ربات هایی که درد را می فهمند و حرکت بازیکنان فوتبال را پیش بینی می کنند!
پژوهشگران تلاش می کنند با کمک هوش مصنوعی، توانایی هایی مانند حس کردن درد و پیش بینی حرکت بازیکنان فوتبال را برای ربات ها فراهم آورند.
به گزارش نهایت علم به نقل از ایسنا و به نقل از تک کرانچ، پژوهش های انجام شده در زمینه یادگیری ماشینی و هوش مصنوعی که حالا یک فناوری کلیدی در هر صنعت و شرکتی به شمار می روند، بسیار حجیم تر از آن هستند که کسی بتواند همه آنها را بخواند. هدف از این گزارش، جمع آوری بعضی از مرتبط ترین اکتشافات و جدید ترین مقالات در مورد هوش مصنوعی است اما تنها به آن محدود نمی گردد و هدف توضیح دادن اهمیت آنها است.
یکی از خبرهای مهم این هفته، ابداع پوست مصنوعی بود. گروهی از مهندسان "دانشگاه گلاسگو"(University of Glasgow)، از ابداع نوعی پوست مصنوعی خبر دادند که می تواند درد شبیه سازی شده را تجربه کند و نسبت به آن واکنش نشان دهد.
پوست مصنوعی دانشگاه گلاسگو، نوع جدیدی از سیستم پردازش مبتنی بر ترانزیستورهای سیناپسی را در بر دارد که برای تقلید از مسیرهای عصبی مغز طراحی شده اند. این ترانزیستورها از نانوسیم های اکسید روی تشکیل شده اند که بر سطح یک پلاستیک انعطاف پذیر چاپ شده اند. آنها به یک سنسور پوستی متصل شده اند که تغییرات رخ داده در مقاومت الکتریکی را ثبت می کند.
باآنکه آزمایش پوست مصنوعی پیش تر انجام شده بود اما پژوهشگران ادعا می کنند که طراحی آنها متفاوت می باشد چونکه از یک مدار تعبیه شده در سیستم بعنوان یک سیناپس مصنوعی استفاده می نماید که افزایش ولتاژ ورودی را به دنبال دارد. این امر، پردازش را تسریع کرد و به پژوهشگران امکان داد تا با تعیین آستانه ای از ولتاژ ورودی که فرکانس آن بر مبنای سطح فشار اعمال شده به پوست متفاوت می باشد، به پوست بیاموزد که چگونه به درد شبیه سازی شده واکنش نشان دهد.
پژوهشگران پیشبینی می کنند که بتوان از پوست مصنوعی در حوزه رباتیک استفاده نمود. بعنوان مثال، پوست مصنوعی می تواند از تماس بازوی رباتیک با دمای بسیار بالا جلوگیری نماید.
شرکت "دیپ مایند"(DeepMind) که در حوزه رباتیک فعال است، از ابداع یک مدل هوش مصنوعی به نام "گراف ایمپوتر"(Graph Imputer) اطلاع داده است که می تواند با استفاده از دوربین، مسیر حرکت بازیکنان فوتبال را پیش بینی نماید. جالب تر اینکه این سیستم می تواند فراتر از دید دوربین در مورد بازیکنان پیش بینی نماید و موقعیت بیشتر بازیکنان و نه همه آنها را در زمین با دقت نسبتا بالایی ردیابی کند.
گراف ایمپوتر، کامل نیست اما پژوهشگران دیپ مایند می گویند که میتوان از آن برای برنامه هایی مانند مدلسازی کنترل زمین یا پیشبینی احتمال این که بازیکن می تواند توپ را کنترل کند، استفاده نمود. فراتر از فوتبال و سایر تجزیه و تحلیل های ورزشی، دیپ مایند انتظار دارد که روش های ورای گراف ایمپوتر در حوزه هایی مانند مدل سازی عابر پیاده در جاده ها و مدل سازی جمعیت در استادیوم ها هم قابل اجرا باشد.
"دانشگاه چینهوا"(Tsinghua University) با مشارکت "آکادمی هوش مصنوعی پکن"(BAAI)، یک مدل بلندپروازانه تر به نام "کاگ ویدئو"(CogVideo) ابداع کرده است که می تواند کلیپ های ویدئویی را از متن تولید نماید. بعنوان مثال، عبارت های "مردی درحال اسکی کردن" یا "شیری درحال نوشیدن آب" را به صورت ویدئو عرضه نماید. این کلیپ ها مملو از مصنوعات و سایر موارد عجیب بصری هستند اما با عنایت به این که صحنه هایی کاملا تخیلی را در بر دارند، نقد کردن سریع آنها بسیار دشوار است.
یادگیری ماشینی اغلب در کشف دارو استفاده می شود؛ حوزه ای که یک تنوع حدودا نامتناهی از مولکول ها باید در آن مرتب و شناسایی شوند تا اثرات بالقوه مفیدی را عرضه کنند اما حجم داده ها و نتایج مثبت کاذب آنقدر زیاد و بررسی سرنخ ها آنقدر پرهزینه و زمان بر است که حتی دقت ۹۹ درصد هم به اندازه کافی خوب نیست. این مورد بخصوص در مورد داده های مولکولی بدون برچسب، در مقایسه با مولکول هایی که طی سال ها به صورت دستی مورد بررسی قرار گرفته اند، بسیار قابل توجه است.
پژوهشگران "دانشگاه کارنگی ملون"(CMU) کوشش می کنند مدلی را برای دسته بندی میلیاردها مولکول نامشخص و درک آنها بدون هیچ گونه اطلاعات اضافی ابداع کنند. آنها این کار را با ایجاد تغییرات جزئی در ساختار مولکول مجازی انجام می دهند؛ مانند پنهان کردن یک اتم یا حذف یک پیوند و مشاهده چگونگی تغییر مولکول به دست آمده. این کار به آنها امکان می دهد تا خصوصیت های ذاتی را در مورد چگونگی شکل گیری و رفتار چنین مولکول هایی بیاموزند. همینطور این ویژگی، عملکرد بهتر مدل را نسبت به سایر مدلهای هوش مصنوعی برای شناسایی مواد شیمیایی سمی در پایگاه داده آزمایشی به همراه دارد.
امضای مولکولی هم در تشخیص بیماری، نکته ای کلیدی است. دو بیمار امکان دارد علایم مشابهی داشته باشند اما تجزیه و تحلیل دقیق نتایج آزمایشگاهی آنها نشان بدهد که بیماری های بسیار متفاوتی دارند. این یک روش استاندارد پزشکی است اما از آنجائیکه داده های آزمایش ها و تجزیه و تحلیل های گوناگونی جمع می شوند، ردیابی همه همبستگی ها دشوار خواهد بود. "دانشگاه فنی مونیخ"(TU Munich) درحال کار کردن روی نوعی متاالگوریتم بالینی است که چندین منبع داده همچون الگوریتم های دیگر را برای تمایز قائل شدن بین برخی بیماری های کبدی با نشانه های مشابه یکپارچه سازی می کند. باآنکه چنین مدل هایی جایگزین پزشکان نمی شوند اما می توانند به بررسی داده های زیادی بپردازند که متخصصان امکان دارد زمان یا تخصص کافی را برای تفسیر آن نداشته باشند.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب