ربات هایی که درد را می فهمند و حرکت بازیکنان فوتبال را پیش بینی می کنند!
گروه هوش مصنوعی: 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 گروه هوش مصنوعی به نقل از ایسنا و به نقل از تک کرانچ، پژوهش های انجام شده در حوزه 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 تعدادی از مرتبط ترین اکتشافات و تازه 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.
بااینکه آزمایش پوست مصنوعی پیش تر انجام شده بود اما پژوهشگران ادعا می کنند که طراحی آنها متفاوت می باشد برای اینکه از یک مدار تعبیه شده در سیستم بعنوان یک سیناپس مصنوعی استفاده می نماید که افزایش ولتاژ ورودی را در پی دارد. این امر، پردازش را تسریع کرد و به پژوهشگران امکان داد تا با تعیین آستانه ای از ولتاژ ورودی که فرکانس آن برمبنای سطح فشار اعمال شده به پوست متفاوت می باشد، به پوست بیاموزد که چگونه به درد شبیه سازی شده واکنش نشان دهد.
پژوهشگران پیش بینی می کنند که بتوان از پوست مصنوعی در زمینه رباتیک استفاده نمود. بعنوان مثال، پوست مصنوعی می تواند از تماس بازوی رباتیک با دمای بسیار بالا پیشگیری کند.
شرکت "دیپ مایند"(DeepMind) که در زمینه رباتیک فعال است، از ابداع یک مدل هوش مصنوعی به نام "گراف ایمپوتر"(Graph Imputer) آگاهی داده است که می تواند با بهره گیری 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 می توان از آن برای برنامه هایی مانند مدلسازی کنترل زمین یا پیش بینی 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 زمینه هایی مانند مدل سازی عابر پیاده در جاده ها و مدل سازی جمعیت در استادیوم ها نیز 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 بصورت ویدئو عرضه نماید. این کلیپ ها مملو از مصنوعات و سایر موارد عجیب بصری هستند اما با توجه 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 نیز به اندازه کافی خوب نیست. این مورد خصوصاً در مورد داده های مولکولی بدون برچسب، در مقایسه با مولکول هایی که طی سال ها بصورت دستی مورد بررسی قرار گرفته اند، بسیار قابل توجه است.
پژوهشگران "دانشگاه کارنگی ملون"(CMU) تلاش می کنند مدلی را برای دسته بندی میلیاردها مولکول نامشخص و درک آنها بدون هیچ نوع 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 خاصیت های ذاتی را در مورد چگونگی شکل گیری و رفتار چنین مولکول هایی بیاموزند. همین طور 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 نیز در تشخیص بیماری، نکته ای کلیدی است. دو بیمار ممکنست علایم مشابهی داشته باشند اما تجزیه و تحلیل دقیق نتایج آزمایشگاهی آنها نشان بدهد که بیماریهای بسیار متفاوتی دارند. این یک روش استاندارد پزشکی است اما از آنجائیکه داده های آزمایش ها و تجزیه و تحلیل های مختلفی 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 بیماریهای کبدی با نشانه های مشابه یکپارچه سازی می کند. بااینکه چنین مدل هایی جایگزین پزشکان نمی شوند اما می توانند به بررسی داده های زیادی بپردازند که متخصصان ممکنست زمان یا تخصص کافی را برای تفسیر آن نداشته باشند.
منبع: گروه هوش مصنوعی
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب