azaval

برای اولین بار ، محققان با موفقیت 3 لیتری شیشه ای کالکوژنیک چاپ شده ، ماده ای بی نظیر را برای ساخت اجزای نوری که در طول موجهای مادون قرمز مادون قرمز کار می کنند ، مورد استفاده قرار داده اند. امکان چاپ 3 بعدی این شیشه می تواند باعث تولید اجزای پیچیده شیشه ای و الیاف نوری برای انواع جدید سنسورهای کم هزینه ، اجزای ارتباط از راه دور و دستگاه های زیست پزشکی شود.

در مجله انجمن نوری محققان از مرکز و لیزر در در کانادا ، پاتریک لاروچل و همکارانش ، توضیح می دهند که چگونه آنها چاپگرهای 3 بعدی D تجاری را اصلاح کردند. اکستروژن شیشه ای . روش جدید مبتنی بر تکنیک معمول استفاده از مدل سازی رسوب ذوب شده است ، که در آن یک رشته پلاستیکی ذوب شده و سپس به صورت لایه ای به لایه اکسترود می شود تا اشیاء 3 بعدی با جزئیات ایجاد شود.

یانیک لدمی ، عضو تیم تحقیق ، گفت: "چاپ 3 بعدی از مواد نوری ، زمینه را برای دوره جدیدی از طراحی و ترکیب مواد برای تولید اجزای فوتونی و الیاف آینده فراهم می کند." "این روش جدید به طور بالقوه می تواند منجر به دستیابی به موفقیت برای تولید کارآمد اجزای نوری مادون قرمز با هزینه کم شود."

بیشتر بخوانید: نوع پمپ وكيوم خلاء حلقه آب

شیشه چاپ

شیشه کلکوژنید نسبت به سایر شیشه ها در دمای نسبتاً کم نرم می شود. بنابراین تیم تحقیق حداکثر دمای اکسترودینگ یک پرینتر 3 بعدی تجاری را از حدود 260 درجه سانتیگراد به 330 درجه سانتیگراد افزایش داده است تا اکستروژن شیشه ای کالکوژنید را فعال کند. آنها رشته های شیشه ای کلکوژنید را با ابعادی شبیه به رشته های پلاستیکی تجاری که معمولاً با پرینتر 3 بعدی استفاده می شود ، تولید کردند. سرانجام ، چاپگر برای ایجاد دو نمونه با اشکال و ابعاد پیچیده برنامه ریزی شد .

لدمی گفت: "رویکرد ما برای شیشه های کلکوژنید نرم بسیار مناسب است ، اما رویکردهای جایگزین نیز برای چاپ انواع دیگر شیشه ها کاوش می شود." "این می تواند اجزای ساخته شده از مواد مختلف را ایجاد کند. شیشه همچنین می تواند با پلیمرهایی با خاصیت الکترو رسانا یا نوری تخصصی تولید شود تا دستگاه های چاپی 3-D چند منظوره تولید شود."

چاپ سه بعدی همچنین می تواند برای ساختن فرم های فیبر - تکه ای از لیوان که به فیبر کشیده می شود - با هندسه های پیچیده یا مواد چندگانه یا ترکیبی از هر دو ، مفید باشد. محققان می گویند ، وقتی تکنیک های طراحی و ساخت به خوبی تنظیم شده اند ، می توان از چاپ 3 بعدی برای تولید ارزان مقادیر زیاد اجزای شیشه مادون قرمز یا پیش ساخته های فیبر استفاده کرد.

لدمی ادامه داد: "اجزای مبتنی بر كالكوژنید چاپی 3 بعدی برای تصویربرداری حرارتی مادون قرمز برای كاربردهای دفاعی و امنیتی مفید خواهند بود." "آنها همچنین حسگرهایی را برای نظارت بر آلاینده ها ، زیست پزشکی و سایر کاربردهایی که امضای شیمیایی مادون قرمز از مولکولها برای تشخیص و تشخیص استفاده می شود ، فعال می کند."

محققان اکنون در تلاشند تا طراحی چاپگر را بهبود بخشند تا عملکرد آن افزایش یابد و امکان تولید افزودنی قطعات یا اجزای پیچیده ساخته شده از شیشه کالکوژنید فراهم شود. آنها همچنین می خواهند اکسترودرهای جدیدی را اضافه کنند تا بتواند با استفاده از پلیمرها ، تولید قطعات چند ماده ای را نیز انجام دهد.

کار یک نویسنده علمی ، از جمله این مقاله ، شامل خواندن مقالات ژورنالی است که با اصطلاحات تخصصی فنی پر شده است و می داند که چگونه محتوای آنها را به زبانی توضیح دهید که خوانندگان بدون پیشینه علمی می توانند آن را درک کنند.

اکنون ، تیمی از دانشمندان MIT و جاهای دیگر ، یک شبکه عصبی ، شکلی از هوش مصنوعی (AI) ایجاد کرده اند ، که می تواند تقریباً همین کار را انجام دهد ، حداقل تا حد محدود: می تواند مقالات علمی بخواند و یک نمایش ساده ارائه دهد. خلاصه انگلیسی در یک یا دو جمله.

حتی در این شکل محدود ، چنین شبکه عصبی می تواند برای کمک به سردبیران ، نویسندگان و دانشمندان تعداد زیادی مقاله را اسکن کند تا به درک اولیه درباره آنچه در مورد آنها هستند برسیم. اما رویکردی که تیم توسعه داده است علاوه بر پردازش زبان ، از جمله ترجمه ماشین و تشخیص گفتار ، می تواند کاربردهایی را در زمینه های مختلف دیگری نیز پیدا کند.

این مقاله در مجله انجمن زبانشناسی محاسباتی ، در مقاله ای از رومن دنگسوفی و لی جینگ ، هر دو دانشجوی فارغ التحصیل MIT شرح داده شده است. مارین سلجاشیچ ، استاد فیزیک در MIT؛ پرستلا ناکوف ، دانشمند ارشد در پژوهشکده محاسبات قطر عضو سابق روزنامه نگاری علوم نایت در MIT و سردبیر سابق مجله

از هوش مصنوعی برای فیزیک گرفته تا زبان طبیعی

این کار در نتیجه یک پروژه غیرمرتبط انجام شد ، که شامل توسعه رویکردهای جدید هوش مصنوعی مبتنی بر شبکه های عصبی ، با هدف مقابله با برخی مشکلات خارق العاده در فیزیک بود. با این حال ، محققان به زودی فهمیدند که می توان از همین رویکرد برای رفع سایر مشکلات محاسباتی دشوار ، از جمله پردازش زبان طبیعی ، به روش هایی استفاده کرد که از سیستم های شبکه عصبی موجود بهتر است.

سلجاجیچ می گوید: "ما چندین سال است که در AI کارهایی مختلف انجام می دهیم." وی افزود: "ما از هوش مصنوعی برای کمک به تحقیقات خود استفاده می کنیم ، اساساً برای اینکه فیزیک را بهتر انجام دهیم. و همینطور که با هوش مصنوعی بیشتر آشنا شدیم ، متوجه می شویم که هر بار یک بار فرصتی برای اضافه کردن به حوزه هوش مصنوعی به دلیل چیزی وجود دارد. ما از فیزیک می دانیم - یک ساختار ریاضی خاص یا یک قانون خاص در فیزیک. ما متوجه شدیم که سلام ، اگر از آن استفاده کنیم ، در واقع می تواند به این یا آن الگوریتم هوش مصنوعی خاص کمک کند. "

بیشتر بخوانید: پمپ وکیوم خلاء حلقه مایع چگونه کار می کند

او می گوید ، این رویکرد می تواند در انواع مختلفی از کارها مفید باشد ، اما همه آنها نیست. "ما نمی توانیم بگوییم که این برای همه هوش مصنوعی مفید است ، اما مواردی وجود دارد که می توانیم از یک نظریه فیزیک برای بهبود در یک الگوریتم مشخص شده هوش مصنوعی استفاده کنیم."

به طور کلی شبکه های عصبی تلاشی برای تقلید از نحوه یادگیری چیزهای جدید جدید در انسان است: رایانه نمونه های مختلف زیادی را بررسی می کند و "می آموزد" که الگوهای اصلی آن چیست. چنین سیستم هایی به طور گسترده ای برای تشخیص الگوی استفاده می شوند ، مانند یادگیری شناسایی اشیاء به تصویر در آمده

اما شبکه های عصبی به طور کلی در ارتباط اطلاعات با یک رشته طولانی از داده ها مشکل دارند ، مانند آنچه در تفسیر مقاله تحقیق لازم است. محققان می گویند از ترفندهای مختلفی برای بهبود این قابلیت استفاده شده است ، از جمله تکنیک های شناخته شده به عنوان حافظه کوتاه مدت (LSTM) و واحدهای مکرر دروازه ای (GRU) ، اما محققان می گویند که این موارد هنوز از آنچه برای پردازش واقعی زبان طبیعی لازم است ، کوتاه نمی آید.

این تیم با یک سیستم جایگزین روبرو شدند که به جای اینکه بر اساس ضرب ماتریس ها ، همانطور که بیشتر شبکه های عصبی معمولی هستند ، مبتنی بر بردارهایی هستند که در یک فضای چند بعدی می چرخند. مفهوم اصلی چیزی است که آنها به عنوان یک واحد حافظه چرخشی (RUM) می نامند.

در اصل ، سیستم هر کلمه ای از متن را با یک بردار در فضای چند بعدی نشان می دهد - یک خط به طول مشخص که در جهت خاصی نشان می دهد. هر کلمه بعدی این بردار را از جهتی تغییر می دهد ، در یک فضای نظری نشان داده می شود که در نهایت می تواند هزاران بعد داشته باشد. در پایان فرآیند ، بردار نهایی یا مجموعه ای از بردارها دوباره به رشته های مربوط به آن ترجمه می شوند.

ناکوف می گوید: "RUM به شبکه های عصبی کمک می کند تا دو کار را خیلی خوب انجام دهند." "این به آنها کمک می کند تا بهتر به خاطر بیاورند ، و این امکان را به شما می بخشد تا اطلاعات را دقیق تر یادآوری کنند.

پس از توسعه سیستم RUM برای کمک به برخی از مشکلات سخت فیزیک مانند رفتار نور در مواد مهندسی پیچیده ، "ما متوجه شدیم که یکی از مکانهایی که فکر می کنیم این روش مفید باشد می تواند پردازش زبان طبیعی باشد." مکالمه با ، که اشاره کرد که چنین ابزاری برای کار خود به عنوان یک ویراستار مفید است که سعی دارد تصمیم بگیرد که چه مقالاتی راجع به آن بنویسد. Tatalović در آن زمان مشغول تحقیق در زمینه هوش مصنوعی در ژورنالیسم علمی به عنوان پروژه یاران نایت بود.

سلجاجیچ می گوید: "و بنابراین ما چندین کار برای پردازش زبان طبیعی روی آن امتحان کردیم." "یکی از مواردی که ما سعی کردیم خلاصه مقاله ها باشد ، و به نظر می رسد خیلی خوب کار می کند."

اثبات در قرائت است

به عنوان نمونه ، آنها همان مقاله تحقیقاتی را از طریق یک شبکه عصبی معمولی مبتنی بر LSTM و از طریق سیستم مبتنی بر RUM خود تغذیه می کردند. خلاصه های نتیجه به طور چشمگیری متفاوت بودند.

سیستم LSTM این خلاصه کاملاً تکراری و نسبتاً فنی را ارائه داد: موش ها را می کشد ، این چوب تمثیلی را به خطر انداخته و باعث بیماری مانند کوری یا عواقب شدید آن شده است. این عفونت با نام ، موش ها را به قتل می رساند ، این تمدن را به خطر انداخته و باعث بیماری مانند کوری یا عواقب شدید آن شده است. این عفونت ، که با عنوان نامیده می شود ، موش ها را می کشد ، این چوب تمثیلی را به خطر انداخته است.

براساس همان مقاله ، سیستم RUM خلاصه بسیار خواندنی تری تولید کرده است ، و تکراری بی نیاز از عبارات را شامل نمی شود: راکون های شهری ممکن است افراد را بیش از آنچه قبلاً تصور می شد آلوده کنند. 7 درصد از افراد مورد بررسی برای آنتی بادی های کرم گرد راکون مثبت آزمایش کردند. بیش از 90 درصد راکون ها در سانتا باربارا میزبان این انگل هستند.

در حال حاضر ، سیستم مبتنی بر RUM گسترش یافته است که می تواند از طریق کل مقالات تحقیقاتی ، و نه فقط چکیده ها ، "بخواند" تا خلاصه ای از مطالب آنها را تهیه کند. محققان حتی سعی کرده اند با استفاده از این سیستم در مقاله تحقیقاتی خود ، این یافته ها را توصیف کنند - مقاله ای که این خبر می کوشد خلاصه کند.

در اینجا خلاصه شبکه عصبی جدید آورده شده است: محققان یک فرآیند بازنمایی جدید در واحد چرخشی RUM ایجاد کرده اند ، یک حافظه مکرر که می تواند برای حل طیف گسترده ای از انقلاب عصبی در پردازش زبان طبیعی استفاده شود.

ممکن است نثر ظریف نباشد ، اما حداقل به نکات کلیدی اطلاعات منجر شود.

دانشمند تحقیقاتی در شرکت بریتانیا AI ، که در این کار دخیل نبود ، می گوید: این تحقیق با داشتن ارتباط با بخش هایی از اطلاعات که بطور گسترده در زمان یا مکان از یکدیگر جدا می شوند ، می گوید یک مسئله مهم در شبکه های عصبی است. وی می گوید: "این مسئله به دلیل ضرورت انجام استدلال در طولانی مدت تأخیر در کارهای پیش بینی توالی ، بسیار مهم در موضوع هوش مصنوعی بوده است." "اگرچه من فکر نمی کنم که این مقاله به طور کامل این مشکل را حل کند ، اما نتایج امیدوار کننده ای راجع به کارهای وابستگی طولانی مدت مانند پاسخگویی به سوال ، جمع بندی متن و فراخوان انجمنی نشان می دهد."

گالچهر می افزاید: "از آنجا که آزمایشات انجام شده و الگوی ارائه شده در این مقاله به صورت منبع باز در Github منتشر می شود ، در نتیجه بسیاری از محققان علاقمند خواهند شد که این کار را برای انجام وظایف خودشان انجام دهند ... به صورت خاص تر ، بالقوه رویکرد پیشنهادی در این مقاله می تواند تأثیر بسیار بالایی در زمینه های پردازش زبان طبیعی و یادگیری تقویت کننده داشته باشد ، جایی که وابستگی های طولانی مدت بسیار مهم هستند. "

محققان انستیتوی علوم و فناوری اوکیناوا اخیراً یک روش عصبی و عصبی را ارائه داده اند که می تواند به پیشرفت روبات هایی با قابلیت های پیشرفته ارتباطی کمک کند. رویکرد آنها ، در مقاله ای که از قبل در ArXiv منتشر شده است ، بر اساس دو ویژگی اصلی بنا شده است: دینامیک عصبی تصادفی و به حداقل رساندن خطای پیش بینی (PEM).

یونگسیک هوانگ ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: تحقیقات ما به طور گسترده بر ساخت روبات ها بر اساس اصول اصلی مغز متمرکز است. وی گفت: "در این مطالعه ما به اصل به حداقل رساندن خطای پیش بینی (PEM) توجه داشتیم . ایده اصلی این است که مغز یک دستگاه پیش بینی است ، وقتی پیش بینی ها با مشاهدات متفاوت است ، پیش بینی ها را به طور مداوم انجام می دهد و خطای پیش بینی را به حداقل می رساند. بسیاری از جنبه های رفتارهای شناختی را توضیح دهید. در این مطالعه سعی کردیم بررسی کنیم که آیا این اصل برای یک وضعیت اجتماعی قابل استفاده است یا خیر.

در سال های اخیر ، محققان مطالعات متعددی را با هدف تکرار مصنوعی توانایی های ارتباطی ذاتی بسیاری از حیوانات از جمله انسان انجام داده اند. در حالی که بسیاری از این مطالعات به نتایج امیدوارکننده ای دست یافته اند ، اکثر راه حل های موجود به دقت قابل مقایسه با انسان دست پیدا نمی کنند.

هوانگ توضیح داد: "یكی از كارهای چالش برانگیز برای یك روبات با قابلیت های ارتباطی ، تشخیص قصد دیگری در مورد رفتارهای مشاهده شده است." "یک رویکرد مشترک برای حل این مشکل در نظر گرفتن آن به عنوان یک کار طبقه بندی است. هدف از این طریق بدست آوردن برچسب صحیح (قصد کاربر) با مشاهده معین (رفتار کاربر) با استفاده از طبقه بندی می شود. این روزها انتخاب محبوب برای چنین طبقه بندیگرها است. مدل های شبکه اعصاب عمیق مانند شبکه های عصبی کانونشنال (CNNs) و حافظه کوتاه مدت بلند مدت (LSTM) هستند. "

اعتبار: هوانگ ، ویركوتیس و تانی.
در مطالعه خود ، هوانگ و همکارانش رویکرد دیگری را برای حل این مشکل بر اساس پویایی عصبی تصادفی و PEM پیشنهاد کردند. محققان رویکرد خود را بر روی دو ربات کوچک انسان نما به نام ROBOTIS OP2 به کار بردند و آن را در موقعیت های مختلفی که شامل تعامل انسان-روبات و روبات-روبات است ، آزمایش کردند.

هوان گفت: "با استفاده از روش ما ، روبات به طور مداوم پیش بینی هایی راجع به رفتار عاملی که با آن تعامل دارد انجام می دهد." "وقتی یک پیش بینی با مشاهده آنها متفاوت باشد ، روبات اعتقاد خود را به روز می کند تا بتوان پیش بینی صحیح را انجام داد (یعنی به حداقل رساندن خطای پیش بینی). بنابراین ، در این روش تشخیص قصد یک کار طبقه بندی نیست ، بلکه یک فرآیند فعال است که شامل بروزرسانی است. "اعتقادات" برای درک آنچه در گذشته اخیر اتفاق افتاده است. از نظر یادگیری ماشینی ، این می تواند نوعی یادگیری آنلاین محسوب شود. "

بیشتر بخوانید: انواع پمپ های وکیوم خلاء حلقه مایع

محققان در ارزیابی های اولیه با استفاده از روبات های انسان دوستانه دریافتند که قادر به پیش بینی رفتار دیگران و به حداقل رساندن خطای پیش بینی ، نقش اساسی در موقعیت های اجتماعی دارند. با استفاده از روش آنها ، روبات ها قادر به تقلید از اقدامات مأمورانی بودند که با آنها تعامل داشتند. یک کاربر انسانی در تنظیمات HRI ( تعامل انسان و ربات ) و یک ربات دیگر در تنظیمات RRI (تعامل ربات-ربات). از طرف دیگر ، وقتی رویکرد آنها برای روبات ها اعمال نشده بود ، از طرف دیگر تعامل روبات ها با دیگر عوامل توسط الگوهای دنیوی و رفتارهای تکراری مشخص می شد.

اعتبار: هوانگ ، ویركوتیس و تانی.
هوان توضیح داد: با استفاده از مکانیسم PEM ، این روبات نه تنها می تواند به سرعت با یک محیط در حال تغییر سازگار شود بلکه پیش بینی می کند که در آینده چه اتفاقی خواهد افتاد. "این روش می تواند در مورد سایر سرویس های اطلاعاتی محیطی مورد استفاده قرار گیرد که در آن هوش مصنوعی به طور مداوم پیش بینی هایی در مورد کاربران می کند و با آنها سازگار می شود ، یا حتی پیشنهادات مبتنی بر مشاهدات گذشته ارائه می دهد."

در آینده ، رویکرد توسعه یافته توسط هوانگ و همکارانش می تواند از پیشرفت روبات هایی با قابلیت های ارتباطی بهتر آگاه شود. جالب اینجاست که محققان همچنین مشاهده کردند که وقتی دو روبات با استفاده از رویکرد خود با یکدیگر در تعامل بوده اند ، برخی از الگوهای ارتباطی جدید و غیرمعمول ظهور پیدا کرده اند و این نشان می دهد که رویکرد آنها نوع پیشرفته ای از ارتباطات را امکان پذیر می کند.

هوان گفت: "هنوز هم بسیاری از جهات تحقیقاتی جالب وجود دارد که می توان در این زمینه کاوش کرد." "به عنوان مثال ، من علاقه مندم که یک تست تورینگ حرکتی داشته باشم که در آن کاربر با روباتی که می تواند توسط شخص دیگری در پشت دیوار یا AI کنترل شود ، در تعامل باشد. هوش برای تعامل با مردم؟ چه نوع از اصول مغز برای نشان دادن تشبیه انسان در چنین شرایط اجتماعی ضروری است؟ اینها سؤالاتی هستند که می خواهم در آینده بررسی کنم. "

رایانه ها و هوش مصنوعی در تغییرات عمده در شیوه خرید مردم همچنان مؤثر هستند. آموزش یک مغز ربات برای ایجاد یک لیست خرید نسبتاً آسان است ، اما اطمینان حاصل شود که خریدار رباتیک به راحتی می تواند تفاوت بین هزاران محصول موجود در فروشگاه را بگوید؟

محققان و متخصصان دانشگاه پوردو در محاسبات با محور مغز فکر می کنند که بخشی از پاسخ ممکن است در آهن ربا باشد. محققان روشی را برای استفاده از مغناطیسی با شبکه های شبیه به مغز تهیه کرده اند تا بتوانند از دستگاه هایی مانند روبات های شخصی ، اتومبیل های خودران و هواپیماهای بدون سرنشین برای برنامه ریزی و آموزش بهتر برای تعمیم بهتر اشیاء مختلف استفاده کنند.

كاوشیك روی ، ادوارد جی تیودمن جونیور پوردو ، استاد برجسته مهندسی برق و کامپیوتر گفت: "شبکه های عصبی تصادفی ما تلاش می كنند از فعالیتهای خاصی از مغز انسان تقلید كرده و از طریق اتصال نورونها و سیناپسها محاسبه كنند." "این به مغز رایانه اجازه می دهد تا نه تنها اطلاعات را ذخیره کند بلکه در مورد اشیاء نیز تعمیم خوبی داشته باشد و سپس به استنتاج برسد تا در تمایز بهتر بین اشیاء عملکرد بهتری داشته باشد."

بیشتر بخوانید: پمپ های وکیوم خلاء برای تبخیر چرخشی

روی این فناوری را در کنفرانس سالانه علوم فیزیکی آلمان در اوایل این ماه در آلمان ارائه داد. این اثر همچنین در ظاهر شد .

دینامیک سوئیچینگ یک نانو آهنربا شبیه به دینامیک الکتریکی نورون ها است. دستگاه های اتصال تونل مغناطیسی رفتار سوئیچینگ را نشان می دهند که در نوع خود تصادفی است.

دستگاه های اتصال تونل مغناطیسی رفتار سوئیچینگ را نشان می دهند که در نوع خود تصادفی است. اعتبار: دانشگاه پوردو
رفتار تعویض تصادفی نماینده یک رفتار تعویض سیگموئید یک نورون است. چنین اتصالات تونلی مغناطیسی همچنین می تواند برای ذخیره وزنه سیناپسی استفاده شود.

گروه Purdue یک الگوریتم آموزش تصادفی جدید برای سیناپس ها با استفاده از انعطاف پذیری وابسته به زمانبندی سنبله (STDP) ، با نام پیشنهاد کرد ، که به صورت تجربی در هیپوکامپ موش مشاهده شده است. رفتار تصادفی ذاتی آهنربا برای تغییر حالت های مغناطش تصادفی بر اساس الگوریتم پیشنهادی برای یادگیری بازنمایی های مختلف شی مورد استفاده قرار گرفت.

وزنه های سیناپسی آموزش دیده ، که به صورت قطعی در حالت مغناطش نانو آهنرباها رمزگذاری می شوند ، در هنگام استنباط استفاده می شوند. به نفع ، استفاده از آهنرباهای مانع پرانرژی (30-40KT در جایی که K ثابت بولتزمن و دمای دمای T است) نه تنها به ابتدایی تصادفی جمع و جور اجازه می دهد ، بلکه امکان استفاده از همان دستگاه را به عنوان یک عنصر حافظه پایدار فراهم می کند. نیاز به حفظ با این حال ، ارتفاع مانع از نانو آهنرباها مورد استفاده برای انجام محاسبات عصبی مانند سیگموئید می تواند برای بهره وری انرژی بالاتر به 20KT کاهش یابد.

روی ، مدیر مرکز Purdue برای محاسبات مغزی که قادر است هوش خودمختار را هدایت کند ، گفت: "بزرگترین مزیت فن آوری آهنربایی است که ما توسعه داده ایم. ما یک شبکه ساده تر ایجاد کرده ایم که نورون ها و سیناپس ها را همزمان با فشرده سازی مقدار حافظه و انرژی مورد نیاز برای انجام کارهایی مشابه محاسبات مغز ایجاد می کند. "

روی گفت شبکه های مغز مانند در حل مشکلات دشوار نیز از جمله مشکلات بهینه سازی ترکیبی مانند مشکل فروشنده مسافر و رنگ آمیزی نمودار استفاده های دیگری دارند. دستگاههای تصادفی پیشنهادی می توانند به عنوان "آنیلر طبیعی" عمل کنند و به الگوریتم های کمکی محلی کمک می کنند.

اگر شما علاقه مند به شنیدن مفاهیم جدید در مورد آینده ساخت و ساز هستید ، ویدئویی که باید ببینید "مجمع راه رفتن" است. به نظر نمی رسد وابستگی به اندازه مواد نسبت به بدن انسان دیگر اعمال شود.

این فیلم دو مرد را نشان می دهد که عناصر بتونی عظیم را به مکان هدایت می کنند. بدون کامیون جرثقیل نیست این کاغذ جعلی نیست که جلوه و ظاهری از بتن داشته باشد. این تلاش با همکاری CEMEX Global R&D انجام شد.

ArchD Daily به "یک روش ساخت و ساز با شیب کمتر جرثقیل " اشاره کرد. در این ویدئو ، صفحات بتونی به شکل پازل غول پیکر قرار دارند و توسط واکرها می چرخند ، در جای خود قرار می گیرند و به تنهایی تعادل پیدا می کنند.

این دو مرد در حال انتقال اشکال بتونی بزرگ هستند و آنها را در سکوهای چند سطحی مونتاژ می کنند. به دیوارها داخل راه پله ها با این وجود اشتباه نکنید ، زیرا این ویدیو بیشتر از عنوان تماشایی به عنوان هنر نمایش است.

کمبریج ، متریال ماساچوست ، طراحی متری و ماساچوست ، که هم یک طراحی طراحی و هم آزمایشگاه تحقیقاتی است ، بر روی روشهای جایگزین تفکر متمرکز است تا دوباره در محیط ساخته شده ما تجدید نظر کند.

سازه هایی که در غیر این صورت به جرثقیل ها یا تجهیزات سنگین تکیه می کنند نشان داده شده اند که دارای انرژی کمی هستند.

بیشتر بخوانید: گردش پمپ وکیوم خلاء آب

ArchD Daily گفت: "اگر آجر برای یک دست طراحی شده است و یک واحد سنگ تراشی بتونی (CMU) برای دو نفر طراحی شده است ، این واحدهای سنگ تراشی عظیم (MMU) وابستگی بین اندازه و بدن انسان را حل می کنند."

Business Insider در مورد نحوه کار آنها بحث کرده است. "برای تعیین اینکه از مصالح ساختاری برای استفاده استفاده شود و مرکز جرم در کجا قرار بگیرد ، Matter Design به یک الگوریتم رایانه تکیه می کند . وقتی این الگوریتم فرمول را لکه دار می کند که در زندگی واقعی کار نخواهد کرد ، محققان می توانند تنظیماتی را انجام دهند تا از جسم اطمینان حاصل کنند. برای انسان متحرک باشید. "

Matter Design گفت: "با استفاده از بتن با چگالی متغیر ، مرکز جرم جسم دقیقا کالیبره می شود تا حرکت پایدار ، اما آسان عناصر را کنترل کند. این تضمین می کند که این عناصر عظیم با موفقیت قدم می زنند و در جای خود جمع می شوند."

Business Insider به نقل از کلیفورد گفت: "در حالی که ما این عنصر را طراحی می کنیم ، همیشه می توانیم اطمینان حاصل کنیم که مرکز جرم به جایی که باید برود ، کشیده شود ."

برای بینندگان ویدیو ، این صفحات از باستان ، چیزی است که بسیار Stonehenge یا جزیره عید پاک در جریان است. و این بازتابی از طراحی مهم است ، "شناسایی دانش باستانی که با موضوعات امروز تشدید می کند".

مدل سازی مدرن رایانه و فناوری ساخت پیشرفته ، مفاهیم خود را به مرحله اجرا درآورده است. طبق گفته Archinect ، براندون کلیفورد از این شرکت روشهای اولیه ساخت و ساز را بررسی کرده و آنها را در یک زمینه مدرن ترجمه کرده و آنها را در ساختمانها و پروژه های معاصر به کار گرفته است.

در این مثال، "معماران توسط موآی الهام گرفته شد مجسمه در جزیره ایستر، که وزن آن به 82 تن یک قطعه و بنا به گزارش با راه رفتن خود را منتقل شدند، گفت:" دیزاین . صبر کنید ، این به چه معناست ، مگر اینکه این یک داستان خواب کودکان برای سنگها باشد که وقتی کسی به دنبالش نمی توانست قدم بزند؟

روزنامه معمار شما را آویزان نمی کند.

"چگونه مردم باستان Moai از جزیره عید پاک را جابجا کردند؟ یک نظریه این است که این مجسمه های عظیم به گونهای طراحی شده اند که" راه بروند "، یا به تدریج به صورت سنگلاخی در جای خود قرار بگیرند. مجمع پیاده روی ، به دنبال جدایی از مفهوم مقیاس سنگ تراشی از نوع بشر است. قرار دادن آن ، به این تکنیک های ساختمانی پیش از تولید باز می گردد . " جاناتان هیلبرگ گفت: "با استفاده از لبه های گرد ، نقاط کنترل شده ، و با ریختن بتن با چگالی متغیر برای کنترل مرکز ثقل هر MMU ، می توان اجزاء را به راحتی لکه دار کرد ، کج شد و به جای آن غلتید."

آیا می توان Walking Assembly را نشانگر جهت های جدید برای ساخت و ساز دانست؟

به گفته Business Insider ، کلیفورد گفت این پروژه می تواند آینده ساخت و ساز را تغییر دهد ، (1) به شرکت ها اجازه می دهد بدون جرثقیل بسازند و (2) احتمالاً از تخریب سازه ها جلوگیری می کند. کلیفورد گفت: "در حالی که ساختمان تجاری معمولی برای چند دهه به طول انجامیده است ، ساختارهای Matter Design می توانند ابدی بمانند. همچنین می توان آنها را جدا کرد تا شکل جدیدی به وجود آورد ."

دریچه تحریک چیست؟
شیر یک جزء در سیستم لوله کشی است که برای کنترل جریان رسانه از طریق سیستم استفاده می شود. این کنترل با دستکاری برخی از انواع انسداد داخل شیر حاصل می شود. دریچه های فعال شده از دستگاه های مکانیکی به نام "محرک" استفاده می کنند تا شیر را با استفاده از منبع تغذیه مانند هوای فشرده یا برق کار کنند. اکثر دریچه های فعال شده در نسخه دستی نیز وجود دارند یا به عنوان دریچه فعال شده با یک غلط گیری دستی در دسترس هستند.

انواع متداول دریچه های اتوماتیک در یکی از سه دسته اصلی قرار می گیرند. آنها خطی ، دوار و خود عمل هستند. انواع مختلف دریچه ای در هر یک از این دسته ها وجود دارد که هر کدام مزایای خاص خود را دارند. این دوره آموزشی بر روی شیرآلات فعال دوار و خطی متمرکز است.

دریچه های چرخشی (به عنوان دریچه های "چرخش چهارم" نیز گفته می شود)
این نوع شیرها به حرکت چرخشی انسداد جریان متکی هستند انواع اپراتور دریچه خفه در اکثر موارد این چرخش محدود به 90 درجه (یک ربع چرخشی) است ، با این وجود سوپاپ هایی وجود دارند که با استفاده از درجه چرخش بیشتری انجام می شوند و بیش از 2 موقعیت دارند. در عملیات منظم استفاده می شود. دریچه هایی که واقعاً ربع دور هستند کاملاً در 0 درجه بسته شده و کاملاً در 90 درجه باز هستند. نمونه هایی از دریچه های چرخشی عبارتند از شیرهای توپ ، شیرهای پلاگین و دریچه های پروانه ای.

نمونه شیر چرخشی: توپ ، پروانه ، پلاگین

دریچه های خطی
دو نوع دریچه خطی متمایز وجود دارد: ساقه رو به بالا (چند چرخشی) و محوری. در حالی که هر دو نوع دریچه به حرکت خطی انسداد جریان متکی هستند ، اما در ساخت و ساز و عملکرد بسیار متفاوت هستند.

دریچه های ساقه در حال چرخش چند چرخنده انسداد کننده را با چرخش میله رشته ای (ساقه) که به انسداد وصل شده است حرکت می دهد نمونه سوپاپ های چند چرخشی عبارتند از شیرهای دروازه ، دریچه های گلوب ، شیرهای خرج ، دریچه های دیافراگم و دریچه های سوزن. این نوع شیرها معمولاً برای برنامه های کنترل جریان مورد استفاده قرار می گیرند.

دریچه های محوری از نیروی پنوماتیک یا الکترو مغناطیسی برای کشیدن انسداد در امتداد محور استفاده می کنند. برخی از نمونه های اینها شیرهای کواکسیال و شیرهای صندلی زاویه ای هستند. این دریچه ها معمولاً سریع عمل می کنند و فقط برای کاربردهای فرآیند روشن یا خاموش استفاده می شوند.

نوع پمپ وکیوم خلاء حلقه مایع

انواع مختلفی از پمپ های خلاء حلقه مایع وجود دارد . نوع پمپ خلاء حلقه مایع دارای ۲BV ، ۲BE ، ۲SK ، SK است که از این میان پمپ خلاء حلقه مایع ۲BV از نسبت عملکرد به قیمت بالاتری برخوردار است. انتخاب نوع پمپ خلاء حلقه مایع باید بر اساس روند در محل شما ، درجه خلاء مورد نیاز و میزان پمپاژ هوا مورد نیاز باشد.

پمپ خلاء مایع پمپ خلاء استفاده برای تخلیه متان زیرزمینی است. پمپ خلاء بخار فعال شده از مزایای فشار منفی بالا ، سرعت جریان پایین برخوردار است و برای معادن با حجم زهکشی کوچک و فشار منفی بالا مناسب است. پمپ خلاء حلقه مایع به دلیل داشتن ایمنی مناسب و فشار منفی زیاد مکش در معادن عمومی بسیار مورد استفاده قرار می گیرد.

ساختار و ویژگی های پمپ خلاء حلقه آب:

طراحی اتصال مستقیم کواکسیال پمپ موجب صرفه جویی در فضا می شود و نصب آن بسیار آسان است. مهر و موم مکانیکی به عنوان پیکربندی استاندارد استفاده می شود و نشتی و نگهداری آسان را از بین می برد. آرام اجرا می شود و سر و صدای آن نیز به اندازه ۶۲ دسی بل کم است. طراحی مقاومت در برابر خوردگی یکپارچه ، پروانه برنز برای بهبود مقاومت در برابر خوردگی پمپ ، از جنس استیل ضدزنگ استفاده بیشتر و کاربرد دقیق تر. طراحی اگزوز انعطاف پذیر بی نظیر ، فشرده سازی بیش از حد ایجاد نمی کند ، و از راندمان ۲BV در محدوده عملکرد خود اطمینان می دهد. پمپ خلاء حلقه مایع به طور گسترده ای در بسیاری از فرآیندهای صنعتی از جمله فیلتراسیون خلاء ، انحراف آب خلاء ، تغذیه خلاء ، تبخیر خلاء ، غلظت خلاء ، احیاء رطوبت خلاء و جداسازی خلاء مورد استفاده قرار می گیرد. با توجه به توسعه سریع فناوری کاربرد خلاء ، در بدست آوردن خلاء زبر مورد توجه قرار گرفته است.

اگر می خواهید در مورد محصولات پمپ خلاء ما اطلاعات بیشتری کسب کنید ، یا اگر می خواهید در مورد مواد پمپ خلاء مشورت کنید ، یک پیام بگذارید یا از طریق آدرس برای ما ایمیل بفرستید.

قیمت پمپ وکیوم خلاء حلقه آب

پمپ خلاء حلقه آب نوع متداول پمپ خلاء حلقه مایع است. حلقه آب روتور با چند تیغه غیر عادی است که در پوسته پمپ نصب شده است. هنگامی که می چرخد ، مایع را درون پمپ پرتاب می کند و یک حلقه حلقه مایع را با پوسته پمپ تشکیل می دهد. حلقه مایع و تیغه روتور پمپ خلاء متغیر چرخشی را با تغییر حجم دوره ای تشکیل می دهد. هنگامی که مایع در حال کار آب است ، به آن آب گفته می شود. حلقه خلاء پمپ.

انواع مختلفی از پمپ های خلاء حلقه ای آب با قیمت های مختلف وجود دارد. مدل های داخلی ۲BV ، ۲BE ، ۲SK ، SY / 2SY ، DLV ، AT / TC در دسترس هستند. در بین آنها ، ۲BV مقرون به صرفه تر است. انتخاب نوع پمپ خلاء حلقه آب باید براساس روند کار در محل شما ، میزان خلاء مورد نیاز و میزان پمپاژ هوا مورد نیاز باشد.

بیشتر بخوانید: پمپ حلقه مایع برای صنایع شیمیایی

پمپ های خلاء سری ۲BV برای پمپ بنزین و بخار آب مرطوب مناسب هستند. فشار مکش می تواند به فشار مطلق ۳۳ mbar (درجه خلاء ۹۷٪) برسد. هنگامی که فشار پمپ خلاء برای مدت طولانی پایین تر از ۸۰ mbar باشد ، باید لوله محافظ کاویتاسیون به منظور محافظت از پمپ متصل شود. به عنوان مثال ، با دستگاه بخار هوا ، فشار مکش می تواند به ۱۰ mbar برسد. اجکتور را می توان مستقیم بر روی پمپ خلاء نصب کرد. هنگامی که به عنوان کمپرسور استفاده می شود ، فشار آن حداکثر ۰٫۲۶ mbar (فشار مطلق) است.

پمپ های خلاء سری ۲BV برای استخراج گاز و بخار آب مناسب هستند. فشار مکش می تواند به فشار مطلق ۳۳ mbar (درجه خلاء ۹۷٪) برسد. هنگامی که فشار مکش پمپ خلاء برای مدت طولانی کمتر از ۸۰ mbar باشد ، باید لوله محافظ کاویتاسیون به منظور محافظت از پمپ متصل شود. در صورت مجهز بودن به دستگاه بخار هوا ، فشار مکش می تواند به ۱۰ mbar برسد ، و می توان اجکتور را مستقیماً روی زیر پمپ پمپ خلاء نصب کرد. هنگام استفاده به عنوان کمپرسور ، حداکثر فشار ۰٫۲۶ مگاپاسکال (فشار مطلق) است.

پمپ های خلاء و کمپرسورهای حلقه ای آب بیشتر مورد استفاده قرار می گیرند زیرا فرآیند فشرده سازی گاز در فرآیند کار ایزوترمال است ، بنابراین وقتی گازهای قابل اشتعال و انفجاری را فشرده و مکش می کنند ، خطرناک نیستند.

دو محقق در دانشگاه انرژی شانگهای اخیراً مدلهای جدید شبکه عصبی را برای تشخیص چهره (FER) در طبیعت تهیه و ارزیابی کرده اند. مطالعه آنها ، که در مجله Neurocomputing Elsevier منتشر شده است ، سه مدل از شبکه های عصبی کانونشن (CNN) را ارائه می دهد: یک Light-CNN ، یک CNN دو شاخه و یک CNN از قبل آموزش دیده.

Qian Yongsheng یکی از محققانی که این تحقیق را انجام داده است ، گفت: به دلیل عدم اطلاع رسانی در مورد چهره های غیر جلو ، FER در طبیعت نقطه دشواری در بینایی کامپیوتر است. "روشهای تشخیص چهره طبیعی موجود بر اساس شبکه های عصبی کانونشنال عمیق (CNNs) چندین مشکل از جمله مناسب بودن ، پیچیدگی محاسباتی بالا ، ویژگی های منفرد و نمونه های محدود را ایجاد می کند."

اگرچه بسیاری از محققان رویکردهای CNN را برای FER ایجاد کرده اند ، اما تاکنون ، تعداد کمی از آنها سعی کرده اند تعیین کنند که کدام نوع شبکه برای این کار خاص مناسب است. با آگاهی از این شکاف در ادبیات ، یونگ شنگ و همکارش Shao Jie سه CNN مختلف برای FER ایجاد کردند و یک سری ارزیابی ها را برای شناسایی نقاط قوت و ضعف آنها انجام دادند.

Yongsheng گفت: "مدل اول ما CNN کم عمق است که ماژول جداشده از عمق را با ماژول شبکه باقیمانده معرفی می کند و پارامترهای شبکه را با تغییر روش پیچش کاهش می دهد." "دومین CNN دو شاخه ای است ، که ترکیبی از ویژگی های جهانی و ویژگی های بافت محلی ، تلاش برای به دست آوردن ویژگی های غنی تر و جبران عدم تغییر چرخش از نتیجه گیری است. سومین CNN از قبل آموزش دیده از وزنه های آموزش دیده در همان پایگاه داده بزرگ توزیع شده استفاده می کند. برای آموزش مجدد در پایگاه داده کوچک خود ، کاهش زمان آموزش و بهبود میزان شناخت. "

چارچوب CNN دو شاخه. اعتبار: جی و یونگشنگ.
محققان ارزیابی های گسترده ای از مدل های CNN خود را بر روی سه مجموعه داده که معمولاً برای FER استفاده می شوند ، انجام دادند: مجموعه داده های عمومی CK + ، چند دیدگاه BU-3DEF و FER2013. اگرچه سه مدل CNN اختلاف نظر را در عملکرد نشان دادند ، اما همه آنها به نتایج امیدوارکننده دست یافتند ، و از چندین رویکرد پیشرفته برای FER بهتر بودند.

یونگشنگ توضیح داد: در حال حاضر از سه مدل CNN جداگانه استفاده می شود. وی ادامه داد: شبکه کم عمق برای سخت افزارهای تعبیه شده مناسب تر است. CNN از قبل آموزش دیده می تواند به نتایج بهتری دست یابد اما به وزنهای از قبل آموزش دیده نیاز دارد. شبکه دو شاخه چندان کارآمد نیست .البته می توان سعی کرد از سه مدل با یکدیگر."

محققان در ارزیابی های پمپ وکیوم خود مشاهده کردند که با ترکیب ماژول شبکه باقیمانده و ماژول قابل تفکیک عمق ، همانطور که برای اولین مدل CNN خود انجام دادند ، می توان پارامترهای شبکه را کاهش داد. این در نهایت می تواند برخی از کاستی های سخت افزار محاسباتی را برطرف کند. علاوه بر این، آنها دریافتند که از قبل آموزش دیده سی ان ان مدل یک پایگاه داده بزرگ به پایگاه داده خود را منتقل شود و از می تواند با نمونه های محدود آموزش داده می شود.

چارچوب CNN از پیش آماده شده. اعتبار: جی و یونگشنگ.
سه CNN برای FER که توسط Yongsheng و Jie ارائه شده اند می توانند کاربردهای بیشماری داشته باشند ، برای مثال ، به ساخت روبات هایی کمک می کند که می توانند بیان صورت انسانهایی را که با آنها در تعامل هستند شناسایی کنند. محققان اکنون قصد دارند تعدیل های بیشتری را برای مدل های خود انجام دهند تا بیشتر عملکرد آنها بهبود یابد.

یونگشنگ گفت: "در کار آینده ما ، ما سعی خواهیم کرد ویژگی های مختلف دستی سنتی را برای پیوستن به CNN دو شاخه و تغییر حالت فیوژن اضافه کنیم." "ما همچنین از پارامترهای شبکه آموزش پایگاه داده متقاطع برای به دست آوردن قابلیت های تعمیم بهتر و اتخاذ یک روش یادگیری انتقال موثر عمیق تر استفاده خواهیم کرد."

این ربات چهار پا 3 میلیون پوند از آن به دست آورده است و مهندسان آن مفتخر بودند كه آن را در 23 مه به همان اندازه ناهموار و قدرتمند نشان دهند.

HyQReal چهارپایه است که در انستیتوی فناوری ایتالیا ساخته شده است ، و تیم آن با افتخار تماشا می کند که این روبات هواپیما را به طول بیش از 10 متر (33 فوت) می کشید. این یک هواپیمای مسافربری سه تری Piaggio P180 Avanti بود.

در ITT ، این عمل در آزمایشگاه Dynamic Legged Systems است که مدتی است کار در حال حرکت به سمت چهار دست هیدرولیک است. به طور خاص ، نگرانی بزرگ در مورد "کنترل دقیق نیروی هیدرولیک / گشتاور در سطح مشترک" است.

آزمایشگاه ربات HyQReal "چهارگانه هیدرولیک کنترل گشتاور" را "سکوی پرچمدار ما" می داند. این ویدئو در 23 ماه مه از آزمایشگاه Dynamic Legged Systems منتشر شد و این ربات را با هیدرولیک و باتری های موجود در کشتی نشان می داد ، به علاوه دو کامپیوتر ، یکی برای دید ، دیگری برای کنترل ، عقب کشیدن هواپیما - یک مسافر کوچک Piaggio P180 Avanti .

این ویژگی ها در فرودگاه جنوا با پشتیبانی Piaggio Aerospace مورد آزمایش قرار گرفت .

وزن این هواپیما 3،300 کیلوگرم (7.275.255 پوند ، 3.6376275 تن) است. اکنون اعداد بسیار کمتری در این ربات وجود دارد.

HyQReal قد بلند 90 سانتی متر (2.95 فوت) و وزن آن 130 کیلوگرم (286.6 پوند) است. این روبات دارای قفس رول آلومینیومی و پوستی از جنس Kevlar ، فیبر شیشه و پلاستیک است. پاها دارای لاستیک مخصوص برای کشش زیاد روی زمین هستند.

باتری 48 ولت وجود دارد. چهار موتور الکتریکی به چهار پمپ هیدرولیک (پمپ برای وکیوم) وصل شده اند.

IIT با Moog در زمینه هیدرولیک همکاری کرد و Claudio Semini ، رهبر پروژه و هماهنگ کننده آزمایشگاه Iyn's Dynamic Legged Systems ، به Digital Trends گفت: "نرم افزار IIT می تواند وضعیت ربات ، تعادل و نیروهای واکنش زمین را بهینه کند تا نیروی کشش و افزایش یابد. کشش "

HyQReal با پشتیبانی Piaggio Aerospace در فرودگاه ژنو ، در جنوا (ایتالیا) مورد آزمایش قرار گرفته است. HyQReal توانست هواپیمای مسافربری کوچک (Piaggio P180 Avanti) به وزن 3300 کیلوگرم ، طول 14.4 متر و طول بالهای آن 14 متر بکشاند. اعتبار: IIT-Istituto Italiano di Tecnologia
این روبات در دنیای واقعی از تلاشهای امدادی در مناطق آسیب دیده ناشی از بحران پشتیبانی می کند بدون اینکه جان انسان ها را در معرض خطر قرار دهد. ( ایوان آکرمن در طیف IEEE گفت: "از آنجا که محرک ها اکثراً آب بندی شده اند ، HyQReal ضد آب و گرد و غبار است و قادر به حرکت در هنگام پاشش شدن با آب یا ریخته شدن ماسه ها در آن است." )

Ackerman گفت: "باتری (که وزن آن 15 کیلوگرم است) باید حدوداً دو ساعت خوب باشد" ، اگرچه IIT هنوز آزمایش استقامت را انجام نداده است. "

در حقیقت ، "هنوز" به توصیف آنچه در آینده است کمک می کند. وی ادامه داد: هدف بلند مدت این پروژه ایجاد سخت افزار ، نرم افزار و الگوریتم های وسایل نقلیه چهار محکم برای زمین های زبر است که می توانند متناسب با انواع برنامه ها از جمله پاسخ به فاجعه ، کشاورزی ، رفع فشار و بازرسی طراحی شوند. انتشار خبر

آکرمن گفت: "در حال حاضر این ربات تحقیقاتی بسیار زیاد است." در حقیقت ، آکرمن مراقبت کرد تا خاطرنشان کند که این ربات قرار است آزمایش های بیشتری را انجام دهد.

وی گفت: "در کارگاه ICRA ، ویدئویی مختصر از ربات دستیابی ، همچنین دراز کشیدن و ایستادن دوباره دیدیم. HyQReal بسیار جدید است ، بنابراین چیزهای زیادی وجود دارد که محققان هنوز فرصتی برای کشف آن ندارند. "

محققان IBM Research UK ، آکادمی نظامی ایالات متحده و دانشگاه کاردیف اخیراً رویکرد جدیدی را برای بهبود حساسیت LIME (توضیحات محلی تفسیر موضعی Agnostic) ارائه داده اند ، روشی برای دستیابی به درک بهتر از نتیجه گیری های حاصل از الگوریتم های یادگیری ماشین. مقاله آنها ، که در کتابخانه دیجیتالی SPIE منتشر شده است ، می تواند از ابزارهای هوش مصنوعی (AI) که توضیحی جامع در مورد چگونگی دستیابی به یک نتیجه یا نتیجه خاص دارند ، آگاه سازد.

Eunjin Lee ، نویسنده مقاله اصلی تحقیق و متخصص فناوری نوظهور و Inventor ارشد در IBM Research ، گفت : "ما معتقدیم که هوش مصنوعی و یادگیری ماشین می توانند از تصمیم گیریهای انسانی پشتیبانی و تقویت کنند ، اما برای هوش مصنوعی نیز یک ضرورت وجود دارد." انگلیس ، به TechXplore گفت. "امروز تصمیماتی که بسیاری از سیستمهای یادگیری ماشینی اتخاذ می کنند غیر قابل توضیح است ، یعنی راهی برای ما وجود ندارد که بدانیم سیستم ها به چه تصمیماتی رسیده اند. تحقیقات ما با بررسی چگونگی بهبود تکنیک های قابل توضیح که هدف از آن پرتاب نور است ، به این موضوع می پردازیم. "جعبه سیاه" ماهیت فرآیندهای یادگیری ماشین. "

بیشتر بخوانیم: انواع پمپ وکیوم

LIME یک تکنیک قابل توضیح برای محبوبیت است که می تواند در بسیاری از مدلهای یادگیری ماشین اعمال شود. با وجود تطبیق پذیری آن ، اغلب به دلیل تنوع در نتایج حاصل از تولید ، غیر قابل اعتماد و در نتیجه در ارائه توضیحات بی اثر است. لی و همکارانش به جای ایجاد یک تکنیک کاملاً جدید برای توضیح ، اقدام به شناسایی مکانیسم هایی کردند که می توانند توضیحات LIME را تقویت کنند.

لی توضیح داد: "ما ابتدا می خواستیم عمیق تر به بی ثباتی نگاه كنیم كه سایر محققان مشاهده كردند كه آیا LIME واقعاً ناپایدار است یا خیر." "برای این کار ، ما LIME را در برابر مجموعه داده ها و مدل یادگیری ماشین خود تست کردیم بدون اینکه کد زیرین را تغییر دهیم. تکنیک."

نه خروجی تصویر برای تکنیک اصلاح نشده LIME. اعتبار: لی و همکاران.
هنگامی که لی و همکارانش عمیق تر به آمارهای زیربنایی LIME حفر شدند ، دریافتند که اگرچه تصاویر ایجاد شده به نظر می رسد "از نظر بصری ناپایدار باشند" ، توضیحات پیش فرض تمام اطلاعات آماری را در نظر نگرفته است. به عنوان مثال ، رنگ آمیزی تصاویر توضیحی خیلی ساده بود و داده های زیربنایی را در نظر نمی گرفت (برای مثال ، تکنیک هایی مانند سایه یا شفافیت را در نظر نمی گرفت). این یافته تا حدی توضیح می دهد که چرا توضیحات ایجاد شده توسط LIME گاهی اوقات در انتقال یقین طبقه بندی به کاربران انسانی موفق نیستند.

لی گفت: "این مورد اغلب برای سیستم های پویا مانند مواردی که در این مطالعه بررسی کرده ایم ، این است که اجرای تست های متعدد و بررسی مقادیر متوسط می تواند سودمند باشد." "با استفاده از این روش ، ما متوجه شدیم که ثبات توضیحات هنگام در نظر گرفتن مقادیر متوسط و انحراف معیار در چندین اجرا به جای اینکه فقط یکبار توضیح را اجرا کنید ، بهبود می یابد."

در مطالعه خود ، لی و همکارانش با استفاده از دو کلاس تصویر ، یعنی "تفنگ گرگ" و "غیر جادوگر" ، یک مدل عصبی حلقوی (CNN) آموزش دادند. آنها دریافتند که هنگامی که چندین وزن خروجی برای تصاویر به طور متوسط و تجسم می شود ، حساسیت LIME بهبود می یابد.

محققان سپس این تصاویر متوسط را برای ارزیابی تنوع و قابلیت اطمینان دو روش LIME (یعنی روش سنتی و روش پیشنهادی) با تصاویر فردی مقایسه کردند. آنها دریافتند که تکنیک های سنتی LIME ، بدون تنظیماتی که انجام داده اند ، به دلیل ساده بودن رنگ باینری که اتخاذ کرده اند و سهولت در آن مناطق رنگی هنگام مقایسه تحلیل های مختلف ، ناپایدار به نظر می رسند. لی و همکارانش همچنین مشاهده کردند که مناطق با وزن قابل توجهی از تصاویر سازگار هستند ، در حالی که مناطق دارای وزن کم به دلیل عدم ثبات ذاتی تکنیکهای LIME ، ایالات را شلاق می زنند.

تصویر با استفاده از اطلاعات متوسط برجسته شده است. اعتبار: لی و همکاران.
لی گفت: "تکنیک هایی مانند LIME نوید بالایی را برای توضیح هوش مصنوعی نشان می دهند ، به ویژه در زمانی که هیچ امکان توضیح آسان و آسان برای سیستمهای یادگیری ماشین وجود ندارد." "در حالی که بی ثباتی درک شده توجیه شده است ، تکنیک هایی وجود دارد که می تواند به کاهش این مسئله کمک کند. این تکنیک ها دارای هزینه های محاسباتی اضافی هستند ، به عنوان مثال اجرای چندین بار توضیحات که به معنی کاربر تأخیر بیشتری در تولید توضیحات خواهد داشت."

مطالعه لی و همکارانش توضیحاتی ارزشمند در مورد برخی از عوامل عدم ثبات LIME ارائه داده اند ، همانطور که در تحقیقات گذشته مشاهده شده است. یافته های آنها حاکی از آن است که بهبود روش های وزنه برداری برای تکنیک های تبیین پذیری می تواند ثبات آنها را تقویت کرده و به توضیحات معتبرتری منجر شود ، درنهایت اعتماد بیشتر به هوش مصنوعی منجر شود. تحقیقات آینده می تواند تکنیک های عددی پیشرفته تری را شناسایی کند تا ضمن افزایش هزینه اضافی ، پایداری LIME و سایر روش های قابل توضیح را بهبود بخشد.

لی گفت: "ما علاقه مستمر به سیستم های پاسخگو هوش مصنوعی داریم که شامل توضیحات هستند اما تعصب را کاهش می دهند و استحکام و شفافیت را تقویت می کنند." "بهبود توانایی توسعه دهندگان برای استفاده راحت تر از تکنیک های توضیح در راه حل های AI برای ما یک هدف اصلی است. اخیراً ، IBM سرویس نرم افزاری را راه اندازی کرده است که بطور خودکار تعصب را تشخیص می دهد و نحوه تصمیم گیری AI را توضیح می دهد."

کلمه بیداری چیست؟ در حال حاضر ، بسیاری از کمک های صوتی آگاه هستند و به راحتی می توانند تشخیص دهند که این کلمه ای است که دستگاه قادر سازنده الکسا را فعال می کند. خوب ، اکنون آمازون چیزی فراتر از آن را پیشنهاد می کند ، تا بتوانید فعال سازی آسان را انجام دهید حتی اگر ابتدا این کلمه را نگویید.

Corinne Reichert گزارشگر ارشد CNET است: "آمازون پرونده ای را برای ثبت اختراع برای الکسا ثبت کرده است تا قبل از هر کسی از کلمه بیداری شروع به ضبط کند." ترجمه بیشتر: آیا این امکان را برای کاربران فراهم نمی کند که به طور طبیعی تر با دستگاه های خود ارتباط برقرار کنند ، عباراتی مانند "پخش برخی از موسیقی ، الکسا" به جای شروع هر دستور با "الکسا" ، طبق AJ Dellinger در Engadget .

جنینگز براون آن را به وضوح در Gizmodo بیان کرد . "آمازون تغییراتی را در الکسا پیش بینی کرده است که به AI امکان می دهد قبل از استفاده از کلمه بیداری ، گفته های کاربران را ضبط کند ، بنابراین کاربران نیازی به شروع هر دستور با بیدار شدن از روبات خود ندارند."

ایده پیش بینی شده آمازون در کشف برنامه ثبت اختراع خود با عنوان پردازش گفتار Pre-Wakeword آشکار شد. تاریخ تشکیل پرونده 24 ژانویه بود. مخترعین ذکر شده کورت پیرسول و گابریل بدینگفیلد بودند.

برنامه ثبت اختراع برای "سیستمی برای گرفتن و پردازش قسمتهای دستور گفتار گفتاری است که ممکن است قبل از wakeword رخ دهد باشد. سیستم باعث به صدا درآوردن صدای ورودی می شود و مکانهایی را در صوتی نشان می دهد که در آنجا جمله تغییر می کند ، به عنوان مثال وقتی مکث طولانی تشخیص داده می شود. وقتی سیستم wakeword را در یک گفتار خاص تشخیص می دهد ، سیستم جدیدترین محل تغییر عبارت را قبل از wakeword تعیین می کند و صدا را از آن مکان به انتهای جمله فرمان به یک سرور برای پردازش بیشتر گفتار ارسال می کند. "

این برنامه توسط BuzzFeed News در 23 ماه مه در مقاله ای از نیکول نگوین مشاهده شد .

"آمازون درخواست حق ثبت اختراع را در دفتر ثبت اختراعات و علائم تجاری ایالات متحده ثبت کرده است و توصیف فناوری ای را ارائه می دهد که به Echo و سایر دستگاههای دارای قابلیت Alexa می توانند آنچه را که شما قبل از یک کلمه بیدار مانند" الکسا "می گویند ، ضبط کند."

عالی ، عالی است درست؟ از این گذشته ، بحث ثبت اختراع به یک مسئله می پردازد و تصحیح ارائه می دهد. ثبت اختراع در مورد جزئیات بیشتر درباره این اشکال بحث کرده است:

"با این وجود ، یکی از اشکالات این رویکرد این است که یک کاربر ممکن است همیشه یک دستور گفتاری را به شکل wakeword ایجاد کند و به دنبال آن یک فرمان (به عنوان مثال ،" الکسا ، برخی از موسیقی را پخش کند ") در عوض ، ممکن است یک کاربر شامل این دستور باشد. قبل از wakeword (به عنوان مثال ، "موسیقی را با الکسا پخش کنید" یا حتی wakeword را در وسط یک فرمان وارد کنید (به عنوان مثال ، "پخش برخی از موسیقی الکسا ، بیتلز لطفا").

"در حالی که چنین عبارات ممکن است برای یک کاربر طبیعی باشد ، سیستم های پردازش گفتار فعلی برای انجام دستوراتی که قبلاً از wakeword استفاده نمی شوند پیکربندی شده اند. ارائه شده سیستمی برای اصلاح این مشکل است. سیستم فعلی برای ضبط گفتار تنظیم شده است که پیش و / یا wakeword را دنبال می کند ، به گونه ای که گفتار مرتبط با فرمان و wakeword را می توان در کنار هم قرار داد و بخشی از گفتار واحد را در نظر گرفت که ممکن است توسط یک سیستم پردازش شود .برای انجام پردازش گفتار با یک مکان متغیر wakeword ، ممکن است یک سیستم پیکربندی شود گفتار ورودی بافر: با استفاده از گفتار بافر ، سیستم ممکن است نشانگرها یا نشانه هایی را در گفتار بافر قرار دهد که احتمالاً با تغییرات موضوعه مطابقت دارد ... "

هوم ، طبق خبرهای تفسیر در جای دیگر ، خبرهای خوبی نیست. زنگ های هشدار ظاهرا ناشنوا همه درباره تصحیح یک مشکل صحبت می کنند ، همانطور که می توان واکنش را توصیف کرد ، چه کسی ، دستیار صوتی است که شروع به ضبط صدا قبل از اینکه کاربران بگویند کلمه بیدار است؟

دستگاههای پمپ های وکیوم آمازون اکو می توانند یک روز صوت را ضبط کنند ، پردازش و ضبط کنند ، قبل از کلمه فرمان برای الکسا ، و اگر این قابلیت پیشنهادی در فناوری تشخیص صدا همیشه تحقق یابد ، زندگی با الکسا تغییر می کند.

نگوین نوشت: "در حال حاضر ، دستگاه های الکسا فقط در صورت شناسایی کلمه بیدار ، صوتی را به سرورهای آمازون ضبط و ارسال می کنند."

آمازون با این پیشنهاد ثبت پرونده ثبت اختراع ، به دنبال ضبط و پردازش بخش هایی از دستور گفتاری گفتاری است که ممکن است قبل از یک کلمه بیداری رخ دهد.

با این حال ممکن است نارس نگران این موضوع باشد که اختراع ثبت شده توسط آمازون برای حفظ حریم خصوصی چه معنایی دارد. Buzzfeed News : "سخنگو افزود: سخنگوی آمازون بسیاری از برنامه های ثبت اختراع را که در نهایت در محصولات روبرو مصرف کننده اجرا نمی شوند ، تشکیل می دهد و این اختراع ثبت شده لزوماً منعکس کننده" حالتهای فعلی یا نزدیک به آینده محصولات و خدمات نیست. "

راب Thubron در، گفت: این فرایند می تواند توان به پیکربندی ذخیره بین 10 تا 30 ثانیه در یک زمان تخصصی موبایل .

دلینجر درباره این حد اظهار نظری داشت: "اگر ثبت اختراع همیشه به الکسای شما می رسید ، حد مجاز ضبط هنوز ممکن است برای برخی افراد کافی نباشد." توبرون نیز به همین ترتیب اظهار داشت که "ایده بلندگو هوشمند که مرتبا مکالمات را ضبط می کند" "بعید است که به خوبی با صاحبان بنشیند."

اتومبیل های خودران برای تحویل بسته ها به اندازه کافی "بینایی" آشنا هستند. از آنجا که فورد طراحی اتومبیل خودران را به عنوان بخشی از آینده حمل و نقل ادامه می دهد ، سیستم تحویل مورد نیاز برای تحقق آرزوی خرید یک کلیک مشتری ، بر علاقه آن افزود.

یک چه خوب است خود رانندگی با ون اگر بسته می توان به راحتی از رسیدن به مشتری را به عنوان گام آخر نیست؟

فورد توجه خود را به یک ربات تحویل داده است.

ربات جدید Agility Robotics ، Digit ، وارد عمل شد. همراه با فورد و اتومبیل های خودران خود ، آنها بر روی Digit به عنوان روباتی کار کرده اند که می تواند به شما کمک کند تا بسته های ورودی به درب شما را به طور موثر بدست آورید. در واقع ، در نظر بگیرید که آخرین مرحله مفقود شده برای دستیابی به آینده تحویل خانه شاد. تحقق بسته ، بررسی کنید. اتومبیل خود رانندگی ، بررسی کنید. بعد؟ دیمیون شلتون ، مدیرعامل Agility ، خاطرنشان كرد: "سیستم های لجستیكی در دنیای واقعی از بسیاری از قطعات تخصصی تشكیل شده است."

کن واشنگتن ، معاون رئیس جمهور ، تحقیقات تحقیقاتی و مهندسی پیشرفته و مدیر ارشد فناوری گفت: "با هم کار خواهیم کرد تا اطمینان حاصل کنیم که وسایل نقلیه خودران منحصر به فرد مجهز به انجام کارهایی هستند که به طرز حیرت انگیزی دشوار است." مرحله تحویل خود را از ماشین به درب خود دریافت کنید. "

نویسنده: پمپ وکیوم چگونه کار میکند

صبر کنید ، چرا تحویل بسته در درب مشتری برای روبات های کوچک ناز با چرخ بسیار دشوار است؟ پاسخ بدیهی است که در الزامات مهندسی برای رونمایی از یک ربات وجود دارد که می تواند تفاوتهای ظریف محیط را نشان دهد.

واشنگتن گفت: "دسترسی به درب مشتری غالباً نیاز به عبور از موانع دارد ، از جمله بالا رفتن از پله ها و مقابله با سایر چالش ها ، که انجام کار برای روبات ها با چرخ دشوار است."

طراحی این روبات به Digit اجازه می دهد تا خودش را در قسمت عقب یک وسیله نقلیه خود رانندگی کند. هنگامی که برای عمل فراخوانده می شود ، از ماشین خارج می شود و به یک حامل دو پا تبدیل می شود.

شرکت فورد موتور اوایل این ماه ویدئویی را منتشر کرد.

این قهرمان مکانیکی دو پا که تحویل بسته کالایی برای یک داوطلب کنکور را می دهد از ماشین خارج می شود و به راحتی با چند قدم کوتاه تا درب می تواند صعود کند.

اعتبار: شرکت فورد موتور
"هنگامی که یک مقصد رسیده است، پشت درب باز است، رقمی خود را گستراند، کاغذ برداشته یک بسته و ambles تا جلوی درب آن جدا می شود، گفت:" جدید اطلس .

بسته های آسانسور را رقم بزنید که وزن آنها تا 40 پوند باشد. در مورد چیزهایی که روز یا شب به هم می ریزند ، بازوهای آن به آن کمک می کنند. دکتر جاناتان هورست ، CTO و بنیانگذار Agility گفت: "برای ما ،" اسلحه ها به طور همزمان ابزاری برای حرکت در جهان هستند - فکر کنید که بعد از سقوط از خواب برخیزید ، بازوهای خود را برای تعادل باز کنید ، یا فشار به باز کردن درب - ضمن اینکه برای دستکاری یا حمل اشیاء نیز مفید است. "

سایت Agility می گوید Digit به اندازه کافی بادوام است تا بتواند در هنگام سقوط با استفاده از بازوهای خود برای کاهش سرعت خود را بدست آورد.

Digit دارای LIDAR و چند دوربین استریو است. پیچش Digit's دارای دو پردازنده چند هسته ای است.

واشنگتن همچنین اشاره کرد که چه چیزی باعث می شود که ربات دو پا در صورت صعود از مراحل خارج از خانه برای رسیدن به درب یا سایر چالش ها موفق شود: تبادل داده بین اتومبیل خود رانندگی و ربات باعث می شود که دوچرخه سوار شود. به طور خلاصه ، مفهوم فورد برای وسایل نقلیه خودمختار و ربات های تحویل آنها برای به اشتراک گذاشتن داده های حسگر است .

"وقتی یک وسیله نقلیه خود رانندگی Digit را به مقصد نهایی خود برساند ، وسیله نقلیه می تواند تمام اطلاعات مورد نیاز از جمله بهترین مسیر را به درب جلو بصورت بی سیم تحویل دهد. از طریق این تبادل اطلاعات ، Digit می تواند با یک وسیله نقلیه همکاری کند تا بتواند در جای خود قرار بگیرد و تحویل خود را شروع کنید. "

نه تنها آن ، بلکه اگر Digit بخواهد با یک مانع غیرمنتظره روبرو شود ، یک تعویض مهم وجود خواهد داشت. "این می تواند یک تصویر را به وسیله نقلیه ارسال کند و وسیله نقلیه راه حلی را برای آن تنظیم کند. ماشین حتی می تواند آن اطلاعات را به ابر ارسال کرده و از سیستم های دیگر برای کمک به Digit جهت حرکت استفاده کند ، از چندین سیستم دیگر کمک بخواهد. سبک و زیرک "

موانع غیر منتظره؟ استفانی ملو ، Geek.com نمونه هایی را ارائه داد. "اما اگر باد قوی قوطی های زباله را در مسیر خود قرار داده باشد؟ یا یک تزئینات باغی کمی جویا شده است ؟"

بنابراین ، حکم چیست؟ "دانلود" در " MIT Technology Review " شارلوت جی را ترکیبی از ماشین بدون راننده و ربات اجباری خواند ، "به خصوص به این دلیل که این دو می توانند داده های سنسور دوربین و لید را به اشتراک بگذارند تا هر یک به درک پیرامون خود کمک کند. این روبات همچنین می تواند در اتومبیل شارژ کند ، و به کمک نیاز به تعداد زیادی باتری بزرگ را کاهش دهید. "

Agility Robotics در اواخر سال 2015 به عنوان اسپینوف دانشگاه ایالتی اورگان تاسیس شد. حوزه های تخصص این تیم از مهندسی مکانیک و برق گرفته تا نرم افزار متفاوت است. آنها در ماه ژانویه از Digit bipedal Digit رونمایی کردند. اسلحه های چهار درجه آزادی آن از ابزار Digit پشتیبانی می کند ، مخصوصاً برای کارهای تحویل.

محققان انرژی خورشیدی به طور سنتی فقط برای اندازه گیری قدرت از سیستم های خورشیدی تک فتوولتائیک خورشیدی (PV) استفاده کرده اند تا توان تولید شده در شهر را تخمین بزنند. اما نصب آن نمای خوبی از تمام پشت بام های شهر نیست ، جایی که زمان روز ، جهت پانل و سایه ای که توسط درختان و ابرها ریخته شده است بر تولید برق تأثیر می گذارد.

داده های مربوط به سیستم های PV که در سطح شهر توزیع می شوند ، کاملاً مورد نیاز هستند تا بطور کامل درک کنند که چگونه می توان این منبع انرژی تجدید پذیر را در شبکه برق بدون ایجاد اختلال در جریان مطمئن برق که جهان در حال توسعه به آن وابسته است ، وارد شبکه برق کرد .

مهندسان دانشگاه ملی استرالیا و Fraunhofer-Institute for Solar Energy ISE ، آلمان ، یک مجموعه داده کنترل شده و تنظیم شده با کیفیت را از 1،287 تأسیسات مسکونی در سراسر استرالیا تهیه کرده اند. مجموعه داده ها در مجله انرژی های تجدید پذیر و پایدار ارائه شده است .

جیمی Bright ، نویسنده ، با توصیف مجموعه داده ها به عنوان "هدیه" برای محققان خورشیدی ، گفت: "هیچ کس داده ای را که آزادانه در دسترس باشد ، محقق ساخته است که دارای شش ماه اندازه گیری از سه شهر مختلف است. این مقدار قابل توجهی است."

برایت توضیح داد که پیش از این ، محققان برای جمع آوری اندازه گیری های قدرت به افراط و تفریط سوق داده شده بودند و مدل های ابری را که در یک شهر به حرکت در می آمدند برای تولید "قدرت" PV در مکان های مختلف ، جعل می کردند.

Bright گفت: "برای اولین بار ، شما می توانید به راحتی به داده ها دسترسی پیدا کرده و نوع تجزیه و تحلیل مکانی مورد نیاز برای مدیریت یکپارچه سازی خورشیدی در شبکه را به روش کنترل شده انجام دهید."

در استرالیا که تقریباً 23٪ از کل خانه های مسکونی دارای سیستم PV هستند ، این امر به ویژه برای مدیریت ایمن و قابل اعتماد شبکه است. به عنوان مثال ، برای حفظ ولتاژ توصیه شده برای لوازم و اطمینان از تأمین برق ، اپراتورهای شبکه باید واکنش نشان دهند و برای نوسانات انرژی خورشیدی برنامه ریزی کنند.

بیشتر بخوانید: پمپ وکیوم و کارکرد آن

با عضویت در عمومی وب سایت-pvoutput.org-روشن و همکارانش قادر به دسترسی به PV خام بودند قدرت اطلاعات عرضه شده توسط ورود به سیستم به صورت خودکار از مبدل های الکتریکی سیستم PV است. یک برنامه نویس رایانه داده ها را از وب سایت استخراج کرده و آن را برای مهندسینی که بعداً مشخصات مشخصی در مورد هر سیستم PV از قبیل اندازه و کارایی آن جمع آوری کرده اند ، در بانک اطلاعاتی قرار می دهد. با استفاده از این ابرداده در کنار تصاویر ماهواره ای ، آنها کنترل های سختگیرانه ای را انجام دادند و الگوریتم های تنظیم تنظیم را بر روی مجموعه داده ها آموزش دادند تا هرگونه "داده بد" را پاک کنند.

Bright گفت: "روال تنظیم ما یک روش گیرنده برای یافتن تمام ضررهای ممکن مانند سیستم مانند سایه زنی ، و حذف آنها از داده ها است. نه فقط پاک کردن آنها ، بلکه مقیاس بندی مجدد آن به نمایندگی است."

سپس سناریوی نماینده می تواند به مناطق بیشتری منتقل شود و در کنار ماهواره ها برای بهبود پیش بینی خورشیدی مورد استفاده قرار گیرد.

Bright گفت: "اکنون ما با این مجموعه داده ثابت کرده ایم که سیستم های PV گزارش دهی زنده می توانند به طور قابل توجهی پیش بینی را بهبود بخشند. شرکت های پیش بینی خورشیدی رویکرد ما را به یک سیستم واقعی پیش بینی صنعتی عملیاتی بکار می گیرند."

Bright با ارائه كدها و دستورالعمل هاي مربوط به مجموعه داده هاي آنها در هر مرحله پردازش ، اميدوار است كه آنها به محققان ديگر شروع كنند.

تیمی از محققان با آکادمی علوم چین ، یک باتری ذخیره انرژی الکتریکی شیمیایی جدید را تولید کرده اند که به عقیده آنها می تواند راه را برای ذخیره انرژی در مقیاس شبکه هموار کند. این گروه در مقاله خود که در مجله Nature Energy منتشر شده است ، چگونگی ساخت باتری جدید خود و چگونگی عملکرد آن در هنگام آزمایش را شرح می دهد. لورن ماربلا با دانشگاه کلمبیا قطعه News and Views را درباره کارهایی که این تیم در همین شماره ژورنال انجام داده منتشر کرده است.

محققان در حال استفاده از منابع انرژی تجدید پذیر اندازه گیری عملکرد پمپ وکیوم در ساختمانهای بزرگ هستند - ماربلا ادعا می کند که آنها تا حدود 30 درصد از انتشار گازهای گلخانه ای در سراسر جهان را به خود اختصاص می دهند. در حالی که این امکان وجود دارد که آنها به سادگی می توانند از برق تولید شده در یک مکان از راه دور استفاده کنند ، تولید انرژی خودشان و ذخیره آن در محل در باتری ها اقتصادی تر خواهد بود. مشکل این رویکرد این است که باتری های معمولی بسیار قابل اشتعال هستند. در این تلاش جدید ، محققان نوعی باتری را تولید کرده اند که قادر به ذخیره انرژی از یک منبع تجدید پذیر (مانند صفحه خورشیدی) بدون خطر آتش سوزی است.

برای دستیابی به باتری قابل اشتعال کمتر ، محققان فناوری یون پتاسیم اصلاح شده با آب را به عنوان الکترولیت مورد مطالعه قرار دادند. آنها با استفاده از یک آند دییمید پیریلن تترا کربوکسیلیک و یک کاتد "آب در نمک" پرسی-آبی زخمی شدند. نتیجه این کار یک باتری یون پتاسیم آبی با چگالی انرژی کمتر نسبت به سایر کاربردها بود ، اما این حساسیت نسبت به گرمای بیش از حد و آتش سوزی بسیار کمتری دارد. در پایان ، آنها یک باتری 1.3 ولت تولید کردند که به گفته آنها پتانسیل بهینه سازی برای افزایش ولتاژ و در عین حال کاهش هزینه ها وجود دارد.

محققان با غلبه بر چندین چالش ، مقاومت در برابر آتش سوزی در برابر باتری ها و در عین حال توانایی ذخیره انرژی کافی را برای استفاده مفید و کاربردی دارند. یکی از این مشکلات پایداری محدود آب و دیگری نیاز به جلوگیری از تخریب ساختاری کاتد به دلیل حرکت مداوم یون های پتاسیم بود. ماربلا خاطرنشان كرد كه پيدا كردن راه حل براي چنين مشكلاتي نيازمند وام گرفتن وام گرفتن از الكترونيك آلي ، ترموديناميك و علم مواد است .

محققان دانشگاه استنفورد به تازگی یک ربات چهار منبع آزاد به نام استنفورد دگوگو ایجاد کرده اند. این روبات که در مقاله ای از قبل منتشر شده در arXiv ارائه شده و قرار است توسط IEEE Explore منتشر شود ، از عملکرد بسیاری از ربات های پیشرفته در چابکی عمودی پرش فراتر می رود.

ناتان کاو ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: "حدود یک سال و نیم پیش ، من زیر گروه گروه Extreme Mobility را در دانش آموزان دانشجویی استنفورد شروع کردم. "ما علاقه مند به ساخت روبات های چابک بودیم که بتوانند محیط هایی را کشف کنند که وسایل نقلیه بدون چرخ یا پرواز موثر نباشند. چند روبات واقعاً شگفت انگیز که می توانند در این نوع محیط ها کار کنند قبلاً وجود دارند ، اما آنها بسیار گران قیمت بودند ، طرح های سفارشی که ما نمی خواهیم. قادر به تکرار هستیم. بنابراین سال گذشته ، ما تصمیم گرفتیم یک روبات چهار پا ارزان را با الهام از این گروه ها طراحی و نمونه سازی کنیم ، و استنفورد دگگو نتیجه تلاش های ما است. "

این ربات که توسط کاو و همکارانش ساخته شده است ، دارای چهار پا است که هر کدام از آنها دارای دو موتور است. درایوهای کمربند موتورها را به محورهای پیوندهای پا متصل می کنند و این باعث می شود که پیوندها با یک سوم سرعت موتورها بچرخند. این کاهش سرعت تقریباً گشتاور را سه برابر می کند ، و این نسبت به اندازه کافی کم است تا اطمینان حاصل شود که نیروهای محصور در محیط با موتور حس می شوند.

کاو توضیح داد: "این اثر شبیه به دوچرخه با دنده پایین است و احساس برآمدگی در جاده در پاهای خود راحت تر از آن است که با دنده بالایی باشد." "این نوع سازوکارها ، به نام محرک های محرک شبه مستقیم ، در ربات های پا تا حدودی متداول هستند. با این حال ، ما متوجه شدیم که گروه های کمتری از این نوع محرک در روبات های کوچکتر و کم هزینه استفاده می کنند."

Stanford Doggo یک ربات بسیار چابک و ارزان است که به راحتی قابل تکرار است. شگفت آور است که این ربات رکورد جدیدی را برای چابکی عمودی پرش در بین هر ربات یا حیوان تعیین کرده است و ارتفاع پرش روبات های چهار برابر قبلی را دو برابر می کند. استنفورد دگگو همچنین به مراتب ارزانتر از سایر روبات های پا است که معمولاً هزینه آن ده ها یا صدها هزار دلار است.

كو گفت: "درمجموع ، استنفورد دگگو برای ساخت حدود 3000 دلار هزینه دارد ، از جمله تمام هزینه های تولیدی كه اگر ماشین آلات گران قیمت مانند آسیاب یا ماشین تراش ندارید متحمل می شوید." وی گفت: "هزینه کم به این معنی است که این روبات برای دیگران قابل دسترسی تر است ، به خصوص اگر در آزمایشگاه دانشگاهی نباشد. مهمترین ویژگی آن با این وجود این است که روی سخت افزار و نرم افزار منبع باز کار می کند و ما برنامه های مفصلی را منتشر کرده ایم. ، لیست قسمت ها و دستورالعمل ها. "

در یک سری ارزیابی های انجام شده توسط کاو و همکارانش ، استنفورد نسبت به سایر روبات های چهار دست فاصله با حاشیه قابل توجهی پیشی گرفت. چابکی پرش عمودی آن ، اندازه گیری سرعت متوسط عمودی ، با چابک ترین حیوانات مطابقت دارد و 22 درصد از ربات های دارای عملکرد برتر پیشی گرفت. چندین ربات جالب دیگر در حال حاضر ساخته می شوند ، بنابراین به زودی عناوین استنفورد دگگو ممکن است تغییر کند. با این وجود ، قابلیت چسبندگی عمودی آن بسیار قابل توجه است.

کاو گفت: "ما امیدواریم که آزمایشگاه های بیشتر و بیشتری بتوانند تکنیک های جدید کنترل را با استفاده از ربات ما به عنوان یک سکو آزمایش کنند." "ما فکر می کنیم اگر افراد بیشتری روی این نوع روبات ها کار کنند ، آنها با سرعت بیشتری برای برنامه های دنیای واقعی مانند تحویل وسایل بحرانی یا جستجو و نجات آماده می شوند. ما همچنین امیدواریم که ربات ما به دانش آموزان الهام ببخشد تا از این زمینه کاوش کنند. از روباتیک های پا استفاده می شود. به طور کلی یک منطقه گران قیمت از روباتیک برای کار کردن است ، بنابراین ما امیدواریم که استنفورد دگگو مانع ورود را کاهش دهد. "

بیشتر بخوانید: پمپ انتقال نیرو وکیوم

کاو و همکارانش موفق به تولید اولین ربات چهارگانه ارزان و بسیار چابک طراحی شده برای کاربردهای تحقیقاتی شدند. استنفورد دگگو کاملاً منبع باز است و با استفاده از تعداد بسیار کمی قطعات سفارشی ساخته شده است ، بنابراین می توان آن را به راحتی بازسازی کرد. محققان امیدوارند که سایر تیم های روباتیک بتوانند روبات خود را ساخته و بهبود بخشند و تحقیقات خود را در ادامه ادامه دهند.

کاو و همکارانش در حال کار بر روی نسخه بزرگتر استنفورد دگگو به نام استنفورد ووفر هستند. استنفورد ووفر تقریباً دو برابر اندازه Doggo است و می تواند حدود 6 کیلوگرم تجهیزات اضافی مانند سنسورها و یک بازوی رباتیک را در خود حمل کند.

کاو افزود: "استنفورد دگگو هنوز بسیار در حال انجام پروژه است." "به عنوان مثال ، ما در حال کار بر روی قرار دادن مجموعه کامل سنسورها بر روی روبات از جمله LIDAR هستیم. یک پروژه فرعی دیگر این است که روبات کمی لخت تر و قابل دسترسی تر به نظر برسد ، به خصوص که فکر می کنیم این می تواند یک بستر مؤثر برای آموزش و ما همچنین در حال نوشتن یک دستورالعمل جامع برای تکمیل مواد منبع آزاد موجود خود هستیم ، که دستورالعمل های گام به گام در مورد نحوه ساخت استنفورد دگوگو خود را ارائه می دهد. "

محققان ETH Zürich و دانشگاه بولونیا به تازگی PULP Dronet ، یک هواپیمای بدون سرنشین با اندازه 27 گرم نانو (UAV) با یک موتور ناوبری عمیق مبتنی بر یادگیری را ایجاد کرده اند. مینی هواپیمای بدون سرنشین آنها ، در مقاله ای که از قبل روی arXiv منتشر شده است ، می تواند روی یک خط لوله بصری پایان به انتها ، برای ناوبری خودمختار که توسط یک الگوریتم یادگیری عمیق پیشرفته طراحی شده است ، اجرا شود.

"اکنون شش سال است که ETH Zürich و دانشگاه بولونیا کاملاً در یک پروژه مشترک تلاش می کنند: سکوی قدرت فوق العاده موازی (PULP) ،" Daniele Palossi ، Francesco Conti و Prof. Luca Benini ، سه محقق. کسانی که این مطالعه را انجام داده اند ، که در آزمایشگاهی به سرپرستی پروفسور بنینی کار می کنند ، از طریق ایمیل به TechXplore گفتند. "مأموریت ما ایجاد یک بستر سخت افزاری و نرم افزاری با منبع آزاد ، بسیار مقیاس پذیر برای فعال کردن محاسبات با صرفه جویی در مصرف انرژی است که در آن پاکت برق تنها از چند میلی ولت ، مانند گره های حسگر برای اینترنت اشیاء و ربات های مینیاتوری پمپ وکیوم مانند نانو هواپیماهای بدون سرنشین است. از وزن چند ده گرم ".

در هواپیماهای بدون سرنشین با اندازه بزرگ و متوسط ، بودجه توان و بار در دسترس موجود امکان بهره برداری از دستگاه های محاسباتی قدرتمند با رده بالا را فراهم می کند ، مانند نمونه هایی که توسط اینتل ، انویدیا ، کوالکام و غیره توسعه یافته اند. این دستگاه ها گزینه ای امکان پذیر برای ربات های مینیاتوری نیستند ، که از نظر اندازه و متعاقب آن محدودیت های قدرت محدود هستند. برای غلبه بر این محدودیت ها ، تیم تصمیم به الهام گرفتن از طبیعت ، به ویژه از حشرات گرفت.

Palossi ، Conti و Benini توضیح دادند: "در طبیعت ، حیوانات پرنده ای کوچک مانند حشرات می توانند کارهای بسیار پیچیده ای انجام دهند در حالی که صرفاً مقدار کمی انرژی در تشخیص محیط و تفکر مصرف می کنند." "ما می خواستیم از فناوری محاسبات کارآمد انرژی استفاده کنیم تا اساساً این ویژگی را تکرار کند."

محققان برای تکثیر مکانیسم های صرفه جویی در انرژی که در حشرات مشاهده شده اند ، ابتدا در ادغام هوش مصنوعی سطح بالا در پاکت قدرت فوق العاده ریز یک پهپاد کار کردند . این مسئله کاملاً چالش برانگیز بود ، زیرا آنها مجبور بودند محدودیتهای انرژی آن و نیازهای محاسباتی دقیق در زمان واقعی را برآورده کنند. هدف اصلی محققان دستیابی به عملکرد بسیار بالا با قدرت بسیار کمی بود.

Palossi ، Conti و Benini گفت: "موتور ناوبری بصری ما از یک سخت افزار و یک نرم افزار تشکیل شده است." "اولی توسط یک الگوی قدرت موازی ، فوق العاده کم انرژی ، و اولین توسط یک شبکه عصبی Convolutional عصبی DroNet (CNN) که قبلاً توسط گروه روباتیک و ادراک از دانشگاه زوریخ ساخته شده بود برای هواپیماهای بدون سرنشین بزرگ ساخته شده است. ، که ما برای تأمین نیازهای انرژی و عملکرد سازگار شده ایم. "

سیستم ناوبری یک قاب دوربین را می گیرد و آن را با یک CNN پیشرفته پردازش می کند. پس از آن ، تصمیم می گیرد که چگونه نگرش پهپاد را اصلاح کند تا در مرکز صحنه فعلی قرار گیرد. همین CNN همچنین موانع را شناسایی می کند ، در صورت احساس تهدید قریب الوقوع ، هواپیمای بدون سرنشین را متوقف می کند.

محققان گفتند: "اساساً ، PULP Dronet می تواند از یک خیابان خیابان (یا چیزی که شبیه آن است ، به عنوان راهرو) دنبال کند و از برخورد و ترمز در صورت موانع غیرمنتظره جلوگیری کند." "جهش واقعی ارائه شده توسط سیستم ما در مقایسه با رباتهای پرنده با اندازه جیب گذشته این است که کلیه اقدامات لازم برای دستیابی به پیمایش مستقل مستقیماً روی هواپیما انجام می شوند ، بدون نیاز به یک اپراتور انسانی ، و نه زیرساخت های موقت (به عنوان مثال دوربین های خارجی یا سیگنال ها) و به طور خاص ، بدون ایستگاه پایه از راه دور برای محاسبات استفاده می شود (به عنوان مثال ، لپ تاپ از راه دور). "

در یک سری آزمایشات میدانی ، محققان نشان دادند که سیستم آنها بسیار پاسخگو است و می تواند از برخورد با موانع غیرقابل پیش بینی پویا تا سرعت پرواز 1.5 متر بر ثانیه جلوگیری کند. آنها همچنین دریافتند که موتور ناوبری بصری آنها قادر است در مسیری 113 متری که قبلاً مشاهده نشده است ، ناوبری داخلی کاملاً مستقل داشته باشد.

این مطالعه که توسط Palossi و همکارانش انجام شده است ، روشی مؤثر را ارائه می دهد که سطح بی سابقه ای از هوش را در دستگاه هایی با محدودیت های بسیار دقیق قدرت ادغام می کند. این امر به خودی خود بسیار چشمگیر است ، زیرا فعال کردن ناوبری مستقل در یک هواپیمای بدون سرنشین با جیب بسیار چالش برانگیز است و قبلاً بندرت بدست آمده است.

محققان توضیح دادند: "بر خلاف گره لبه تعبیه شده سنتی ، در اینجا ، ما نه تنها از بودجه انرژی و نیرو موجود برای انجام محاسبه محدود هستیم ، بلکه ما نیز محدودیت عملکردی داریم." "به عبارت دیگر ، اگر CNN خیلی آهسته دوید ، هواپیمای بدون سرنشین قادر نخواهد بود به موقع واکنش نشان دهد ، از تصادف یا چرخش در لحظه مناسب جلوگیری کند."

این هواپیمای بدون سرنشین کوچک توسط Palossi و همکارانش ساخته شده است می تواند بسیاری از برنامه های فوری را داشته باشد. به عنوان مثال ، ازدحام PULP-Dronets می تواند به بازرسی از ساختمانهای متلاشی شده پس از وقوع زلزله کمک کند و به مکانهایی برسد که در مدت زمان کوتاهتر برای امدادگران بشر غیرقابل دسترسی باشد ، بنابراین بدون اینکه جان اپراتورها را به خطر بیاندازد.

"هر سناریویی که مردم از یک گره محاسباتی کوچک ، چابک و هوشمند بهره مند شوند ، اکنون نزدیک تر است ، از حمایت از حیوانات تا کمک به سالمندان / کودکان ، بازرسی از محصولات زراعی و تاکستان ها ، اکتشاف مناطق خطرناک ، ماموریت های نجات و موارد دیگر". محققان گفتند. "ما امیدواریم که تحقیقات ما کیفیت زندگی همه را بهبود بخشد."

به گفته پالوسي و همكارانش ، مطالعه اخير آنها صرفاً گام اولي براي فعال كردن اطلاعات واقعي "سطح بيولوژيك" است و هنوز هم بايد چند چالش براي رفع آن وجود داشته باشد. در کارهای آینده خود ، آنها قصد دارند با بهبود قابلیت اطمینان و هوش موتور ناوبری پردازنده ، برخی از این چالش ها را برطرف کنند. هدف قرار دادن سنسورهای جدید ، قابلیت های پیشرفته تر و عملکرد بهتر در هر وات. محققان کلیه کد ها ، مجموعه داده ها و شبکه های آموزشی خود را به طور عمومی منتشر کردند که می تواند به تیمهای تحقیقاتی دیگر نیز الهام بخش سیستم های مشابه مبتنی بر فناوری خود را توسعه دهد.

محققان افزودند: "در طولانی مدت ، هدف ما دستیابی به نتایج مشابه با آنچه در اینجا ارائه می دهیم بر روی روبوت با اندازه اندازه پیکو (وزن چند گرم با ابعاد سنجاقک) است." "ما معتقدیم که ایجاد یک جامعه قوی و محکم از محققان و علاقه مندان به چشم انداز ما برای رسیدن به این هدف نهایی اساسی است. به همین منظور ، ما کلیه کدهای و طراحی های سخت افزاری خود را به صورت متن باز برای همه در دسترس قرار دادیم."

جهان هر روز حدود 2.5 quintillion بایت داده تولید می کند . ذخیره و انتقال همه این تعداد عظیم - و دائماً در حال رشد - تعداد تصاویر ، فیلم ها ، توییت ها و سایر اشکال داده تبدیل به یک چالش مهم می شود ، مسئله ای که تهدید می کند رشد اینترنت را تضعیف می کند و از معرفی فن آوری های جدید جلوگیری می کند. به عنوان اینترنت اشیا.

اکنون ، تیمی از محققان گزارش می دهند که الگوریتمی که از تکنیک یادگیری ماشینی مبتنی بر مغز انسان استفاده می کند ، می تواند با کاهش اندازه پرونده های چندرسانه ای ، مانند فیلم و تصاویر ، آن را مسدود کند و بازیابی آنها را بدون از دست دادن کیفیت یا اطلاعات زیادی از بین ببرد. یادگیری ماشین نوعی هوش مصنوعی یا هوش مصنوعی است.

محققان در یک مطالعه ، الگوریتمی را ایجاد کردند که دارای یک شبکه عصبی مکرر برای فشرده سازی و بازیابی داده ها است ، به گفته سی لی لی گیلز ، دیوید ریز ، استاد علوم و فناوری اطلاعات ، ایالت پن ، و یک انستیتوی علوم سایبرسنس. در این حالت ، الگوریتم ، که آنها را الگوریتم پالایش تکراری ، که روی مرحله رمزگشایی یا بازیابی مجدد است متمرکز می شود ، قادر به تولید تصاویر ترمیم شده با کیفیت بهتر از معیارهای انتخاب شده برای مطالعه ، از جمله سیستم فشرده سازی طراحی شده توسط گوگل بود. که محققان آن زمان بهترین ها را می دانستند.

به عنوان مثال ، مردم داده ها را برای ذخیره عکس های بیشتر در تلفن هوشمند خود فشرده می کنند ، یا فیلم ها را در اینترنت یا از طریق سیستم عامل های رسانه های اجتماعی مانند YouTube و Twitter به اشتراک می گذارند.

وی گفت: موفقیت سیستم در فشرده سازی پرونده ها به دلیل استفاده از یک رمزگذار شبکه عصبی مکرر است نه یک شبکه تغذیه کننده یا یک رمزگذار معمولی (خطی). یک شبکه عصبی مکرر از حافظه حالت پذیر استفاده می کند ، به شما این امکان را می دهد تا بخش هایی از داده ها را همانطور که محاسبات انجام می دهد ، ذخیره کند. با این حال ، یک شبکه عصبی منظم - یا شبکه عصبی پیشرو - نمی تواند داده ها را ذخیره کند و فقط می تواند اطلاعات را به صورت متوالی پردازش کند. با توجه به ظرفیت حافظه اضافه شده ، شبکه های عصبی مکرر می توانند در انجام کارهایی نظیر تشخیص تصویر عملکرد بهتری داشته باشند.

گیلز گفت: "یک سیستم مکرر دارای بازخورد است ، در حالی که یک پرسپترون چند لایه ، یا شبکه حلق آویز و یا نوع مشابه دیگر شبکه عصبی معمولاً از پیش رو تغذیه می شوند ، به عبارت دیگر ، داده ها فقط از بین می روند ، به عنوان حافظه ذخیره نمی شوند."

دیوید میلر ، استاد مهندسی برق و علوم رایانه ، که با گیلس کار کرده است ، اظهار داشت که "مهمترین مزیت عود در این زمینه رمزگشایی تصویر این است که از ارتباطات در مناطق طولانی مکانی از تصویر نسبت به یک رمزگذار تصویر معمولی سوء استفاده می کند."

محققان که یافته های خود را اخیراً در کنفرانس فشرده سازی داده ها (DCC) گزارش دادند ، یکی دیگر از مزیت های این الگوریتم ، در مقایسه با سیستم های رقیب ، سادگی در طراحی الگوریتم است.

گیلز گفت: "ما واقعاً شبکه عصبی مكرر را در انتهای فرآیند داریم ، در مقایسه با گوگل ، كه شامل شبكه های عصبی مكرر نیز هست ، اما آنها در لایه های مختلفی قرار دارند كه این به پیچیدگی می افزاید."

یکی از مشکلات مربوط به فشرده سازی این است که وقتی یک تصویر یا فیلم فشرده شده بازیابی می شود ، پرونده ممکن است اطلاعات زیادی را از دست بدهد ، که ممکن است باعث شود تصویر یا ویدیو تار شود یا تحریف شود. محققان این الگوریتم را بر روی چندین تصویر آزمایش کردند و توانستند تصاویر را با کیفیت بالاتر از الگوریتم گوگل و سایر سیستم های معیار ذخیره و بازسازی کنند.

شبکه های عصبی "سلولهای عصبی" الکترونیکی خود را دقیقاً مانند روشی که مغز از شبکه های عصبی تشکیل می دهد ، ترتیب می دهند. با این حال ، الكساندر جی Ororbia ، استادیار پژوهشگاه فناوری روچستر ، كه تحقیقات وی بر توسعه سیستم های عصبی با انگیزه بیولوژیك متمركز است و الگوریتم های یادگیری منجر به این تحقیق می شوند ، گفت: مغزهای الکترونیکی بسیار ساده تر هستند.

اوروربیا گفت: "نکته مهمی که باید به خاطر بسپاریم این است که این شبکه های عصبی به راحتی متکی بر مغز هستند." "نورونهایی که یک شبکه عصبی الکترونیکی را تشکیل می دهند بسیار ، بسیار ساده تر هستند. نورونهای بیولوژیکی واقعی بسیار پیچیده هستند. بعضی ها می گویند که شبکه عصبی الکترونیکی تقریباً کاریکاتور شبکه عصبی مغز است."

گیلز اظهار داشت: ایده استفاده از شبكه های عصبی مكرر برای فشرده سازی ، ناشی از تجدید نظر در تحقیقات قدیمی شبکه عصبی در مورد مسئله فشرده سازی است.

بیشتر بخوانید: پمپ وکیوم کوچک

گیلز گفت: "ما متوجه شدیم که از شبکه عصبی برای فشرده سازی چیز زیادی استفاده نشده است و ما تعجب کردیم که چرا". "همیشه خوب است که مجدداً کارهای قدیمی را تجدید نظر کنید تا چیزی را ببینید که ممکن است امروز قابل استفاده باشد."

محققان با استفاده از سه معیار مستقل که کیفیت تصویر را ارزیابی می کنند ، الگوریتم خود را در فشرده سازی و بازیابی یک تصویر در مقایسه با سیستم گوگل آزمایش کرده اند: نسبت نویز سیگنال پیک ، شاخص تصویر تشابه ساختاری و شاخص تصویر تشابه ساختاری چند مقیاس که کیفیت تصویر را ارزیابی می کنند.

انکور مالی ، دانشجوی داوطلب دکترا در ایالت پن ، گفت: "نتایج حاصل از همه معیارها و مجموعه های تست مستقل و برای همه معیارها ، نشان می دهد که الگوریتم پالایش تکرار شده ، تصاویری با اعوجاج کمتر و کیفیت ادراکی بالاتر تولید می کند." که در اجرای فنی سیستم بسیار کار کرده است.

در آینده ، محققان همچنین ممکن است کشف کنند که آیا این سیستم آموزش آسانتر از الگوریتم های رقیب است.

در حالی که تمام شبکه های عصبی فشرده سازی نیاز به آموزش دارند. داده ها را به سیستم آموزش می دهد تا بتواند نحوه عملکرد را آموزش دهد.

یکی از جدیدترین تهدیدهای سایبر شامل هکرهایی است که پرونده های کاربران را رمزگذاری می کنند و سپس برای بازگرداندن آنها ، "باج" را شارژ می کنند. در مقاله "Project Almanac: A Drive-Solid Drive Solid State Road" ، دانشجویان دانشگاه ایلینویز Chance Coats و Xiaohao Wang و استادیار جیان هوانگ از آزمایشگاه علوم هماهنگ نگاهی می اندازند که چگونه می توانند از دستگاههای ذخیره کالا در حال حاضر در رایانه استفاده کنند. ، برای ذخیره پرونده ها بدون نیاز به پرداخت باج.

Coats ، دانشجوی فارغ التحصیل رشته برق و کامپیوتر گفت: "این مقاله توضیح می دهد که چگونه ما از ویژگیهای ذخیره سازی مبتنی بر فلش که در اکثر لپ تاپ ها ، دسک تاپ ها ، موبایل و حتی دستگاه های IoT وجود دارد استفاده می کنیم." مهندسی (ECE) ." "این انگیزه یک کلاس از بدافزار به نام ransomware بود ، که در آن هکرها پرونده های شما را می گیرند ، آنها را رمزگذاری می کنند ، پرونده های بدون رمز را حذف می کنند و سپس برای بازگرداندن پرونده ها درخواست پول می کنند."

درایوهای حالت جامد مبتنی بر فلش ، کتهای ذکر شده بخشی از سیستم ذخیره سازی در اکثر رایانه ها هستند. هنگامی که یک فایل روی رایانه تغییر می کند ، به جای خلاص شدن از شر نسخه قدیمی ، بلافاصله درایو حالت جامد نسخه به روز شده را در یک مکان جدید ذخیره می کند. این نسخه های قدیمی کلید خنثی کردن حملات باج افزار هستند . در صورت بروز حمله ، از ابزار مورد بحث در مقاله می توان برای بازگشت به نسخه قبلی فایل استفاده کرد. این ابزار همچنین در صورت حذف تصادفی یکی از پرونده های شخصی خود به کاربر کمک می کند.

مانند هر ابزار جدید ، یک معامله وجود دارد.

بیشتر بخوانید: پمپ وکیوم کوچک

Coats گفت: "وقتی می خواهید داده های جدید بنویسید ، باید در یک بلوک آزاد ذخیره شود ، یا بلوکی که قبلاً پاک شده است." "معمولاً یک درایو حالت جامد نسخه های قدیمی را برای تلاش برای پاک کردن بلوک ها از بین می برد ، اما به دلیل اینکه درایو ما نسخه های قدیمی را عمداً نگه می دارد ، ممکن است مجبور شود نسخه های قدیمی را قبل از نوشتن نسخه های جدید منتقل کند."

کتها این را یک معامله بین مدت زمان نگهداری و عملکرد ذخیره سازی توصیف کردند. اگر پارامترهای ابزار جدید آنها تنظیم شود که داده ها را برای مدت طولانی طولانی حفظ کند ، نسخه های قدیمی و غیر ضروری نگهداری می شوند و فضای دستگاه ذخیره سازی را اشغال می کنند. با پر شدن دستگاه با نسخه های قدیمی فایل ، سیستم پاسخ بیشتری به درخواست های ذخیره سازی معمولی و کاهش عملکرد می دهد. از طرف دیگر ، اگر این پارامترها روی یک پنجره نگهدارنده که بسیار باریک است ، قرار می گیرند ، کاربران می توانند زمان پاسخ سریع تری داشته باشند ، اما در صورت وقوع حمله بدافزار ، ممکن است تمام پرونده های پشتیبان خود ذخیره نشده باشند.

برای مدیریت این تجارت ، هوانگ و دانش آموزانش برای دستیابی به این ابزار ساخته شده اند تا بتواند این پارامترها را بطور پویا نظارت و تنظیم کند. با وجود تغییرات پویا در پارامترهای سیستم ، ابزار آنها تضمین می کند که داده ها حداقل برای سه روز حفظ می شوند. در صورت انتخاب این گزینه به کاربران این امکان را می دهد تا داده های خود را در مدت زمان تضمینی از سایر سیستم ها در مدت زمان تضمین شده تهیه کنند.

ایده این ابزار در سطح بین المللی مورد توجه قرار گرفته است. مقاله در مورد این تحقیق در یک کنفرانس سیستم برتر ، EuroSys ، در بهار گذشته منتشر شد. کتها نماینده این گروه در این کنفرانس بودند.

هوانگ ، استادیار مهندسی برق و کامپیوتر در ایلینویز گفت: "گروه تحقیقاتی ما واقعاً از ساخت سیستم های رایانه ای عملی لذت می برند ؛ این یک تمرین عالی برای دانش آموزان ما است ، آنها تجربه می کنند که چگونه تحقیقات ما تأثیر در دنیای واقعی ایجاد می کند." وی ادامه داد: با حرکت به جلو ، گروه ما امکان حفظ اطلاعات کاربر در یک دستگاه ذخیره سازی را برای مدت زمان طولانی تری با کارایی پایین تر و استفاده از درایو حالت جامد مسافرتی برای برنامه های گسترده تر مانند اشکال زدایی سیستم ها و پزشکی قانونی دیجیتال بررسی خواهد کرد. "

محققان دانشگاه آکسفورد به تازگی سعی کرده اند با استفاده از شبکه تخیل با هدایت زبان (LGI) الگوهای تفکر انسان را در دستگاه ها بازآفرینی کنند. روش آنها ، که در مقاله ای که از قبل در مورد arXiv منتشر شده است ، می تواند از پیشرفت هوش مصنوعی که قادر به تفکر شبیه انسان است ، آگاه باشد و این شامل یک جریان هدفمند از ایده های ذهنی است که توسط زبان هدایت می شوند.

تفکر انسان به طور کلی مغز را ملزم می کند تا یک عبارت زبانی خاص را درک کند و از آن برای سازماندهی جریان ایده ها در ذهن استفاده کند. به عنوان مثال ، اگر فردی که از خانه خود بیرون می رود ، متوجه می شود که باران می بارد ، می تواند در داخل کشور بگوید: "اگر چتری بخورم ، ممکن است از خیس شدن خودداری کنم" و سپس تصمیم گرفت چتر را در راه بیرون برود. از آنجا که این فکر در ذهن او می گذرد ، با این حال ، او به طور خودکار می داند که ورودی بصری (یعنی قطرات باران) را مشاهده می کند و چگونگی نگه داشتن چتر می تواند مانع از خیس شدن شود ، شاید حتی تصور کند که احساس چتر نگه داشتن یا خیس شدن زیر آن را ندارد. باران.

اگرچه برخی از ماشین ها اکنون می توانند تصاویر ، زبان پردازش یا حتی باران باران را حس کنند ، اما هنوز این توانایی تفکر منحصر به فرد و تخیلی را به دست نیاورده اند. انسانها می توانند به چنین "تفکر مداوم" دست یابند زیرا آنها قادر به تولید تصاویر ذهنی با راهنمایی زبان هستند و بازنمایی های زبان را از موقعیت های واقعی یا تخیل استخراج می کنند.

در سالهای اخیر ، محققان ابزارهای پردازش زبان طبیعی (NLP) را تولید کرده اند که می توانند به روشی شبیه به انسان به سؤالات پاسخ دهند. اما اینها صرفاً مدلهای احتمال هستند و بنابراین قادر به درک زبان به همان روش و با همان عمق انسانها نیستند. این امر به این دلیل است که انسان ها دارای ظرفیت یادگیری تجمعی ذاتی هستند که با رشد مغز آنها را همراهی می کند. مشخص شده است که این "سیستم تفکر انسان" با بسترهای عصبی خاصی در مغز همراه است ، که مهمترین آن قشر جلوی مغز (PFC) است.

PFC ناحیه ای از مغز است که وظیفه حافظه کار را دارد (به عنوان مثال ، فرآیندهای حافظه که هنگام انجام یک کار معین انجام می شود) ، از جمله نگهداری و دستکاری اطلاعات در ذهن است. در تلاش برای تولید مثل الگوهای تفکر مانند انسان در ماشین آلات ، فنگ چی و ونچوان وو ، دو محقق که تحقیق اخیر را انجام داده اند ، یک شبکه عصبی مصنوعی با الهام از PFC انسان ایجاد کردند.

محققان در مقاله خود توضیح دادند: "ما یک شبکه تخیل با هدایت زبانی (LGI) پیشنهاد کردیم تا به تدریج معنای و استفاده از کلمات و نحوهای متعدد را بیاموزد ، با هدف ایجاد یک فرآیند تفکر ماشین مانند انسان."

بیشتر بخوانید: پمپ وکیوم کوچک

شبکه LGI که توسط Qi و Wu ساخته شده است دارای سه مؤلفه اصلی است: یک سیستم بینایی ، یک سیستم زبان و یک PFC مصنوعی. سیستم بینایی از رمزگذار تشکیل شده است که ورودی دریافت شده توسط شبکه یا سناریوهای تخیل شده را به نمایشگرهای انتزاعی جمعیت و همچنین یک رمزگذار تخیل که سناریوهای تخیلی را از بازنمایی سطح بالاتر بازسازی می کند ، غیرفعال می شود.

سیستم زیر سیستم دوم ، سیستم زبان ، شامل یک binarizer است که متون سمبل را به ناقلهای باینری منتقل می کند ، سیستمی که با استخراج اطلاعات کمّی از متون ورودی و یک متنی سازنده که بردارهای باینری را تبدیل می کند عملکردی از سولکوس درون جمعی انسان (IPS) را تقلید می کند. نمادهای متن مؤلفه نهایی شبکه LGI آنها از PFC انسان تقلید می کند و ورودی های نمایش زبان و دید را برای پیش بینی نمادهای متنی و تصاویر دستکاری شده ترکیب می کند.

چی و وو شبکه LGI خود را در یک سری آزمایشات ارزیابی کردند و دریافتند که با موفقیت هشت نحو یا کار مختلف را به صورت تجمعی به دست آورد. تکنیک آنها اولین حلقه تفکر ماشینی را تشکیل می دهد ، "تعامل بین تصاویر تخیل شده و متون زبان. در آینده ، شبکه LGI ایجاد شده توسط محققان می تواند به پیشرفت هوش مصنوعی پیشرفته تر ، که قادر به تفکر شبیه انسان است ، کمک کند. استراتژی هایی مانند تجسم و تخیل.

محققان نوشتند: "LGI به طور تدریجی هشت نحو مختلف (یا وظایف) مختلف آموخته است که با استفاده از آن یک حلقه تفکر ماشینی با تعامل مناسب بین زبان و سیستم بینایی شکل گرفته و اعتبار دارد ." "مقاله ما معماری جدیدی را ارائه می دهد تا دستگاه بتواند زبان را به شیوه ای مانند انسان یاد بگیرد ، درک کند و از آن استفاده کند که در نهایت می تواند یک ماشین را قادر به ساخت سناریوهای ذهنی ساختگی و داشتن هوش کند."