loading...

tehranvacuum

بازدید : 283
سه شنبه 20 خرداد 1399 زمان : 13:15

دانشمندان رایانه در TU Wien (وین) با ترسیم الهام از زیست شناسی ، هوش مصنوعی را بهبود می بخشند. رویکردهای جدید با تلاش کمی شگفت آور به نتایج شگفت انگیز می رسند.


یک مغز طبیعی رشد کرده کاملاً متفاوت از یک برنامه رایانه ای معمولی عمل می کند. این کد از متشکل از دستورالعمل های منطقی روشن استفاده نمی کند ، این یک شبکه از سلول ها است که با یکدیگر ارتباط برقرار می کنند. شبیه سازی چنین شبکه هایی بر روی رایانه می تواند به حل مشکلاتی که دشوار هستند در عملیات منطقی تقسیم شوید ، کمک کند.

در TU Wien (وین) با همکاری محققان انستیتوی فناوری ماساچوست (MIT) ، رویکرد جدیدی برای برنامه نویسی چنین شبکه های عصبی اکنون ایجاد شده است که تکامل زمانی سیگنال های عصبی را به روشی کاملاً متفاوت مدل می کند. این الهام گرفته از موجودی به خصوص ساده و تحقیق شده ، کوره گرد C. elegans بود. مدارهای عصبی از سیستم عصبی آن بر روی کامپیوتر شبیه سازی شده و سپس این مدل با الگوریتم های یادگیری ماشین سازگار شده است. با این روش ، می توان کارهای بسیار قابل توجهی را با تعداد بسیار کمی سلول عصبی شبیه سازی شده حل کرد - برای مثال پارک کردن یک ماشین. حتی اگر شبکه الهام گرفته از کرم فقط از 12 نورون تشکیل شده باشدمی توان آن را آموزش داد تا یک ربات مریخ نورد به یک مکان معین هدایت شود. رامین حسنی از انستیتوی مهندسی کامپیوتر در TU Wien هم اکنون کار خود را در کنفرانس TEDx در وین در تاریخ 20 اکتبر ارائه داده است.

می توان نشان داد که این شبکه های عصبی رمان بسیار متنوع هستند. مزیت دیگر این است که پویایی داخلی آنها قابل درک است - برخلاف شبکه های عصبی مصنوعی استاندارد ، که اغلب به عنوان یک "جعبه سیاه" مفید اما غیرقابل تصور تلقی می شوند.

شبکه عصبی: لایه های مختلف نورون بهم پیوسته. اعتبار: دانشگاه صنعتی وین
سیگنال ها در شبکه های شاخه

رامین حسنی می گوید: "شبکه های عصبی باید آموزش ببینند". "شما یک ورودی خاص ارائه می دهید و اتصالات بین نورون ها را طوری تنظیم می کنید که خروجی مورد نظر تحویل داده شود."

برای مثال ورودی می تواند یک عکس باشد و خروجی می تواند نام شخص موجود در تصویر باشد. رادو گروسو از موسسه مهندسی کامپیوتر TU Wien می گوید: "زمان معمولاً نقش مهمی در این فرآیند ندارد." برای اکثر شبکه های عصبی ، تمام ورودی ها به یکباره تحویل داده می شوند ، بلافاصله منجر به خروجی مشخص می شوند. اما در طبیعت همه چیز بسیار متفاوت است.



به عنوان مثال ، تشخیص گفتار همیشه وابسته به زمان است ، همانطور که ترجمه های همزمان یا توالی حرکات در واکنش به یک محیط متغیر واکنش نشان می دهند. رامین حسنی می گوید: "چنین کارهایی را می توان با استفاده از آنچه ما RNN می نامیم ، یا شبکه های عصبی مکرر" انجام داد. " "این معماری است که می تواند توالی را ضبط کند ، زیرا باعث می شود نورونها آنچه را که قبلاً رخ داده است به خاطر بیاورند."

حسنی و همکارانش معماری جدیدی از RNN را بر اساس یک مدل نورون بیوفیزیکی و سیناپس ارائه می دهند که امکان پویایی متفاوت با زمان را فراهم می کند. رامین حسنی می گوید: "در یک مدل RNN استاندارد ، بین نورون یک و نورون دو ارتباط مستقیمی وجود دارد ، که مشخص می کند فعالیت نورون یک تا چه میزان بر فعالیت نورون دو تأثیر می گذارد." "در معماری رمان RNN ما ، این پیوند یک کارکرد غیرخطی از زمان است."


اعتبار: دانشگاه صنعتی وین
مغز کرم که می تواند ماشین را پارک کند

اجازه دادن به فعالیت های سلول و پیوند بین سلول ها با گذشت زمان تغییر می کند امکانات کاملاً جدیدی را باز می کند. رامین حسنی ، ماتیاس لچنر و همكارانشان به لحاظ نظری نشان دادند كه معماری آنها می تواند به طور اصولی پویایی دلخواه را به دست آورد. برای نشان دادن تطبیق پذیری رویکرد جدید ، آنها یک شبکه عصبی کوچک را توسعه داده و آموزش دادند: "ما دوباره یک مدار عصبی را از سیستم عصبی نماتد C. elegans دوباره ترسیم کردیم. این مسئول تولید یک رفتار بازتابی ساده - لمسی- ماتیاس لچنر ، که هم اکنون در انستیتوی علوم و فناوری (IST) اتریش مشغول به کار است ، می گوید: " "این شبکه عصبی برای کنترل برنامه های زندگی واقعی شبیه سازی و آموزش داده شده است."

موفقیت قابل توجه است: شبکه کوچک و ساده با تنها 12 نورون می تواند (پس از آموزش مناسب) وظایف چالش برانگیز را حل کند. به عنوان مثال ، برای مانور وسیله نقلیه به یک فضای پارکینگ در یک مسیر از پیش تعریف شده آموزش داده شده است. حسنی می گوید: "خروجی شبکه عصبی ، که به طور طبیعی می تواند حرکت کرم های نماتد را کنترل کند ، برای هدایت و تسریع یک وسیله نقلیه مورد استفاده قرار می گیرد." "ما به صورت تئوری و تجربی نشان دادیم كه شبكه های عصبی رمان ما می توانند کارهای پیچیده ای را در زندگی واقعی و در محیط های فیزیك شبیه سازی شده حل كنند."

روش جدید مزیت مهم دیگری دارد: بینش بهتری در مورد عملکرد داخلی شبکه عصبی ارائه می دهد. شبکه های عصبی قبلی ، که اغلب از هزاران گره تشکیل شده بودند ، چنان پیچیده بوده اند که فقط نتایج نهایی را می توان مورد تجزیه و تحلیل قرار داد. به دست آوردن درک عمیق تر از آنچه در درون جریان دارد به سختی امکان پذیر نبود. تجزیه و تحلیل شبکه کوچکتر اما بسیار قدرتمند تیم وین آسان تر است ، بنابراین دانشمندان می توانند حداقل تا حدی بفهمند که سلولهای عصبی چه عاملی را ایجاد می کنند. حسنی می گوید: "این یک مزیت بزرگ است که ما را به تحقیق بیشتر در مورد خصوصیات آنها تشویق می کند."

http://socialrus.com/story5196221/پمپ-وکیوم-آبی

دانشمندان رایانه در TU Wien (وین) با ترسیم الهام از زیست شناسی ، هوش مصنوعی را بهبود می بخشند. رویکردهای جدید با تلاش کمی شگفت آور به نتایج شگفت انگیز می رسند.


یک مغز طبیعی رشد کرده کاملاً متفاوت از یک برنامه رایانه ای معمولی عمل می کند. این کد از متشکل از دستورالعمل های منطقی روشن استفاده نمی کند ، این یک شبکه از سلول ها است که با یکدیگر ارتباط برقرار می کنند. شبیه سازی چنین شبکه هایی بر روی رایانه می تواند به حل مشکلاتی که دشوار هستند در عملیات منطقی تقسیم شوید ، کمک کند.

در TU Wien (وین) با همکاری محققان انستیتوی فناوری ماساچوست (MIT) ، رویکرد جدیدی برای برنامه نویسی چنین شبکه های عصبی اکنون ایجاد شده است که تکامل زمانی سیگنال های عصبی را به روشی کاملاً متفاوت مدل می کند. این الهام گرفته از موجودی به خصوص ساده و تحقیق شده ، کوره گرد C. elegans بود. مدارهای عصبی از سیستم عصبی آن بر روی کامپیوتر شبیه سازی شده و سپس این مدل با الگوریتم های یادگیری ماشین سازگار شده است. با این روش ، می توان کارهای بسیار قابل توجهی را با تعداد بسیار کمی سلول عصبی شبیه سازی شده حل کرد - برای مثال پارک کردن یک ماشین. حتی اگر شبکه الهام گرفته از کرم فقط از 12 نورون تشکیل شده باشدمی توان آن را آموزش داد تا یک ربات مریخ نورد به یک مکان معین هدایت شود. رامین حسنی از انستیتوی مهندسی کامپیوتر در TU Wien هم اکنون کار خود را در کنفرانس TEDx در وین در تاریخ 20 اکتبر ارائه داده است.

می توان نشان داد که این شبکه های عصبی رمان بسیار متنوع هستند. مزیت دیگر این است که پویایی داخلی آنها قابل درک است - برخلاف شبکه های عصبی مصنوعی استاندارد ، که اغلب به عنوان یک "جعبه سیاه" مفید اما غیرقابل تصور تلقی می شوند.

شبکه عصبی: لایه های مختلف نورون بهم پیوسته. اعتبار: دانشگاه صنعتی وین
سیگنال ها در شبکه های شاخه

رامین حسنی می گوید: "شبکه های عصبی باید آموزش ببینند". "شما یک ورودی خاص ارائه می دهید و اتصالات بین نورون ها را طوری تنظیم می کنید که خروجی مورد نظر تحویل داده شود."

برای مثال ورودی می تواند یک عکس باشد و خروجی می تواند نام شخص موجود در تصویر باشد. رادو گروسو از موسسه مهندسی کامپیوتر TU Wien می گوید: "زمان معمولاً نقش مهمی در این فرآیند ندارد." برای اکثر شبکه های عصبی ، تمام ورودی ها به یکباره تحویل داده می شوند ، بلافاصله منجر به خروجی مشخص می شوند. اما در طبیعت همه چیز بسیار متفاوت است.



به عنوان مثال ، تشخیص گفتار همیشه وابسته به زمان است ، همانطور که ترجمه های همزمان یا توالی حرکات در واکنش به یک محیط متغیر واکنش نشان می دهند. رامین حسنی می گوید: "چنین کارهایی را می توان با استفاده از آنچه ما RNN می نامیم ، یا شبکه های عصبی مکرر" انجام داد. " "این معماری است که می تواند توالی را ضبط کند ، زیرا باعث می شود نورونها آنچه را که قبلاً رخ داده است به خاطر بیاورند."

حسنی و همکارانش معماری جدیدی از RNN را بر اساس یک مدل نورون بیوفیزیکی و سیناپس ارائه می دهند که امکان پویایی متفاوت با زمان را فراهم می کند. رامین حسنی می گوید: "در یک مدل RNN استاندارد ، بین نورون یک و نورون دو ارتباط مستقیمی وجود دارد ، که مشخص می کند فعالیت نورون یک تا چه میزان بر فعالیت نورون دو تأثیر می گذارد." "در معماری رمان RNN ما ، این پیوند یک کارکرد غیرخطی از زمان است."


اعتبار: دانشگاه صنعتی وین
مغز کرم که می تواند ماشین را پارک کند

اجازه دادن به فعالیت های سلول و پیوند بین سلول ها با گذشت زمان تغییر می کند امکانات کاملاً جدیدی را باز می کند. رامین حسنی ، ماتیاس لچنر و همكارانشان به لحاظ نظری نشان دادند كه معماری آنها می تواند به طور اصولی پویایی دلخواه را به دست آورد. برای نشان دادن تطبیق پذیری رویکرد جدید ، آنها یک شبکه عصبی کوچک را توسعه داده و آموزش دادند: "ما دوباره یک مدار عصبی را از سیستم عصبی نماتد C. elegans دوباره ترسیم کردیم. این مسئول تولید یک رفتار بازتابی ساده - لمسی- ماتیاس لچنر ، که هم اکنون در انستیتوی علوم و فناوری (IST) اتریش مشغول به کار است ، می گوید: " "این شبکه عصبی برای کنترل برنامه های زندگی واقعی شبیه سازی و آموزش داده شده است."

موفقیت قابل توجه است: شبکه کوچک و ساده با تنها 12 نورون می تواند (پس از آموزش مناسب) وظایف چالش برانگیز را حل کند. به عنوان مثال ، برای مانور وسیله نقلیه به یک فضای پارکینگ در یک مسیر از پیش تعریف شده آموزش داده شده است. حسنی می گوید: "خروجی شبکه عصبی ، که به طور طبیعی می تواند حرکت کرم های نماتد را کنترل کند ، برای هدایت و تسریع یک وسیله نقلیه مورد استفاده قرار می گیرد." "ما به صورت تئوری و تجربی نشان دادیم كه شبكه های عصبی رمان ما می توانند کارهای پیچیده ای را در زندگی واقعی و در محیط های فیزیك شبیه سازی شده حل كنند."

روش جدید مزیت مهم دیگری دارد: بینش بهتری در مورد عملکرد داخلی شبکه عصبی ارائه می دهد. شبکه های عصبی قبلی ، که اغلب از هزاران گره تشکیل شده بودند ، چنان پیچیده بوده اند که فقط نتایج نهایی را می توان مورد تجزیه و تحلیل قرار داد. به دست آوردن درک عمیق تر از آنچه در درون جریان دارد به سختی امکان پذیر نبود. تجزیه و تحلیل شبکه کوچکتر اما بسیار قدرتمند تیم وین آسان تر است ، بنابراین دانشمندان می توانند حداقل تا حدی بفهمند که سلولهای عصبی چه عاملی را ایجاد می کنند. حسنی می گوید: "این یک مزیت بزرگ است که ما را به تحقیق بیشتر در مورد خصوصیات آنها تشویق می کند."

http://socialrus.com/story5196221/پمپ-وکیوم-آبی

نظرات این مطلب

تعداد صفحات : 0

درباره ما
موضوعات
آمار سایت
  • کل مطالب : 14
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 0
  • بازدید امروز : 4
  • بازدید کننده امروز : 1
  • باردید دیروز : 1
  • بازدید کننده دیروز : 0
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 9
  • بازدید ماه : 31
  • بازدید سال : 76
  • بازدید کلی : 6066
  • <
    پیوندهای روزانه
    آرشیو
    اطلاعات کاربری
    نام کاربری :
    رمز عبور :
  • فراموشی رمز عبور؟
  • خبر نامه


    معرفی وبلاگ به یک دوست


    ایمیل شما :

    ایمیل دوست شما :



    کدهای اختصاصی