TechCrunch’ın dünyanın dört bir yanından haftalık AI haberleri ve araştırması olan Perceptron’a hoş geldiniz. Makine öğrenimi, şu anda hemen hemen her sektörde kilit bir teknolojidir ve herkesin bunlara ayak uydurabilmesi için çok fazla şey oluyor. Bu sütun, yapay zeka alanındaki en ilginç son keşiflerden ve makalelerden bazılarını toplamayı ve bunların neden önemli olduğunu açıklamayı amaçlıyor.
(Eski adıyla Deep Science; önceki baskılara buradan göz atın.)
Bu haftanın özeti, Facebook/Meta’dan bir çift ileri görüşlü çalışma ile başlıyor. Birincisi, Urbana-Champaign’deki Illinois Üniversitesi ile beton üretiminden kaynaklanan emisyon miktarını azaltmayı amaçlayan bir işbirliğidir. Beton, karbon emisyonlarının yaklaşık yüzde 8’ini oluşturuyor, bu nedenle küçük bir iyileştirme bile iklim hedeflerine ulaşmamıza yardımcı olabilir.
Buna “çökme testi” denir.
Meta/UIUC ekibinin yaptığı, kum, cüruf, buzlu cam ve diğer malzemelerin oranlarında farklılık gösteren binden fazla beton formül üzerinde bir model eğitmekti (üstte daha fotojenik betondan bir örnek görebilirsiniz). Bu veri kümesindeki ince eğilimleri bularak, hem güç hem de düşük emisyonlar için optimize edilmiş bir dizi yeni formül üretebildi. kazanan formül bölgesel standarttan yüzde 40 daha az emisyona sahip olduğu ortaya çıktı ve karşılandı… iyi, biraz mukavemet gereksinimlerindendir. Son derece umut verici ve sahadaki takip çalışmaları yakında topu tekrar hareket ettirecek.
İkinci Meta çalışması, dil modellerinin çalışma şeklini değiştirmekle ilgilidir. Şirket, benzer görevler sırasında dil modellerinin gerçek beyin aktivitesiyle nasıl karşılaştırıldığını karşılaştırmak için nöral görüntüleme uzmanları ve diğer araştırmacılarla birlikte çalışmak istiyor.
Özellikle, konuşurken veya dinlerken, bir cümlenin belirli bir şekilde sona ereceğini veya bir “ama”nın geleceğini bilmek gibi, insanın mevcut olandan çok daha ilerideki kelimeleri tahmin etme yeteneğiyle ilgileniyorlar. AI modelleri çok iyi hale geliyor, ancak yine de çoğunlukla Lego tuğlaları gibi kelimeleri tek tek ekleyerek, bazen de mantıklı olup olmadığını görmek için geriye bakarak çalışıyorlar. Daha yeni başlıyorlar ama zaten var bazı ilginç sonuçlar.
Malzeme ipucuna geri dönersek, Oak Ridge National Lab’deki araştırmacılar AI formülasyon eğlencesine giriyorlar. Ekip, kuantum kimyası hesaplamalarının bir veri kümesini kullanarak, malzeme özelliklerini tahmin edebilen bir sinir ağı yarattı – ancak daha sonra bunu tersine çevirerek, girdi özellikleri ve malzeme önermesini sağlayın.
“Bir malzeme alıp onun verilen özelliklerini tahmin etmek yerine, amacımız için ideal özellikleri seçmek ve bu özellikleri yüksek bir güvenle hızlı ve verimli bir şekilde tasarlamak için geriye doğru çalışmak istedik. Bu, ters tasarım olarak bilinir,” dedi ORNL’den Victor Fung. İşe yaramış gibi görünüyor – ancak koşarak kendiniz kontrol edebilirsiniz. Github’daki kod.
Resim Kredisi: ETHZ
Tamamen farklı bir ölçekte fiziksel tahminlerle ilgili olarak, bu ETHZ projesi ESA’nın Copernicus Sentinel-2 uydularından (optik görüntü için) ve NASA’nın GEDI’sinden (yörünge lazer aralığı) gelen verileri kullanarak dünyanın dört bir yanındaki ağaç gölgeliklerinin yüksekliklerini tahmin ediyor. İkisini bir evrişimsel sinir ağında birleştirmek, 55 metreye kadar yüksekliğe sahip ağaç yüksekliklerinin doğru bir küresel haritasıyla sonuçlanır.
NASA’dan Ralph Dubayah’ın açıkladığı gibi, küresel ölçekte bu tür düzenli biyokütle araştırması yapabilmek iklim izleme için önemlidir: “Ağaçların küresel olarak ne kadar uzun olduğunu bilmiyoruz. Ağaçların nerede olduğuna dair iyi küresel haritalara ihtiyacımız var. Çünkü ne zaman ağaçları kessek, atmosfere karbon salıyoruz ve ne kadar karbon saldığımızı bilmiyoruz.”
kolayca yapabilirsiniz burada harita biçimindeki verilere göz atın.
Bu DARPA projesi, tamamen sanal otonom araçların geçiş yapması için son derece büyük ölçekli simüle edilmiş ortamlar yaratmakla ilgili. Sözleşmeyi Intel’e verdileroyunun yapımcılarıyla iletişime geçerek biraz para biriktirmiş olsalar da kar koşucusutemelde DARPA’nın istediğini 30 $ için yapar.
Resim Kredisi: Intel
RACER-Sim’in amacı, kayalık bir çölde ve diğer zorlu arazilerde gürültü yapmanın nasıl bir şey olduğunu zaten bilen arazi dışı AV’ler geliştirmektir. 4 yıllık program, önce ortamların oluşturulmasına, simülatörde modellerin oluşturulmasına, ardından becerilerin fiziksel robotik sistemlere aktarılmasına odaklanacak.
Şu anda yaklaşık 500 farklı şirkete sahip olan AI ilaç alanında, MİT’in aklı başında bir yaklaşımı var sadece gerçekten yapılabilen molekülleri öneren bir modelde. “Modeller genellikle laboratuvarda üretilmesi zor veya imkansız olan yeni moleküler yapılar önerir. Bir kimyager molekülü gerçekten üretemezse, hastalıklarla mücadele özellikleri test edilemez.”
Havalı görünüyor ama pudralı tek boynuzlu at boynuzu olmadan yapabilir misin?
MIT modeli, “moleküllerin satın alınabilen malzemelerden oluştuğunu ve bu malzemeler arasında meydana gelen kimyasal reaksiyonların kimya yasalarına uygun olduğunu garanti eder.” Kulağa Molecule.one’un yaptığı gibi geliyor, ancak keşif sürecine entegre edilmiş. Yapay zekanızın önerdiği mucize ilacın herhangi bir peri tozu veya başka egzotik madde gerektirmediğini bilmek kesinlikle güzel olurdu.
MIT, Washington Üniversitesi ve diğerlerinden bir başka çalışma, robotlara günlük nesnelerle etkileşim kurmayı öğretmekle ilgili – bazılarımızın bulaşık makinesi olmadığı için önümüzdeki birkaç on yıl içinde hepimizin yaygınlaşmasını umduğumuz bir şey. Sorun şu ki, bir modeli eğitmek için verilerimizi yüksek doğrulukta aktaramadığımız için, insanların nesnelerle tam olarak nasıl etkileşime girdiğini söylemenin çok zor olmasıdır. Bu nedenle, çok sayıda veri açıklaması ve manuel etiketleme söz konusudur.
yeni teknik 3B geometriyi çok yakından gözlemlemeye ve çıkarsamaya odaklanır, böylece sistemin kendisini nasıl yapacağını öğrenmesi için bir nesneyi kavrayan bir kişinin yalnızca birkaç örneğini alır. Normalde bir simülatörde yüzlerce örnek veya binlerce tekrar gerektirebilir, ancak bu, o nesneyi etkili bir şekilde manipüle etmek için nesne başına sadece 10 insan gösterisine ihtiyaç duyuyordu.
Resim Kredisi: MİT
Temel modelden çok daha iyi olan bu minimum eğitimle yüzde 85’lik bir başarı oranı elde etti. Şu anda bir avuç kategoriyle sınırlı, ancak araştırmacılar bunun genelleştirilebileceğini umuyor.
Bu hafta sonuncusu biraz Deepmind’den gelecek vaat eden çalışma “Çitin üzerinde oturan üç kedi” gibi fikirlerin dilbilgisi ve imgelem arasında bir tür çapraz temsile sahip olması için görsel bilgiyi dil bilgisi ile birleştiren çok modlu bir “görsel dil modeli” üzerinde. Ne de olsa kendi zihnimiz böyle çalışıyor.
Yeni “genel amaçlı” modelleri olan Flamingo, görsel tanımlama yapabilir, ancak aynı zamanda iki model bir arada olduğu için değil, dil ve görsel anlayışı bir araya getirdiği için diyalog kurabilir. Diğer araştırma kuruluşlarından gördüğümüz gibi, bu tür çok modlu yaklaşım iyi sonuçlar verir, ancak yine de oldukça deneysel ve hesaplama açısından yoğundur.