را با تکلیف ربات دو انگشت RiceGrip با بستن اشکال هدف از فوم تغییر شکل پذیر نشان داده اند. این ربات ابتدا از یک دوربین سنجش عمق و تکنیک های تشخیص شیء برای شناسایی کف استفاده می کند. محققان به طور تصادفی ذرات موجود در شکل درک شده را برای شروع موقعیت ذرات انتخاب می کنند. سپس ، این مدل لبه های بین ذرات را اضافه می کند و کف را در یک نمودار پویا که برای مواد تغییر شکل تنظیم شده است ، بازسازی می کند.

به دلیل شبیه سازیهای آموخته شده ، ربات از قبل ایده خوبی دارد که چگونه هر لمسی با توجه به مقدار مشخصی از نیرو ، روی هر یک از ذرات موجود در نمودار تأثیر خواهد گذاشت. به عنوان ربات شروع می شود تورفتگی فوم، آن را تکرار منطبق بر موقعیت واقعی جهان از ذرات به موقعیت هدف قرار ذرات. هر وقت ذرات تراز نمی شوند ، سیگنال خطایی را به مدل ارسال می کند. این سیگنال مدل را ترسیم می کند تا با فیزیک دنیای واقعی این ماده بهتر مطابقت داشته باشد.

در مرحله بعد ، محققان هدف از بهبود مدل برای کمک به روبات ها را در پیش بینی تعامل بهتر با سناریوهای جزئی قابل مشاهده ، مانند دانستن چگونگی حرکت شمع جعبه در هنگام فشار قرار می دهند ، حتی اگر فقط جعبه های سطح قابل مشاهده باشند و بیشتر جعبه های دیگر قابل مشاهده هستند. پنهان

محققان همچنین در حال کشف راههای ترکیب مدل با یک ماژول ادراک پایان به پایان با کارکرد مستقیم بر روی تصاویر هستند. این یک پروژه مشترک با گروه دن یامینز خواهد بود. یامین به تازگی دوره دکتری خود را در MIT به پایان رسانده و هم اکنون استادیار دانشگاه استنفورد است. وو می گوید: "شما همیشه با این موارد برخورد می کنید که تنها اطلاعات جزئی وجود دارد." "ما در حال گسترش مدل خود هستیم تا پویایی همه ذرات را بیاموزیم ، در حالی که فقط شاهد بخش کوچکی هستیم."

بازدید : 537
سه شنبه 13 خرداد 1399 زمان : 10:00

طبق اطلاعات سرشماری ، حدود 3.6 میلیون بزرگسال در ایالات متحده از ویلچر برای دور زدن استفاده می کنند .

اما مگر اینکه شما یکی از این افراد باشید ، شاید نمی دانید دور زدن شهرتان چقدر سخت است.

اکنون مردم می توانند از دسترسی به نقشه در سیاتل کمک کنند. محققان دانشگاه واشنگتن منجر به توسعه پروژه شده اند ، یک بازی شلوغی آنلاین که به همه افراد با اتصال اینترنتی اجازه می دهد از استفاده کنند تا عملاً در محلات و برچسب زدن به رمپ های برچسب ، پیاده روهای گمشده یا خشن ، موانع و موارد دیگر کاوش کنند. برای اولین بار در واشنگتن دی سی راه اندازی شد و هم اکنون در نیوبرگ ، اورگان - نزدیک پورتلند - و سیاتل در دسترس است. این تیم نتایج خود را از استقرار واشنگتن ، دی سی ، در تاریخ 7 مه در کنفرانس در مورد عوامل انسانی در سیستم های محاسباتی در گلاسکو ، اسکاتلند ارائه می دهد.

جان ، نویسنده مربوطه ، استادیار دانشکده علوم و مهندسی کامپیوتر گفت: "بسیاری از مردم فکر می کنند این چیزی است که شما در اطراف محله خود قدم می زنید و از مشکلات دسترسی با تلفن هوشمند خود عکس می گیرید." "اما به هیچ وجه مانند این نیست. هیچ فرضی وجود ندارد که شما تجربه جسمی را با آنچه گزارش می دهید داشته باشید. این تفاوت اصلی است. هر کسی می تواند این کار را از هر جایی انجام دهد ، مادامی که مرورگر وب داشته باشد.

برای شروع کار در پروژه پیاده رو ، این تیم با افرادی که دارای نقص تحرک بودند ، مصاحبه کرد تا در مورد چگونگی دسترسی و یا عدم وجود آن بر زندگی آنها تأثیر بگذارد. از آنجا محققان روشی را برای استفاده از شلوغی برای جمع آوری داده های سطح خیابان در مورد دسترسی به شهرها ارائه دادند.

پروژه پیاده رو متکی به داوطلبان است تا مشکلات دسترسی را در یک شهر ثبت کند. بنابراین این تیم از یک مدل بازی ویدیویی برای سرگرمی بیشتر استفاده کرده است. بازیکنان در هر زمان 500 تا 1000 پا از یک شهر مأموریت می کنند.

این تیم تأیید جدید "مینی بازی" را تهیه کرد که در آن بازیکنان 10 برچسب مورد نظر شخص دیگری را تأیید می کنند. اعتبار: دانشگاه واشنگتن
فرولیچ گفت: "اولین مأموریت شما یک ماموریت هدایت شده است." "ما باید به شما بیاموزیم كه چطور می توانید راه بروید و چگونه می توانید چیزهایی را برچسب بزنید. اما پس از آن ما نیز باید به شما كمك كنیم تا بفهمید كه دسترسی به چه معنی است: یك رمپ جلو چیست؟

بیشتر بخوانید: بررسی اجمالی محصولات پمپ وکیوم خلاء حلقه آب


سپس بازیکنان به مأموریت های انفرادی اعزام می شوند - یا در منطقه ای که در حال حاضر تعداد زیادی برچسب وجود ندارد ، به داخل شهر سقوط می کنند ، یا می توانند به بخش خاصی از شهر بروند. در اولین ماموریت های خود ، بازیکنان نکات مفیدی در مورد رابط و میانبرها دریافت می کنند تا برچسب گذاری آنها سریعتر شود. Project Sidewalk همچنین نوار پیشرفت را نشان می دهد که به بازیکنان نشان می دهد که آنها تا چه اندازه به یک مأموریت رفته اند.

مناصوی ساها ، نویسنده اول ، دانشجوی دکترا در مدرسه آلن گفت: "ما دریافتیم که مردم عاشق دیدن آن نوار پیشرفت هستند." "آنها می گویند این باعث می شود آن را سرگرم کننده تر و احساس یک بازی بیشتر."

پس از راه اندازی تیم واشنگتن ، دی سی ، نسخه در اوت 2016 ، 797 بازیکن در طی 18 ماه استقرار 205385 برچسب را به خیابان های این شهر اضافه کردند. بازیکنان برچسب ها را دقیقاً در حدود 72٪ از زمان قرار می دادند و به احتمال زیاد رمپ های محدود کننده را پیدا کرده و برچسب نمی زنند.

ساها گفت: "ما هنوز در حال تجزیه و تحلیل داده ها هستیم." "اما وقتی همه برچسب های روی نقشه را بررسی می کنیم ، بلافاصله می توانیم ببینیم که کدام بخش از شهر ممکن است دارای مشکلاتی باشد."

بازیکنان همچنین اشتباهات متفاوتی از قبیل برچسب زدن در جاده به عنوان یک سطح شیب دار یا برچسب زدن سطح مشکلات در خیابان را در هنگام خوب بودن پیاده روها انجام دادند. این خطاها باعث شد تا تیم بتواند در نسخه های سیاتل و نیوبرگ از تأیید جدیدی را به نام ایجاد کند ، که در آن بازیکنان 10 برچسب مورد نظر خود را تأیید می کنند.


Froehlich گفت: "من می خواهم این مانند برادران سوپر ماریو 2 باشد ، که دارای این بازی های کوچک سریع است که بین سطح ها بالا می رود." "این به مردم فرصت می دهد نفس بکشند و کاری متفاوت انجام دهند. این کاری است که می توانستید در اتوبوس انجام دهید."

از آنجا که داده های Project Sidewalk برای همه در دسترس است ، محققان تصور می کنند که این امر می تواند چندین هدف را ارائه دهد ، از اینکه به مقامات دولتی کمک می کند تصمیم بگیرند در کدام زمینه ها ابتدا تحقیق کنند تا استقلال افراد دارای نقص تحرک را بررسی کنند.

Froehlich گفت ، داده های مربوط به پروژه پیاده رو پروژه سیاتل می تواند سایر پروژه های دستیابی در منطقه را آگاه سازد. به عنوان مثال ، AccessMap ، راهنمایی هایی را برای عابران پیاده و صندلی های چرخدار فراهم می کند که به دنبال جلوگیری از تپه ها ، اماکن ساختمانی و سایر موانع دسترسی هستند ، می تواند از داده های Project Sidewalk استفاده کند تا بتواند جهت های بهتری ایجاد کند.

سرانجام این تیم دوست دارد کامپیوترها از یادگیری ماشین استفاده کنند تا به افراد کمک کند برچسب ها را در Project Sidewalk اضافه کنند و ممیزی دسترسی را سریعتر انجام دهند. محققان امیدوارند که از داده های Project Sidewalk برای آموزش الگوریتمی استفاده کنند که به کامپیوتر می آموزد چگونه حسابرسی های خود را انجام دهد.

Froehlich گفت: "چشم انداز جاه طلبانه من این است که هرکسی در جهان بر روی شهر خود کلیک کند و سیستم ما این را فراهم کند که تجسم و ارزیابی دسترسی داشته باشد." "مهم نیست که شما در پاریس ، فرانسه ، پکن ، چین یا قاهره ، مصر زندگی می کنید. اگر Google Street View به آنجا رفته است ، باید بتوانید نقشه ای را تهیه کنید که دسترسی به پیاده روهای شهر را تجسم کند."

بازدید : 533
سه شنبه 13 خرداد 1399 زمان : 9:57

مهندسان دانشگاه دوک در حال توسعه یک سیستم رباتیک هوشمند برای خراب کردن نقاط آلودگی و منابع نشت سمی هستند. رویکرد آنها یک ربات را قادر می سازد تا محاسبات انجام شده در پرواز را برای پاسخگویی به جریانهای پیچیده هوا در فضاهای محدود و نه فقط "دنبال کردن بینی خود" درج کند.


مایکل M. Zavlanos ، مری Milus Yoh و گفت: "بسیاری از رویکردهای موجود که از روبات ها برای یافتن منابع ذرات موجود در هوا استفاده می کنند ، به حدسهای تحصیل کرده اما ساده گرایانه یا تکنیک های اکتشافی وابسته به زیست متکی هستند که ربات ها را به سمت عقب رانده و یا به دنبال غلظت های فزاینده ای هستند." Harold L. Yoh ، جونیور دانشیار مهندسی مکانیک و علوم مواد در دوک. "این روشها معمولاً فقط می توانند یک منبع واحد را در فضای آزاد بومی سازی کنند و آنها نمی توانند پارامترهای یکسان مهم دیگر مانند نرخ رهاسازی را تخمین بزنند."

اما در محیط های پیچیده ، این روش های ساده می توانند روبات ها را در تعقیب غازهای وحشی به مناطقی بکشند که غلظت آنها به واسطه فیزیکی جریان هوا به صورت مصنوعی افزایش می یابد ، نه به این دلیل که آنها منبع نشت هستند.

بیشتر بخوانید: انواع و خلاء پمپ وكيوم خلاء حلقه آب

ویلکینز آکوئینو ، استاد مهندسی اندرسون روپپ ، مهندسی مکانیک و علوم مواد در دوک گفت: "اگر کسی در خارج از کشور سیگار می کشد ، فقط یافتن آنها برای یافتن آنها طولانی نیست زیرا هیچ چیز مانع از پیش بینی جریان هوا نمی شود." . "اما همین سیگار را داخل یک دفتر قرار دهید و ناگهان به دلیل جریانهای نامنظم هوایی که توسط راهروها ، گوشه ها و دفاتر ایجاد می شوند ، بسیار سخت تر می شوید."

در مقاله ای که اخیراً بصورت آنلاین در IEEE Transactions on Robotics ، Zavlanos ، Aquino و دکتری تازه استخراج شده منتشر شده است. در عوض فارغ التحصیل رضا خدایی مهر در عوض از فیزیک موجود در این جریان هوا بهره می برد تا منبع انتشار را به طور مؤثر ردیابی کند.

بازی


00:00
00:22
بی صدا

تنظیمات
PIP
ورود به حالت تمام صفحه
بازی
محققان برای آگاهی از پیچیدگی جریانهای هوا حتی در یک جعبه ساده U شکل ، از گچ قرمز استفاده کردند تا از هوا و حرکات هوا پیروی کنند. پیچیدگی هایی مانند اینها باعث می شود که روبات ها به راحتی بتوانند "از بینی خود پیروی کنند" تا بتوانند منابع نشت گاز را پیدا کنند. محققان دوک یک ربات ساخته اند که بجای دنبال کردن قوی ترین رایحه ، متصل کردن اندازه گیری غلظت و جریان هوا به یک معادله دیفرانسیل جزئی جزئی و سپس تصمیم گیری در مورد مفیدترین موقعیت برای انجام یک اندازه گیری دیگر است. با تکرار این فرایند ، می توانید یک منبع اتانول را فقط در دو یا دو بار در یک محیط پیچیده و با منابع متعدد پیدا کنید. اعتبار: رضا خدایی-مهر
روش آنها ترکیبی از مدلهای مبتنی بر فیزیک از مسئله شناسایی منبع با الگوریتم های برنامه ریزی مسیر برای روباتیک در یک حلقه بازخورد است. روبات ها اندازه گیری غلظت آلاینده ها در محیط را انجام می دهند و سپس از این اندازه گیری ها برای محاسبه تدریجی مکان های شیمیایی در واقع از کجا استفاده می کنند.

خدایی مهر گفت: "ایجاد این مدل های مبتنی بر فیزیک نیاز به حل معادلات دیفرانسیل جزئی دارد ، که از نظر محاسباتی خواستار است و کاربرد آنها را روی ربات های کوچک و متحرک متحرک بسیار چالش برانگیز می کند." "ما مجبور شدیم مدلهای ساده ای ایجاد كنیم تا محاسبات كارآمدتر شود و همین امر باعث می شود آنها كمتر دقت كنند. این یك تجارت دشوار است."



خدایی مه یک جعبه مستطیل شکل با یک دیوار تقریباً دو برابر فاصله برای ساخت یک سالن کوچک مینیاتوری به شکل U ساخته است که از فضای اداری ساده تقلید می کند. یک پنکه هوا را در راهرو در یک انتهای U و به پشت دیگر وصل می کند ، در حالی که اتانول گازی به آرامی در یکی از گوشه ها نشت می کند. با وجود سادگی تنظیمات ، جریانهای هوای ایجاد شده در داخل آشفته و کثیف هستند و یک مشکل شناسایی منبع دشوار را برای حل هر ربات اتانول ایجاد می کنند.

اما به هر حال ربات مشکل را حل می کند.

این روبات اندازه گیری غلظت را انجام می دهد ، آن را با اندازه گیری های قبلی فیوز می کند و یک مشکل بهینه سازی چالش برانگیز را برای برآورد محل منبع حل می کند. سپس مفیدترین مکان برای اندازه گیری بعدی خود را مشخص می کند و این روند را تا زمان یافتن منبع تکرار می کند.


Zavlanos گفت: "با ترکیب مدل های مبتنی بر فیزیک با برنامه ریزی مسیر مطلوب ، می توان فهمید که منبع با اندازه گیری های بسیار کمی در کجا قرار دارد." "این به این دلیل است که مدلهای مبتنی بر فیزیک ، ارتباطاتی بین اندازه گیری هایی دارند که در روشهای صرفاً محور داده ها به حساب نمی آیند ، و برنامه ریزی مطلوب مسیر ، به ربات اجازه می دهد تا معدود اندازه گیری ها با بیشترین اطلاعات را انتخاب کند."

آکوینو اضافه کرد: "مدل های مبتنی بر فیزیک کامل نیستند ، اما آنها هنوز اطلاعات بیشتری را نسبت به سنسورها به تنهایی حمل می کنند." "آنها لازم نیست دقیق باشند ، اما به ربات اجازه می دهند تا بر اساس آنچه در فیزیک جریان هوا امکان پذیر است ، استنتاج کند. این نتیجه یک رویکرد بسیار کارآمدتر است."

این مجموعه پیچیده حل مسئله لزوما سریعتر نیست ، اما بسیار قوی تر است. این می تواند موقعیت هایی را با منابع متعدد کنترل کند که در حال حاضر برای رویکردهای اکتشافی غیرممکن است و حتی می تواند میزان آلودگی را اندازه گیری کند.

این گروه همچنان در تلاش است تا الگوریتم های یادگیری ماشین را ایجاد کند تا مدل های آنها در عین حال کارآمدتر و دقیق تر شوند. آنها همچنین در تلاشند تا این ایده را برای برنامه ریزی ناوگان ربات ها برای انجام جستجوی روشمند در یک منطقه بزرگ گسترش دهند. در حالی که آنها هنوز رویکرد گروه را در عمل امتحان نکرده اند ، آنها شبیه سازی هایی را منتشر کرده اند که نشان دهنده پتانسیل آن است.

خدایی مهر گفت: "حرکت از محیط آزمایشگاهی با تنظیمات کنترل شده به سناریوی عملی تر ، نیازمند پرداختن به سایر چالش ها نیز هست." "به عنوان مثال ، در یک سناریوی در دنیای واقعی ، ما احتمالاً هندسه دامنه را نمی شناسیم. اینها برخی از دستورالعملهای تحقیق در حال انجام است که ما در حال حاضر روی آن کار می کنیم."

تعداد صفحات : -1

درباره ما
موضوعات
لینک دوستان
آمار سایت
  • کل مطالب : 43
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 0
  • بازدید امروز : 5
  • بازدید کننده امروز : 1
  • باردید دیروز : 0
  • بازدید کننده دیروز : 0
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 6
  • بازدید ماه : 10
  • بازدید سال : 19
  • بازدید کلی : 15751
  • <
    پیوندهای روزانه
    آرشیو
    اطلاعات کاربری
    نام کاربری :
    رمز عبور :
  • فراموشی رمز عبور؟
  • خبر نامه


    معرفی وبلاگ به یک دوست


    ایمیل شما :

    ایمیل دوست شما :



    کدهای اختصاصی