Artık hemen hemen her endüstri ve şirkette önemli bir teknoloji olan makine öğrenimi ve yapay zeka alanındaki araştırmalar, herkesin hepsini okuması için çok hacimlidir. Perceptron adlı bu sütun, özellikle yapay zeka konusunda, ancak bununla sınırlı olmamak üzere, en güncel keşiflerden ve makalelerden bazılarını toplamayı ve neden önemli olduklarını açıklamayı amaçlıyor.
Bir “kulaklıYüz ifadelerini okumak için sonar kullanan proje geçtiğimiz haftalarda gözümüze çarpan projeler arasında yer aldı. öyle yaptı PROCTHOR, gerçek dünyadaki robotları eğitmek için kullanılabilecek ortamları prosedürel olarak oluşturan Allen Yapay Zeka Enstitüsü’nden (AI2) bir çerçeve. Diğer öne çıkan özellikler arasında Meta, bir yapay zeka yarattı. sistem Bu, tek bir amino asit dizisi verilen bir proteinin yapısını tahmin edebilir. Ve MIT’deki araştırmacılar yeni geliştirdi donanım AI için daha az enerjiyle daha hızlı hesaplama sunduğunu iddia ediyorlar.
Cornell’deki bir ekip tarafından geliştirilen “kulaklık”, bir çift hacimli kulaklığa benziyor. Hoparlörler, kullanıcının yüzünün yan tarafına akustik sinyaller gönderirken, bir mikrofon burun, dudaklar, gözler ve diğer yüz özellikleri tarafından oluşturulan zorlukla algılanabilen ekoları alır. Bu “yankı profilleri”, bir AI algoritmasının eksiksiz yüz ifadelerine çevirdiği kaşları kaldırma ve gözlerin fırlaması gibi hareketleri yakalamasını sağlar.
Resim Kredisi: Cornell
Kulaklığın birkaç sınırlaması vardır. Pille yalnızca üç saat sürer ve bir akıllı telefona işleme yükünü boşaltması gerekir ve yankı çevirici AI algoritması, ifadeleri tanımaya başlamadan önce 32 dakikalık yüz verisi üzerinde eğitmelidir. Ancak araştırmacılar, bunun filmler, TV ve video oyunları için animasyonlarda geleneksel olarak kullanılan kayıt cihazlarından çok daha şık bir deneyim olduğunu öne sürüyorlar. Örneğin, gizemli oyun LA Noire için Rockstar Games, her aktörün yüzüne eğitilmiş 32 kameralı bir teçhizat inşa etti.
Belki bir gün, Cornell’in kulaklığı insansı robotlar için animasyonlar oluşturmak için kullanılacaktır. Ancak bu robotların önce bir odada nasıl gezineceğini öğrenmeleri gerekecek. Neyse ki, AI2’nin ProcTHOR’u bu yönde bir adım atıyor (hiçbir amacı yok), sınıflar, kütüphaneler ve simüle edilmiş robotların nesneleri toplama ve mobilyaların etrafında hareket etme gibi görevleri tamamlaması gereken ofisler dahil binlerce özel sahne yaratıyor.
Simüle edilmiş aydınlatmaya sahip olan ve çok çeşitli yüzey malzemeleri (örneğin, ahşap, fayans vb.) ve ev eşyalarının bir alt kümesini içeren sahnelerin arkasındaki fikir, simüle edilmiş robotları mümkün olduğunca çok çeşitliliğe maruz bırakmaktır. Simüle edilmiş ortamlardaki performansın gerçek dünya sistemlerinin performansını iyileştirebileceği, yapay zekada iyi kurulmuş bir teoridir; Alphabet’s Waymo gibi otonom otomobil şirketleri, gerçek dünyadaki otomobillerinin nasıl davrandığını ince ayar yapmak için tüm mahalleleri simüle ediyor.
Resim Kredisi: Allen Yapay Zeka Enstitüsü
ProcTHOR’a gelince, AI2 bir makalede eğitim ortamlarının sayısını ölçeklendirmenin performansı sürekli olarak iyileştirdiğini iddia ediyor. Bu, evlere, işyerlerine ve başka yerlere giden robotlar için iyiye işarettir.
Tabii ki, bu tür sistemleri eğitmek çok fazla bilgi işlem gücü gerektirir. Ama durum sonsuza kadar böyle olmayabilir. MIT’deki araştırmacılar, süper hızlı “nöronlar” ve “sinapslar” ağları oluşturmak için kullanılabilecek bir “analog” işlemci yarattıklarını söylüyorlar.
Araştırmacıların işlemcisi, becerileri “öğrenmek” için bir dizide düzenlenmiş “protonik programlanabilir dirençler” kullanır. Dirençlerin elektriksel iletkenliğini artırmak ve azaltmak, öğrenme sürecinin bir parçası olan beyindeki nöronlar arasındaki sinapsların güçlenmesini ve zayıflamasını taklit eder.
İletkenlik, protonların hareketini yöneten bir elektrolit tarafından kontrol edilir. Dirençteki bir kanala daha fazla proton itildiğinde, iletkenlik artar. Protonlar uzaklaştırıldığında iletkenlik azalır.
Bilgisayar devre kartındaki işlemci
İnorganik bir malzeme olan fosfosilikat cam, yüzeyleri protein difüzyonu için mükemmel yollar sağlayan nanometre boyutunda gözenekler içerdiğinden MIT ekibinin işlemcisini son derece hızlı hale getiriyor. Ek bir avantaj olarak, cam oda sıcaklığında çalışabilir ve gözenekler boyunca hareket eden proteinler tarafından zarar görmez.
Baş yazar ve MIT postdoc Murat Önen bir basın açıklamasında, “Bir analog işlemciye sahip olduğunuzda, artık herkesin üzerinde çalıştığı ağları eğitmiş olmayacaksınız” dedi. “Başka hiç kimsenin karşılayamayacağı, benzeri görülmemiş karmaşıklıklara sahip ağları eğiteceksiniz ve bu nedenle hepsinden çok daha iyi performans göstereceksiniz. Başka bir deyişle, bu daha hızlı bir araba değil, bu bir uzay aracı.”
Hızlandırmadan bahsetmişken, makine öğrenimi artık kullanılmaya başlandı parçacık hızlandırıcılarını yönetmek, en azından deneysel biçimde. Lawrence Berkeley Ulusal Laboratuarı’nda iki ekip, tam makine ve kirişin ML tabanlı simülasyonunun kendilerine sıradan istatistiksel analizden 10 kat daha iyi son derece kesin bir tahmin verdiğini göstermiştir.
Resim Kredisi: Thor Swift/Berkeley Laboratuvarı
Laboratuardan Daniele Filippetto, “Işın özelliklerini dalgalanmalarını aşan bir doğrulukla tahmin edebiliyorsanız, bu tahmini hızlandırıcının performansını artırmak için kullanabilirsiniz” dedi. İlgili tüm fizik ve ekipmanı simüle etmek küçük bir başarı değil, ancak şaşırtıcı bir şekilde çeşitli ekiplerin bunu yapmaya yönelik ilk çabaları umut verici sonuçlar verdi.
Ve Oak Ridge Ulusal Laboratuvarı’nda, yapay zeka destekli bir platform, nötron saçılımını kullanarak Hiperspektral Bilgisayarlı Tomografi yapmalarına izin veriyor ve en uygun olanı buluyor… belki de açıklamalarına izin vermeliyiz.
Tıp dünyasında, University College London’daki araştırmacıların bir model eğittiği nöroloji alanında yeni bir makine öğrenimi tabanlı görüntü analizi uygulaması var. epilepsiye neden olan beyin lezyonlarının erken belirtilerini tespit edin.
UCL algoritmasını eğitmek için kullanılan beyin MRG’leri.
İlaca dirençli epilepsinin sık görülen bir nedeni, beynin anormal şekilde gelişen ancak herhangi bir nedenle MRG’de anormal görünmeyen bir bölgesi olan fokal kortikal displazi olarak bilinen şeydir. Erken tespit etmek son derece yardımcı olabilir, bu nedenle UCL ekibi, binlerce sağlıklı ve FCD’den etkilenen beyin bölgesi örneği üzerinde Çok Merkezli Epilepsi Lezyon Tespiti adlı bir MRI inceleme modelini eğitti.
Model, gösterilen FCD’lerin üçte ikisini tespit edebildi; bu, işaretler çok ince olduğu için aslında oldukça iyi. Aslında, doktorların bir FCD’yi bulamadığı ancak bulabildiği 178 vaka buldu. Doğal olarak son söz uzmanlara aittir, ancak bir şeylerin yanlış olabileceğini ima eden bir bilgisayar bazen daha yakından bakmak ve kendinden emin bir teşhis koymak için yeterli olabilir.
“Yorumlanabilir ve doktorların karar vermesine yardımcı olabilecek bir AI algoritması oluşturmaya önem veriyoruz. Doktorlara MELD algoritmasının tahminlerini nasıl yaptığını göstermek, bu sürecin önemli bir parçasıydı,” dedi UCL’den Mathilde Ripart.