Artık hemen hemen her endüstri ve şirkette kilit bir teknoloji olan makine öğrenimi ve yapay zeka alanındaki araştırmalar, herkesin hepsini okuması için çok hacimlidir. Perceptron (önceden Deep Science) adlı bu sütun, özellikle yapay zekayla ilgili, ancak bununla sınırlı olmamak üzere, en güncel keşiflerden ve makalelerden bazılarını toplamayı ve neden önemli olduklarını açıklamayı amaçlamaktadır.
Bu hafta yapay zekada, Glasgow Üniversitesi’ndeki bir mühendis ekibi, simüle edilmiş acıyı deneyimlemeyi ve ona tepki vermeyi öğrenebilen “yapay deri” geliştirdi. Başka yerlerde, DeepMind araştırmacıları, futbolcuların sahada nerede koşacağını tahmin eden bir makine öğrenme sistemi geliştirirken, Çin Hong Kong Üniversitesi (CUHK) ve Tsinghua Üniversitesi’nden gruplar, insan figürlerinin gerçekçi fotoğraflarını ve hatta videolarını oluşturabilen algoritmalar oluşturdu. modeller.
Bir basın açıklamasına göre, Glasgow ekibinin suni deri beynin sinir yollarını taklit etmek için tasarlanmış “sinaptik transistörlere” dayalı yeni bir tür işleme sisteminden yararlandı. Esnek bir plastiğin yüzeyine basılmış çinko oksit nanotellerinden yapılan transistörler, elektrik direncindeki değişiklikleri kaydeden bir cilt sensörüne bağlandı.
Resim Kredisi: Glasgow Üniversitesi
Yapay cilt daha önce denenmiş olsa da, ekip, tasarımlarının farklı olduğunu, çünkü “yapay bir sinaps” olarak hareket etmek için sistemde yerleşik bir devre kullandığından ve girdiyi voltajda bir yükselmeye düşürdüğünden farklı olduğunu iddia ediyor. Bu, işlemeyi hızlandırdı ve ekibin, cilde uygulanan basınç seviyesine göre frekansı değişen bir giriş voltajı eşiği ayarlayarak simüle edilmiş ağrıya nasıl tepki vereceğini “öğretmesine” izin verdi.
Ekip, cildin robotikte kullanıldığını, örneğin robotik bir kolun tehlikeli derecede yüksek sıcaklıklarla temas etmesini engelleyebileceğini görüyor.
Robotik ile teğetsel olarak ilgili olan DeepMind, bir AI modeli geliştirdiğini iddia ediyor, Grafik HesaplayıcıBu, futbolcuların yalnızca bir alt kümenin kamera kayıtlarını kullanarak nereye hareket edeceğini tahmin edebilir. Daha da etkileyici olanı, sistem kameranın görüş alanının ötesindeki oyuncular hakkında tahminlerde bulunabiliyor ve sahadaki oyuncuların çoğunun (hepsi değilse de) pozisyonunu oldukça doğru bir şekilde takip etmesine olanak tanıyor.
Resim Kredisi: Derin Düşünce
Graph Imputer mükemmel değil. Ancak DeepMind araştırmacıları, bunun saha kontrolünü modelleme veya bir oyuncunun belirli bir yerde olduğunu varsayarak topu kontrol edebilme olasılığı gibi uygulamalar için kullanılabileceğini söylüyor. (Birkaç önde gelen Premier Lig takımı kullanmak Oyunlar sırasında ve maç öncesi ve maç sonrası analizlerde saha kontrol modelleri.) Futbol ve diğer spor analizlerinin ötesinde DeepMind, Graph Imputer’ın arkasındaki tekniklerin yollarda yaya modelleme ve stadyumlarda kalabalık modelleme gibi alanlara uygulanabilir olmasını bekliyor.
Yapay cilt ve hareket tahmin sistemleri etkileyici olsa da, fotoğraf ve video üreten sistemler elbette hızlı bir şekilde ilerliyor. Açıkçası, OpenAI’nin Dall-E 2’si ve Google’ın Imagen’i gibi yüksek profilli işler var. Ama bir göz at Metin2İnsanCUHK’nin Multimedya Laboratuvarı tarafından geliştirilen ve “hanımefendi saf renk desenli kısa kollu bir tişört ve kısa ve kot etek giyiyor” gibi bir başlığı gerçekte var olmayan bir kişinin resmine çevirebilen .
Tsinghua Üniversitesi, Pekin Yapay Zeka Akademisi ile ortaklaşa, metinden video klipler oluşturabilen CogVideo adlı daha da iddialı bir model yarattı (örneğin, “kayak yapan bir adam”, “bir aslan su içiyor”). Klipler eserler ve diğer görsel tuhaflıklarla dolu, ancak tamamen kurgusal sahneler oldukları düşünüldüğünde, eleştirmek zor fazla sertçe.
Makine öğrenimi genellikle, literatürde ve teoride görünen neredeyse sonsuz çeşitlilikteki moleküllerin potansiyel olarak faydalı etkileri bulmak için sıralanması ve karakterize edilmesi gereken ilaç keşfinde kullanılır. Ancak veri hacmi o kadar büyük ve yanlış pozitiflerin maliyeti potansiyel olarak o kadar yüksek ki (potansiyelleri takip etmek maliyetli ve zaman alıcıdır), %99 doğruluk bile yeterince iyi değildir. Bu, özellikle etiketlenmemiş moleküler veriler için geçerlidir, (yıllar boyunca manuel olarak incelenen moleküllerle karşılaştırıldığında) açık ara farkla orada bulunanların çoğu.
Resim Kredisi: CMÜ
CMU araştırmacıları milyarlarca karaktersiz molekülü herhangi bir ekstra bilgi olmadan anlamlandırması için eğiterek sıralamak için bir model oluşturmak için çalışıyorlar. Bunu, (sanal) molekülün yapısında bir atomu gizlemek veya bir bağı kaldırmak gibi küçük değişiklikler yaparak ve ortaya çıkan molekülün nasıl değiştiğini gözlemleyerek yapar. Bu, bu tür moleküllerin nasıl oluştuğuna ve nasıl davrandığına dair içsel özellikleri öğrenmesine olanak tanır ve bir test veri tabanındaki toksik kimyasalları belirlemede diğer AI modellerinden daha iyi performans göstermesine yol açar.
Moleküler imzalar, hastalığın teşhisinde de anahtardır – iki hasta benzer semptomlar gösterebilir, ancak laboratuvar sonuçlarının dikkatli analizi, çok farklı koşullara sahip olduklarını gösterir. Elbette bu standart doktorluk uygulamasıdır, ancak birden fazla test ve analizden elde edilen veriler biriktiğinden, tüm korelasyonları izlemek zorlaşır. Münih Teknik Üniversitesi üzerinde çalışıyor bir tür klinik meta-algoritma benzer sunumlara sahip belirli karaciğer hastalıklarını ayırt etmek için birden fazla veri kaynağını (diğer algoritmalar dahil) entegre eder. Bu tür modeller doktorların yerini almayacak olsa da, uzmanların bile yorumlamak için zamana veya uzmanlığa sahip olamayabileceği artan veri hacimlerini boğmaya yardımcı olmaya devam edecekler.