شناسایی با شخصی ، تمرینی است که به ما کمک می کند تا آنها را عمیقا درک کنیم ، با آنها همدلی کنیم و به ما در غلبه بر بی اعتمادی و تعصب کمک می کنیم. و این حتی در شرایطی اتفاق می افتد که کسی ربات باشد. این پویایی های بین فردی با یک مطالعه تجربی که در گزارش های علمی منتشر شد ، تأیید شد . این تحقیق نتیجه همکاری علمی دانشمندان ایتالیایی و فرانسوی است.

یکی از نویسندگان آن ، Francesco Pavani ، استاد روانشناسی در مرکز علوم ذهن / مغز (CIMeC) و در گروه روانشناسی و علوم شناختی دانشگاه ترنتو ، اظهار داشت: "ما این کار را با" پرت کردن "یک شرکت کننده نشان داده ایم. به یک ربات می توانیم نگرش او نسبت به روبات را تغییر دهیم. "

پاوانی در مورد چگونگی دستیابی به این مسئله توضیح داد: "با" پرت شدن "، منظور ما این است كه ما به شركت كنندگان این توهم را می دادیم كه از طریق چشمان روبات نگاه می كنند ، سر آن را مانند سر خود می چرخانند ، به آینه نگاه می كنند و خود را مانند یكدیگر می بینند. ربات "

در نتیجه ، شرکت کنندگان انسانی با روبات ها هویت بیشتری پیدا کرده و با آنها همدلی می کنند: "بر خلاف تمریناتی که شرکت کنندگان نمی توانستند سر روبات را حرکت دهند یا این کار را به صورت هماهنگ با سایر حرکات بدن انجام دهند ، در مطالعه ما این تجربه را انجام می دهند. راه رفتن در کفش های روبات باعث شد تا شرکت کنندگان رفتار دوستانه تری اتخاذ کنند ، و آنها را از نظر اجتماعی نزدیکتر بدانند. "

این مطالعه به بهبود ارتباط با فناوری کمک می کند و به افراد کمک می کند تا ترس خود را از روبات بر طرف کنند. پاوانی تصریح کرد: این جنبه ها بسیار مهم هستند ، زیرا یکی از مشکلات روباتیک امروزه نحوه ساخت روبات ها برای انسانها قابل قبول تر است. من در حال فکر کردن در مورد وسایل کمکی خودکار به ویژه هستم که بطور خاص بیشتر مورد استفاده قرار خواهد گرفت. زندگی روزمره آنها ، به عنوان مثال در مورد افراد دارای تحرک کاهش یافته است. در مطالعه ما نشان داده است که تجربه چگونگی احساس داخل یک روبات باعث می شود که آنها را قبول کرده و با آنها ارتباط برقرار کنیم. "

 بیشتر بخوانید: فرستنده ترانسمیتر فشار چگونه کار می کند؟

انتظار می رود با افزایش بازار لوازم الکترونیکی مصرفی مانند تلفن های هوشمند ، تقاضا برای شتاب سنج افزایش یابد و برنامه های نظارت بر زیرساخت های اجتماعی در حال گسترش است. چنین شتاب سنج های کوچک و تولید انبوه معمولاً با استفاده از فناوری MEMS سیلیکون که فرایند ساخت به خوبی تثبیت شده است ، تولید می شوند.

در طراحی شتاب سنج ، بین کاهش اندازه و کاهش نویز ، معامله ای صورت می گیرد ، زیرا نویز مکانیکی تحت سلطه نویز براون نسبتاً معادل با جرم الکترود متحرک است که به عنوان جرم اثبات نامیده می شود. علاوه بر این ، شتاب سنج های خازنی از حساسیت به طور کلی متناسب با اندازه شتاب سنج برخوردار هستند ، بنابراین در بین کاهش اندازه و افزایش حساسیت نیز وجود دارد. از آنجا که شتاب سنج های با وضوح بالا نیاز به عملکرد نویز کم و حساسیت بالا دارند ، تشخیص شتاب سنج های MEMS مبتنی بر سیلیکون معمولی برای شناسایی شتاب ورودی سطح 1 میکروگرم دشوار بوده است.

شتاب سنج MEMS با سر و صدای کم و حساسیت بالا

این گروه تحقیقاتی متشکل از محققان شرکت فناوری اطلاعات پیشرفته توکیو Tech و NTT ، پیش از این روشی را برای کوچک کردن اندازه جرم اثبات شده شتاب سنج های MEMS به کمتر از یک دهم با استفاده از مواد طلایی پیشنهاد داده اند. در این کار ، به عنوان پسوند این دستاورد ، آنها از سازه های فلزی چند لایه در جرم های ضد انعطاف پذیر و اجزای فنر استفاده کرده و شتاب سنج MEMS با صدای کم و با حساسیت بالا را توسعه داده اند.

ترک کرد؛ عکس یک شتاب سنج MEMS چگونگی فشار شکن با حساسیت بالا را نشان می دهد. توده اثبات طلا روی قالب سیلیکون ساخته شد. شتاب سنج در بسته بندی سرامیکی و سیم باند پیاده سازی شده است. درست؛ تصاویر SEM نمای نزدیک از توده اثبات طلا و ساختار بهار را نشان می دهد. ساختار ضد جرم طلا با ضخامت 22 میکرون با موفقیت با به کارگیری لایه های M4 و M5 توسعه یافت. ساختار بهار مارپیچ از لایه های M3 و M4 ساخته شده است. چشمه ها و جلوی مارها در هر گوشه جرم اثبات قرار داده شدند. اعتبار: سنسورها و مواد ، Daisuke Yamane
همانطور که در شکل 1 نشان داده شده است ، آنها با افزایش جرم در هر منطقه با استفاده از چند لایه از طلا برای ساختار جرم اثبات ، نویز براون را که از نظر معکوس متناسب با جرم اثبات است ، کاهش دادند.

علاوه بر این ، آنها با کاهش صفحه جنگی جرم اثبات ، از کل سطح تراشه 4 میلی متر مربع استفاده کردند که به آنها این امکان را داد تا حساسیت خازنی شتاب سنج را افزایش دهند. شکل 2 یک عکس تراشه و تصاویر میکروسکوپ الکترونی روبشی از شتاب سنج MEMS توسعه یافته را نشان می دهد.

شتاب سنج جدید دارای حساسیت> 100 برابر نسبت به فناوری قبلی و یک دهم صدای کمتر در همان اندازه است ، همانطور که در شکل 3 نشان داده شده است. فرایند ساخت مستلزم فرآیندهای microfabrication نیمه هادی و آبکاری، و در نتیجه آن می تواند امکان برای اجرای MEMS ساختار توسعه یافته بر روی یک تراشه مدار مجتمع. بنابراین ، فناوری پیشنهادی برای افزایش وضوح شتاب سنجهای مینیاتوری برای مصارف عمومی مفید خواهد بود.

نمودار مقایسه ای از نویز براون (BN) در مقابل حساسیت خازن را نشان می دهد. به لطف چگالی بالای طلا ، BN بدست آمده در این کار بیش از یک ترتیب از قدر کمتر از دستگاه های معمولی است که با همان حساسیت مقایسه می شوند. علاوه بر این ، دستگاه ما با استفاده از میکروماشین سازی سطحی ساخته شده است که برای کوچک سازی مفید است. اعتبار: سنسورها و مواد
این شتاب سنج می تواند در فناوری پزشکی و بهداشت و درمان ، نظارت بر زیرساخت ها ، کنترل دقیق ربات های سبک وزن ، کنترل وسیله نقلیه موبایل ، سیستم های ناوبری در مکان هایی که GPS نمی توانند استفاده شوند ، انجام شود و اندازه گیری محیط فضایی که نیاز به سنجش شتاب فوق العاده کم دارد.

با اولین جریمه های بزرگ برای نقض مقررات حفاظت از داده های عمومی اتحادیه اروپا (GDPR) برای ما ، و دولت انگلستان در مورد بازنگری دستورالعمل های GDPR ، محققان نشان داده اند که چگونه حتی می توان داده های ناشناس را می توان به افرادی که از یادگیری ماشین استفاده می کنند ، بازگرداند.

محققان می گویند مقاله آنها ، که امروز در ارتباطات Nature منتشر شده است ، نشان می دهد که اجازه استفاده از داده ها — برای مثال الگوریتم های هوش مصنوعی ، برای مثال - در حالی که حفظ حریم خصوصی افراد حفظ می شود ، نیاز به چیزی بیشتر از اضافه کردن سر و صدا ، نمونه گیری از مجموعه داده ها و سایر تکنیک های شناسایی ندارد. .

آنها همچنین یک ابزار نمایشی منتشر کرده اند که به افراد امکان می دهد درک کنند که چقدر احتمال ردیابی وجود دارد ، حتی اگر مجموعه اطلاعاتی که در آن قرار دارند ناشناس باشد و فقط بخش کوچکی از آن به اشتراک گذاشته شود.

آنها می گویند که یافته های آنها باید یک فراخوان بیداری برای سیاست گذاران در مورد لزوم تشدید قوانین برای آنچه که واقعاً داده های ناشناس است باشد .

شرکت ها و دولت ها هر دو به طور مرتب از داده های شخصی ما جمع آوری و استفاده می کنند . داده های ما و نحوه استفاده از آن تحت قوانین مربوطه مانند GDPR یا قانون حفظ حریم خصوصی مصرف کننده کالیفرنیا (CCPA) محافظت می شود.

داده ها نمونه برداری شده و ناشناس است ، که شامل سلب داده های شناسایی خصوصیات مانند نام ها و آدرس های ایمیل می شود ، بنابراین افراد به طور تئوری نمی توانند شناسایی شوند. پس از این فرآیند ، داده ها دیگر مشمول مقررات مربوط به محافظت از اطلاعات نیستند ، بنابراین می توان آنها را آزادانه به اشخاص ثالث مانند شرکت های تبلیغاتی و کارگزاران داده فروخت.

تحقیقات جدید نشان می دهد که یک بار داده ، با وجود تکنیک های ناشناس سازی ، می تواند با استفاده از یادگیری ماشین برای شناسایی مجدد افراد ، مهندسی معکوس شود.

این می تواند اطلاعات حساس را در مورد افراد مشخص شده در معرض دید افراد قرار دهد و به خریداران اجازه دهد پروفایل های شخصی به طور فزاینده ای از افراد ایجاد کنند.

این تحقیقات برای اولین بار نشان می دهد که چگونه این کار به راحتی و با دقت می تواند انجام شود - حتی با مجموعه داده های ناقص.

در این تحقیق ، 99.98 درصد آمریکایی ها به درستی در هر مجموعه داده "ناشناس" موجود با استفاده از 15 ویژگی ، از جمله سن ، جنس و وضعیت تأهل ، دوباره شناسایی شدند.

دکتر لوك روچر ، نویسنده اول از UCLouvain گفت: "در حالی كه ممكن است افراد زیادی كه در سی سالگی ، مرد و زندگی در شهر نیویورك زندگی می كنند ، زندگی كنند ، اما تعداد كمی از آنها نیز در 5 ژانویه متولد شده اند ، مشغول رانندگی در ورزش قرمز هستند. با دو کودک (هر دو دختر) و یک سگ زندگی کنید. "

برای اثبات این امر ، محققان یک مدل یادگیری ماشین تهیه کرده اند تا احتمال اینکه خصوصیات یک فرد به اندازه کافی دقیق باشد را برای ارزیابی فقط یک نفر در یک میلیارد میلیارد نفر ارزیابی کنند.

آنها همچنین یک ابزار آنلاین ایجاد کرده اند که داده را ذخیره نمی کند و فقط برای اهداف نمایش است ، تا به مردم کمک کند ببینند کدام ویژگی ها آنها را در مجموعه داده ها منحصر به فرد می کند.

این ابزار ابتدا از شما می خواهد که در قسمت اول کد (جنسیت) و تاریخ تولد آنها (UK) یا ZIP (US) ، جنسیت و تاریخ تولد آنها را قرار دهید ، قبل از اینکه به آنها احتمال دهید مشخصات آنها دوباره در هر مجموعه اطلاعاتی ناشناس شناخته شود ، قرار دهید .

سپس قبل از محاسبه مجدد از وضعیت تاهل شما ، تعداد وسایل نقلیه ، وضعیت مالکیت خانه و وضعیت اشتغال می پرسد. با افزودن مشخصات بیشتر ، احتمال صحت یک مسابقه به طرز چشمگیری افزایش می یابد.

بیشتر بخوانید: فناوری استخراج پمپ وکیوم خلاء حلقه آب

دکتر ایو اسکندر دی مونوشی ، نویسنده ارشد ، از دپارتمان محاسبات و مؤسسه داده اطلاعات امپریال ، گفت: "این اطلاعات کاملاً استانداردی است که شرکتها می توانند از آنها بخواهند. داده های مربوط به هر کس که بلافاصله ناشناس شود. تحقیقات ما نشان می دهد که افراد به راحتی و با چه دقت می توانند ردیابی شوند.

وی افزود: شرکت ها و دولت ها با بیان اینکه مجموعه داده های فروشی آنها همیشه ناقص هستند ، خطر شناسایی مجدد را پایین آورده اند.

"یافته های ما با این موضوع مغایرت دارد و نشان می دهد که یک مهاجم می تواند به راحتی و با دقت تخمین بزند که سابقه ای که آنها پیدا کردند متعلق به شخصی است که در جستجوی آن بودند."

شناسایی مجدد داده های ناشناس این است که چگونه روزنامه نگاران در ماه مه سال 2019 میلادی مالیات های دونالد ترامپ را در معرض بازده مالیاتی قرار دادند.

دکتر جولیان هندریکس از نویسندگان UCLouvain گفت: "ما اغلب اطمینان می دهیم که ناشناس ماندن اطلاعات شخصی ما را ایمن نگه می دارد. مقاله ما نشان می دهد که شناسایی هویت به هیچ وجه به اندازه کافی برای محافظت از اطلاعات شخصی افراد نیست."

محققان می گویند سیاست گذاران باید اقدامات بیشتری برای محافظت از افراد در برابر چنین حملاتی انجام دهند ، این امر می تواند پیامدهای جدی برای مشاغل و همچنین زندگی شخصی و مالی داشته باشد.

آنها را دیوانه بنامید ، اما مقطعی از زندگی بشر وجود دارد که نمی خواهند در گروه های چت اجتماعی ظاهر شوند مانند شکافهایی با بینی قرمز و گوشهای بانی. پسندیدن. همیشه.

آنها را بیهوده بنامید ، اما این مقطع می خواهد چهره هایشان از شخصیت هایی بیرون بیاید که ظاهراً موزون و موزون به نظر می رسند. برای دومی ، یک راه حل تسکین دهنده غرور در انتظار است.

" پرتره ها زیبایی بیرونی ، وضعیت اجتماعی را تفسیر می کنند ، و سپس از بدن و صورت ما فراتر می روند. یک پرتره به یک تحلیل روانشناختی و بازتاب عمیق در مورد وجود ما تبدیل می شود."

این دعوتی است که می توانید هنگام ارسال عکس خود به محققان پرتره های آرس ارس چه چیزی اتفاق بیفتد ، رخ دهد. ابزار هوش مصنوعی آنها می تواند headshot شما را به چیزی تبدیل کند که مانند یک نقاشی عالی است.

TNW گفت: محققان در آزمایشگاه MIT-IBM Watson AI Lab ، AI Portraits Ars ساخته شده اند تا کار خود را بسازند و در 45000 پرتره آموزش داده شده است ، از سبک های مختلفی از دوره اولیه رنسانس تا دوره معاصر .

"AI پرتره آرس قادر به نقاشی پرتره در زمان واقعی با رزولوشن 4K است، گفت:" تیم .. "شما خود را در مقابل یک پیدا آینه و احساس هزاران رامبراند، کاراواجو، تیتان به تصویر کشیدن شما لحظه پس از لحظه ای است."

شما لازم نیست که انتخاب کنید که چه سبکی را می خواهید ، هر چند. جیمز وینسنت در The Verge گفت: هوش مصنوعی "تصمیم می گیرد كه كدام فرمت را بگیرد ، نه شما" ، بعضی از عناصر موجود در هر سلفی ممکن است الگوریتم را ترغیب كنند كه از یك سبك خاص استفاده كند .

تیم پشت این ابزار گفتند که آنها با استفاده از شبکه مخالف ژنراتور (GAN) خود بر روی 45000 تصویر پرتره ، پرتره های AI Ars را آموزش داده اند. آنها افزودند: " GAN از دو شبکه عصبی تشکیل شده است ، یکی یاد می گیرد که پرتره های افراد (تبعیض آمیز) را بشناسد ، و دیگری یاد می گیرد که آنها را تولید کند (ژنراتور)."

(کارن هائو در ژانویه به GANs در بررسی فناوری MIT اشاره کرد : "GAN ها ، یا شبکه های مخالف مولد ، ستاره الگوریتم های رسانه های اجتماعی الگوریتم های هوش مصنوعی هستند. آنها مسئول ایجاد اولین نقاشی هوش مصنوعی هستند که تا کنون در حراج هنری فروخته شده است ... آنها با ایجاد دو شبکه عصبی در برابر یکدیگر کار می کنند تا بر اساس آنچه تغذیه می شوند ، خروجی های واقع بینانه ایجاد کنند. ")

ناپیر لوپز ، TNW : "تصاویر ممکن است دقیقاً مانند منابع آنها به نظر نرسند - من نتوانستم تصویری را که به وضوح شبیه من بود ، ارائه دهم - اما نتیجه نهایی می تواند کسی را فریب دهد که فکر کند نقاشی های واقعی از یک نگاه با یک نگاه است. "

بدون شک پیروان جدی هنر می خواهند این نکته را بیان کنند که چنین ابزارهایی در واقع با مهارت و خلاقیت هنرمندان اصلی اشتباه نمی گیرند ، اما با این وجود این تمرین در شبه پرتره بسیار جالب است. و سازندگان آن توجه داشته اند که می تواند آموزنده نیز باشد. حداقل برای آنها آنها به بررسی روند پیش از خود و تاریخ هنر پرداختند.

مورد در مورد: انتظار زیادی از دندانها و برآمدگی ها را ندارید.

وی ادامه داد: استادان پرتره به ندرت افراد خندان را لبخند می زنند زیرا لبخند و خنده معمولاً با جنبه طنز تر نقاشی ژانر در ارتباط بودند و از آنجا که نمایش چنین عباراتی آشکار به عنوان لبخند به نظر می رسد چهره نشاط را تحریف می کند این عدم توانایی هوش مصنوعی است. تولید مثل لبخندهای ما چیزی را در مورد تاریخ هنر به ما یاد می دهد. "

بیشتر بخوانید: پمپ وکیوم خلاء بدون روغن در صنعت تولید پالپ افرا

محققان دانشگاه ایالتی کارولینای شمالی و دانشگاه الون تکنیکی را ایجاد کرده اند که به آنها امکان می دهد از راه دور حرکت روبات های نرم را کنترل کنند ، آنها را تا زمانی که لازم باشد در موقعیت خود قفل کنند و بعداً روبات ها را در شکل های جدید پیکربندی کنند. این تکنیک به زمینه های نور و مغناطیسی متکی است.

جو تریسی ، استاد علوم و مهندسی مواد در ایالت NC و نویسنده مربوطه در مورد این مقاله می گوید: "ما به خصوص از تنظیم مجدد بسیار هیجان زده هستیم." "با مهندسی کردن خصوصیات مواد ، می توان حرکت ربات نرم را از راه دور کنترل کرد ؛ می توانیم آن را نگه داریم تا شکل خاصی را در خود نگه دارد ؛ سپس می توانیم ربات را به شکل اصلی خود برگردانیم یا حرکت آن را تغییر دهیم." همه این موارد از نظر ابزار این فناوری در برنامه های کاربردی زیست پزشکی یا هوافضا بسیار با ارزش است. "

محققان برای این کار از روباتهای نرم ساخته شده از پلیمر تعبیه شده با میکرو ذرات آهن مغناطیسی استفاده کردند. در شرایط عادی ، ماده نسبتاً سفت است و شکل خود را حفظ می کند. با این حال ، محققان می توانند با استفاده از نور از یک دیود تابش نور (LED) ، این ماده را گرم کنند ، و این باعث می شود پلیمر قابل پایدار باشد. محققان پس از عملی شدن ، ثابت كردند كه می توانند با استفاده از یك میدان مغناطیسی ، شکل ربات را از راه دور كنترل كنند . محققان پس از شکل دادن به شکل مورد نظر ، می توانند چراغ LED را از بین ببرند ، به این روبات اجازه می دهد تا سختی اصلی خود را از سر بگیرد - به طور موثر شکل را در محل قفل کند.

محققان با استفاده از بار دوم و از بین بردن میدان مغناطیسی ، توانستند روبات های نرم را به حالت اولیه خود برگردانند. یا آنها می توانند مجدداً نور را به کار گیرند و میدان مغناطیسی را برای جابجایی روبات ها دستکاری کنند یا آنها را مجبور به گرفتن شکل های جدید کنند.

در آزمایش های تجربی ، محققان نشان دادند که می توان از روبات های نرم برای تشکیل "دستگیره" برای بلند کردن و حمل اشیاء استفاده کرد. از روبات های نرم نیز می توان به عنوان گلدان استفاده کرد ، یا با گلبرگهایی که در جهت های مختلف خم می شوند در گلها قرار می گیرند.

جسیکا لیو ، نویسنده اول مقاله و دکترا می گوید: "ما فقط به پیکربندی های باینری محدود نمی شویم ، مانند این که یک دستگیره باز یا بسته باشد". دانشجوی NC ایالت. "ما می توانیم نور را کنترل کنیم تا اطمینان حاصل شود که یک روبات در هر نقطه شکل خود را حفظ خواهد کرد."

علاوه بر این ، محققان یک مدل محاسباتی را تهیه کردند که می تواند برای ساده سازی روند طراحی روبات نرم استفاده شود. این مدل به آنها اجازه می دهد تا قبل از ساختن نمونه اولیه ، شکل یک ربات ، ضخامت پلیمر ، فراوانی ریز ذرات آهن در پلیمر و اندازه و جهت میدان مغناطیسی مورد نیاز را مرتب کنند.

بیشتر بخوانید: توضیحاتی در مورد ترانسمیتر فشار

تریسی می گوید: "مراحل بعدی شامل بهینه سازی پلیمر برای برنامه های مختلف است." "برای مثال ، پلیمرهای مهندسی که به منظور پاسخگویی به نیازهای برنامه های خاص ، در دماهای مختلف پاسخ می دهند."

مقاله "بازسازی مجدد تنظیم شده توسط فوتوترمی و مغناطیسی کامپوزیت های پلیمری برای روباتیک نرم" ، در مجله Science Advances آمده است . اولین نویسنده مقاله جسیکا لیو ، دکترای دکتری است. دانشجوی NC ایالت. این مقاله توسط جاناتان گیلن ، دانشجوی سابق کارشناسی ارشد در ایالت NC ، تألیف شده است. Sumeet Mishra ، دانشجوی دکتری سابق. دانشجو در ایالت NC؛ و بنیامین ایوانز ، استادیار فیزیک در دانشگاه الون.

ایالات متحده می تواند هر ساله انرژی کافی را با مهار زباله - از محل دفع زباله از کود دامی گاو - برای تأمین نیرو در ایالات اورگان و واشنگتن ، تولید کند ، همه این در حالی است که معادل 37 میلیون کربن به ارزش خودرو کاهش می دهد.

براساس تحقیقات منتشر شده در Nature Energy از اکولوژیست صنعتی UCLA و اقتصاددان انرژی Deepak Rajagopal و نامزد دکترای برنامه ریزی شهری Bo Liu.

لیو گفت: "فایده استفاده از زباله این است که به هر حال ما زباله تولید می کنیم. این یک منبع باقیمانده است که ما معمولاً در مورد آن فکر نکرده ایم."

انواع زباله های مورد بررسی در کاغذ در زیر چتر بیوشیمیایی - منابع تجدید پذیر که از تبدیل مواد گیاهی و حیوانی به الکتریسیته ، سوخت های زیستی یا گرما به دست می آیند. لیو گفت در حالی که ایالات متحده در مقیاس وسیع انرژی زباله تولید نمی کند ، فرآیندهای بدست آوردن انرژی از مواد آلی به خوبی تثبیت شده اند. به عنوان مثال ، کارخانه های زباله به انرژی اروپایی ، براساس کنفدراسیون گیاهان زباله به انرژی اروپا ، در سال 2017 میلادی 106 میلیون تن زباله را پردازش کردند.

سوخت زیستی یکی از انواع محصولات زیستی است که به طور گسترده در ایالات متحده تولید می شود - تقریباً همه آن از محصولات کشاورزی حاصل می شود. براساس کتاب داده انرژی Biomass ، در سال 2011 ، 96٪ از اتانول تولید شده در ایالات متحده از ذرت حاصل شده است.

سیاست گذاران و منافع تجاری چندین دهه است که سوخت های زیستی را از محصولات زراعی ترویج می کنند. در سال 2005 ، کنگره معیارهایی را تصویب کرد که نیاز به ترکیب سوخت های تجدید پذیر در بنزین و سایر سوخت های حمل و نقل دارد. ایالات متحده همچنین برای 35 سال گذشته میلیاردها دلار به مالیات دهندگان یارانه ای از اتانول هزینه کرده است.

اما اتانول مبتنی بر محصول مشکلات دیگری ایجاد می کند ، از جمله افزایش قیمت مواد غذایی و آسیب های زیست محیطی از گسترش کشاورزی ، از جمله تخریب زیستگاه ، رواناب کود و استفاده از آب . این تأثیرات باعث شده است تا برخی از متخصصان خواستار کاهش مصرف آن شوند.

Rajagopal گفت: "ایالات متحده سوخت های زیستی را آزمایش کرده است و آنها مهم هستند زیرا ما به منابع تجدید پذیر بیشتری نیاز داریم ، اما ما به سوخت های زیستی بهتری نیاز داریم."

در عوض استفاده از زباله به عنوان منبع می تواند جایگزینی پایدار برای رشد صنعت آینده باشد. با این حال ، تمام سوخت های زیستی زباله به طور مساوی ایجاد نمی شوند. مزایا بسته به نوع زباله استفاده می شود ، نحوه پردازش آن ، محصولات نهایی و کجا تولید می شود. Rajagopal و Liu با استفاده از تجزیه و تحلیل چرخه زندگی ، و یا معاینه محصولات از ایجاد تا پایان عمر ، چهار نوع زباله را بررسی کردند: کشاورزی ، جنگلداری ، دفن زباله و کود گاو.

بیشتر بخوانید: فشار شکن چگونه کار می کند؟

این مطالعه شامل 15 فناوری تبدیل انرژی و 29 نوع زباله است. در تجزیه و تحلیل خود ، محققان داده های موجود از ادبیات مربوط به فن آوری های تبدیل زباله را با در دسترس بودن زباله های محلی از برآوردهای سال پایه و پرتفوی برق برای تعیین سود نسبی انرژی و کاهش تولید گازهای گلخانه ای ترکیب کردند .

از آنجا که سوختن محصولات زیستی خود تولید گازهای گلخانه ای را تولید می کند ، توانایی بیولوژیکی در کاهش کلی گازهای گلخانه ای با انرژی جایگزین گره خورده است و باعث می شود زمینه محلی مهم شود. برای مثال ، پس انداز گازهای گلخانه ای از استفاده از بیولوژیک برای تولید برق در مناطقی که برق از سوخت های مبتنی بر کربن مانند زغال سنگ حاصل می شود ، بیشتر است ، برخلاف مناطقی که انرژی خورشیدی و باد زیادی تولید می کنند.

به طور کلی ، این مطالعه نشان داد که ایالات متحده توانایی تولید 3.1 تا 3.8 اگزاول (اندازه گیری انرژی) انرژی تجدید پذیر هر ساله با استفاده از منابع زاید موجود را دارد. با مقایسه ، تمام ایالت های واشنگتن و اورگان در سال 2017 حدود 3.3 اگزاول انرژی مصرف کردند. این مطالعه همچنین به این نتیجه رسیده است که استفاده از فرآورده های زباله امکان جابجایی 103 تا 178 میلیون تن انتشار دی اکسید کربن را دارد - معادل معادل 37 میلیون وسیله نقلیه مسافربری که از جاده خارج می شوند براساس انتشار خودروهای معمولی مسافر از 4.6 تن دی اکسید کربن هرکدام. سال

یافته کلیدی این بود که هیچ روش تولید بیوژنیک افزایش حداکثر انرژی خالص ، افزایش انرژی تجدید پذیر و مزایای اقلیمی را به حداکثر نمی رساند. برخی از آنها انرژی تجدید پذیر بیشتری ایجاد می کنند ، اما برای این کار به انرژی بیشتری نیاز دارند و در نتیجه باعث کاهش صرفه جویی در انتشار گازهای گلخانه ای در کل می شوند. بنابراین ، شناسایی کاربرد بهینه بیولوژیکی در هر شرایطی به نتیجه مورد نظر بستگی دارد.

براساس این مطالعه ، سیاستهایی که صرفاً بر اساس اهداف انرژی تجدیدپذیر بنا شده باشند ، مانند نیاز کنگره به سوخت های زیستی در پمپ های بنزین ، ممکن است نتایج بهینه نداشته باشند. در عوض ، Rajagopal گفت ، سیاست گذاران باید برای روشن شدن منافع تلاش کنند. وی گفت که استفاده حداکثری از تجدید پذیر ممکن است استقلال انرژی را تقویت کند ، اما کاهش حداکثر میزان انتشار گازهای گلخانه ای راهی مؤثرتر برای مقابله با تغییرات آب و هوایی است.

راگاگوپال گفت ، سوخت های زیستی نباید به هیچ یک از برنامه ها محدود شوند ، زیرا برنامه های حمل و نقل احتمالی از اتومبیل و کامیون گرفته تا هواپیماها و کشتی ها شامل می شوند. تنوع مهم است.

اشکال دیگر انرژی تجدید پذیر مانند خورشیدی و باد گزینه هایی را برای تولید برق فراهم می کند ، اما بخش حمل و نقل در مقیاس بزرگ هنوز هم برای آینده قابل پیش بینی به سوخت های قابل احتراق احتیاج دارد.

شرکت های هواپیمایی در حال حاضر شروع به کشف گزینه های سوخت های زیستی کرده اند. در سال 2016 ، شرکت هواپیمایی هواپیمایی یونایتد و شرکت جت سوخت AltAir با استفاده از ترکیبی از جت های جایگزین و سوخت های معمولی ، از استقرار تجاری سوخت های زیستی زباله برای حمل و نقل هوایی استفاده کردند.

مطالعات نشان داده اند که حمل و نقل هوایی ، حمل و نقل و حمل بار حدود 8٪ از انتشار کربن را در سطح جهان تشکیل می دهد. راگاگوپال گفت ، در این صنایع ، یک دستورالعمل ساده که نیاز به ادغام سوخت های زیستی در مخلوط های سوخت دارد می تواند مؤثر باشد زیرا این امر باعث توسعه بیشتر فن آوری های سوخت های زیستی در مقیاس بزرگ می شود .

راجاگوپال گفت: "در همه این کاربردها ، فناوری وسیله نقلیه الکتریکی هنوز وجود ندارد. باتری های برقی هنوز وجود ندارند." "بنابراین ما هنوز به نفت گزینه های دیگری نیاز داریم. فکر می کنم اگر درست کار کنید ، سوخت های زیستی در آنجا نقش دارند."

مدل جدیدی که در MIT ایجاد شده است می تواند با پیش بینی نمرات آزمون شناختی خود تا آینده در آینده ، پیش بینی کند که آیا بیماران در معرض خطر بیماری آلزایمر کاهش شناختی بالینی را در اثر بیماری تجربه می کنند.

این مدل می تواند مورد استفاده قرار گیرد برای بهبود انتخاب داروهای نامزد و گروه های شرکت کننده برای کارآزمایی های بالینی ، که تاکنون به طور ناامیدی نا موفق بوده اند. همچنین به بیماران این امکان را می دهد که ممکن است در ماهها و سالهای آینده کاهش شناختی سریع را تجربه کنند ، بنابراین آنها و عزیزانشان می توانند آماده شوند.

شرکت های داروسازی طی دو دهه گذشته صدها میلیارد دلار در تحقیقات آلزایمر تزریق کرده اند. با این وجود این زمینه با شکست روبرو شده است: براساس گزارش سال 2018 از تحقیقات دارویی و تولید کنندگان آمریكا ، بین سالهای 1998 و 2017 ، 146 تلاش ناموفق برای تولید دارو برای معالجه یا پیشگیری از بیماری وجود داشته است. در آن زمان فقط چهار داروی جدید تصویب می شد و فقط برای درمان علائم استفاده می شد. در حال حاضر بیش از 90 نامزد مواد مخدر در حال توسعه هستند.

مطالعات نشان می دهد که موفقیت بیشتر در ورود دارو به بازار می تواند به استخدام داوطلبانی که در مراحل اولیه این بیماری هستند ، قبل از اینکه علائم مشهود باشد ، کاهش یابد ، این همان زمانی است که درمان مؤثر است. در مقاله ای که هفته آینده در کنفرانس Machine Learning for Health Health ارائه خواهد شد ، محققان آزمایشگاه MIT Media یک الگوی یادگیری ماشینی را توصیف می کنند که می تواند به پزشکان کمک کند تا در آن قشر خاص شرکت کنندگان به صفر برسند.

آنها ابتدا یک مدل "جمعیت" را در کل مجموعه داده ها قرار دادند که شامل نمرات آزمون شناختی بالینی قابل توجه و سایر داده های بیومتریک از بیماران آلزایمر و همچنین افراد سالم بود که بین ویزیت های پزشک دوسالانه جمع آوری شدند. از داده ها ، مدل الگوهایی را یاد می گیرد که می تواند به پیش بینی چگونگی امتیاز دهی بیماران در تست های شناختی که بین ویزیت ها انجام می شود کمک کند. در شرکت کنندگان جدید ، مدل دوم ، شخصی برای هر بیمار ، پیش بینی نمره را به طور مداوم بر اساس داده های تازه ضبط شده ، مانند اطلاعات جمع آوری شده در طی آخرین بازدیدها ، به روز می کند.

آزمایشات نشان می دهد که پیش بینی های دقیق می توان به دنبال شش ، 12 ، 18 و 24 ماه آینده انجام داد. بنابراین پزشکان می توانند از این مدل برای انتخاب مشارکت کنندگان در معرض خطر برای کارآزمایی بالینی ، که احتمالاً حتی قبل از ظهور سایر علائم بالینی ، نشان دهنده کاهش سریع شناختی است ، استفاده کنند. درمان زودهنگام چنین بیماران ممکن است به پزشکان کمک کند تا بهتر تشخیص دهند که داروهای ضددردی چه کاربردی دارند و کار نمی کنند.

بیشتر بخوانید: حلقه پمپ وکیوم خلاء حلقه مایع

اوگی رودوویچ ، محقق رسانه آزمایشگاه می گوید: "پیش بینی دقیق از کاهش شناختی از شش تا 24 ماه برای طراحی آزمایشات بالینی بسیار مهم است." وی ادامه داد: "توانایی پیش بینی دقیق تغییرات شناختی آینده می تواند تعداد بازدیدهایی را که شرکت کننده انجام می دهد ، کاهش دهد و این می تواند گران و پرهزینه باشد. گذشته از کمک به تولید یک داروی مفید ، هدف این است که به کاهش هزینه های آزمایشات بالینی کمک کنیم. آنها را مقرون به صرفه تر کرده و در مقیاس های بزرگتر انجام دهید. "

پیوستن به رودوویچ روی کاغذ عبارتند از: یوریا اوتسومی ، دانشجوی کارشناسی ارشد ، و کلی پترسون ، دانشجوی فارغ التحصیل ، هر دو در گروه مهندسی برق و علوم کامپیوتر. ریکاردو گورو و دانیل روکرت ، هر دو از امپریال کالج لندن. و Rosalind Picard ، استاد هنر و علوم رسانه ای و مدیر تحقیقات محاسبات عاطفی در آزمایشگاه رسانه.

جمعیت به شخصی سازی

محققان برای انجام کار خود بزرگترین مجموعه داده آزمایش کارآزمایی بالینی بیماری آلزایمر جهان را تحت عنوان ابتکار عمل Neuroimaging Alzheimer در جهان (ADNI) استفاده کردند. این مجموعه داده حاوی داده های مربوط به حدود 1700 شرکت کننده ، با و بدون آلزایمر ، در طول مراجعه به پزشک نیمساله بیش از 10 سال است که ثبت شده است.

داده ها شامل نمرات زیر مقیاس شناختی (ADAS-Assessment Scale) ، مقیاس شناختی زیر (مقیاس ADAS-Cog13) است ، که بیشترین معیار شناختی است که به طور گسترده مورد استفاده برای آزمایشات بالینی داروهای بیماری آلزایمر است. این آزمون حافظه ، زبان و جهت گیری را در مقیاس افزایش شدت تا 85 امتیاز ارزیابی می کند. مجموعه داده ها شامل اسکن های MRI ، اطلاعات جمعیتی و ژنتیکی و اندازه گیری مایعات مغزی نیز می باشد.

به طور کلی ، محققان مدل خود را بر روی زیر گروهی از 100 شرکت کننده ، که بیش از 10 بازدید داشته اند و کمتر از 85 درصد داده مفقودالاثر ، هر کدام با بیش از 600 ویژگی محاسبه شده ، آموزش داده و آزمایش کردند . از بین این شرکت کنندگان ، 48 نفر به بیماری آلزایمر مبتلا بودند. اما داده ها پراکنده هستند و ترکیب های مختلفی از ویژگی ها برای اکثر شرکت کنندگان وجود ندارد.

برای حل این مسئله ، محققان از این داده ها برای آموزش یک مدل جمعیتی استفاده شده از یک چارچوب احتمال "غیرپارامتری" به نام Gaussian Proces (GPs) استفاده کردند که دارای پارامترهای انعطاف پذیر برای تناسب توزیع های مختلف احتمال و پردازش عدم قطعیت در داده ها است. این تکنیک شباهت بین متغیرها ، مانند نقاط داده های بیمار را اندازه گیری می کند تا یک مقدار برای یک نقطه داده غایی مانند یک نمره شناختی پیش بینی کند. خروجی همچنین شامل تخمینی برای میزان اطمینان آن در مورد پیش بینی است. این مدل حتی در هنگام تجزیه و تحلیل داده های با مقادیر گمشده یا سر و صدای زیادی از قالب های مختلف جمع آوری داده به طور محکم کار می کند.

اما محققان در ارزیابی مدل از بیماران جدید از بخش معین شرکت کنندگان ، پیش بینی مدل را به اندازه دقیق ممکن نبودند. بنابراین ، آنها الگوی جمعیت را برای هر بیمار جدید شخصی کردند. سپس سیستم به تدریج شکاف های داده را با هر مراجعه بیمار جدید پر می کند و براساس آن پیش بینی نمره ADAS-Cog13 را با به روزرسانی مداوم توزیع های ناشناخته GP ها به روز می کند. پس از حدود چهار بازدید ، مدلهای شخصی سازی شده میزان خطا را در پیش بینی ها به میزان قابل توجهی کاهش می دهند. این روش همچنین از روشهای مختلف یادگیری ماشین سنتی که برای داده های بالینی استفاده می شود ، بهتر عمل کرد .

یادگیری نحوه یادگیری

اما محققان دریافتند که نتایج مدلهای شخصی هنوز غیرقابل حد است. برای برطرف کردن این مسئله ، آنها یک طرح جدید "metalearning" اختراع کردند که می آموزد به طور خودکار انتخاب کند که کدام نوع از مدل ، جمعیت یا شخصی سازی شده باشد ، بسته به داده های در حال تجزیه و تحلیل ، برای هر یک از شرکت کنندگان معین در هر زمان معین بهتر کار می کند. Metalearning قبلاً برای دیدن مهارت های رایانه ای و کارهای ترجمه ماشینی مورد استفاده قرار گرفته است تا مهارت های جدیدی یاد گرفته و یا با چند مثال آموزشی به سرعت با محیط های جدید سازگار شود. رودوویچ می گوید ، اما این اولین بار است که برای ردیابی کاهش شناختی از بیماران آلزایمر ، جایی که داده های محدود یک چالش اصلی است ، اعمال می شود.

این طرح در اصل چگونگی عملکرد مدل های مختلف را برای یک کار معین - مثل پیش بینی نمره ADAS-Cog13- شبیه سازی می کند و بهترین تناسب را می آموزد. در طول هر مراجعه بیمار جدید ، این طرح بر اساس داده های قبلی ، مدل مناسبی را اختصاص می دهد. به عنوان مثال ، در بیمارانی که داده های پر سروصدا و پر سر و صدایی در حین مراجعه اولیه ندارند ، پیش بینی های دقیق تری انجام می شود. هنگامی که بیماران با داده های بیشتری شروع می کنند یا تعداد بیشتری از طریق ویزیت های بعدی جمع آوری می کنند ، با این حال ، مدل های شخصی عملکرد بهتری دارند.

این امر به کاهش 50٪ خطای پیش بینی کمک می کند. رودوویچ می گوید: "ما نتوانستیم یک مدل واحد یا ترکیب ثابت مدل پیدا کنیم که بتواند بهترین پیش بینی را به ما بدهد." "بنابراین ، ما می خواستیم یاد بگیریم که چگونه با این طرح متالارنینگ یاد بگیریم. این مانند یک مدل در بالای یک مدل است که به عنوان یک انتخاب کننده عمل می کند ، و با استفاده از metaknowledge آموزش داده است تا تصمیم بگیرد که کدام مدل بهتر است استفاده کند."

در مرحله بعد ، محققان امیدوارند که برای پیاده سازی مدل آزمایشات بالینی آلزایمر در دنیای واقعی با شرکتهای داروسازی همکاری کنند. رودوویچ گفت: این مدل همچنین می تواند برای پیش بینی اندازه گیری های مختلف برای آلزایمر و سایر بیماری ها تعمیم یابد.

عبارت "تقویت مثبت" ، موضوعی است که بیشتر در مقاله ای درباره پرورش فرزند نسبت به مواردی درباره هوش مصنوعی می شنوید. اما به گفته آلیس پارکر ، استاد مهندسی برق در گروه مهندسی برق و کامپیوتر مینگ هسیه ، تقویت کمی مثبت فقط چیزی است که ماشینهای هوش مصنوعی ما به آن نیاز دارند. پارکر بیش از یک دهه است که در حال ساخت مدارهای الکترونیکی است تا بتواند مغز انسان را مهندسی معکوس کند تا بتواند نحوه عملکرد خود را بهتر بشناسد و در نهایت سیستمهای مصنوعی بسازد که از آن تقلید کند. جدیدترین مقاله او ، با همکاری دکترای مشترک. دانشجو کون یو و همکارانش از UC Riverside به تازگی در مجله Science Advances منتشر شده اند و گامی مهم در جهت رسیدن به آن هدف نهایی برمی دارند.

هوش مصنوعی که ما امروز به آن اعتماد داریم و در مورد آن می خوانیم ، بر روی رایانه های سنتی مدل شده است. این جهان را از طریق لنزهای صفرهای باینری و موارد دیگر می بیند. این برای محاسبات پیچیده خوب است ، اما طبق گفته های پارکر و یو ، ما به سرعت به اندازه و پیچیدگی مشکلی که می توانیم با سیستم عامل هایی که هوش مصنوعی ما در آن وجود دارد ، حل می کنیم نزدیک می شویم. یو می گوید: "از زمان انقلاب یادگیری عمیق ، اهداف و پیشرفت هوش مصنوعی مبتنی بر یادگیری عمیق همانطور که می دانیم بسیار کند بوده است." برای دستیابی به پتانسیل کامل خود ، هوش مصنوعی به راحتی نمی تواند بهتر فکر کند - باید در زمان واقعی واکنش نشان دهد و به خود بیاموزد . برای اینکه این اتفاق بیفتد ، باید تغییر عظیمی در نحوه ساخت AI در وهله اول ایجاد شود.

برای رفع این مشکل ، پارکر و همکارانش به دنبال دستیابی به موفقیت آمیزترین سیستم یادگیری هستند که تاکنون ایجاد کرده اند: مغز انسان . این جایی است که تقویت مثبت بازی می شود. مغزها بر خلاف رایانه ها ، یادگیرندگان آنالوگ هستند و حافظه بیولوژیکی پایداری دارد. سیگنال های آنالوگ می توانند حالت های مختلفی داشته باشند (دقیقاً مانند انسان). در حالی که یک هوش مصنوعی باینری که با انواع مشابهی از فناوریهای نانو برای دستیابی به حافظه طولانی مدت ساخته شده است ، می تواند چیزی را خوب یا بد درک کند ، یک مغز آنالوگ می تواند عمیق تر درک کند که یک وضعیت ممکن است "بسیار خوب" ، "فقط خوب" باشد. بد "یا" خیلی بد " این زمینه محاسبات عصبی نامیده می شود و ممکن است فقط آینده هوش مصنوعی را نشان دهد.

وقتی انسان در معرض چیزهای جدید و بالقوه مفیدی قرار بگیرد ، سلولهای عصبی ما دوپامین را افزایش می دهند و اتصالات اطراف این سلولهای عصبی تقویت می شود. پارکر می گوید: "به یک نوزاد که در یک صندلی بلند نشسته است ، فکر کنید." وی گفت: "او ممکن است دستهای خود را به طرز وحشیانه تکان دهد زیرا نورون های توسعه نیافته او فقط به طور تصادفی شلیک می شوند." سرانجام یکی از این حرکات وحشی منجر به نتیجه مثبتی می شود - مثلاً فنجان خود را بکوبید و آشفتگی کنید. به طور ناگهانی ، نورونهایی که باعث حرکت آن شده اند واکنش نشان می دهند و تقویت می شوند. مغز کودک به طور منظم انجام می شود ، مغز کودک شروع به پیوند آن سنبله با چیزی می کند که ارزش درونی کردن آن را دارد. و درست مثل همین ، کودک کوچک ما یاد گرفته است که حرکت بازو باعث نتیجه سرگرم کننده می شود و یادگیری با گذشت زمان ادامه می یابد. این دقیقاً همان کاری است که محاسبات عصبی مورب سعی در انجام آن دارد:

برای این کار ، پارکر و یو مدارهای عصبی خود را طراحی کرده و آنها را با نانودکشن هایی به نام Magnetic Domain Wall Analog Memristors (MAM) ترکیب کرده اند. آنها سپس شبیه سازی ها را اجرا می کنند تا نشان دهند که مدارهای عصبی آنها مانند مغز می آموزند. این دستگاه MAM آنقدر پیچیده است که می توان یک مقاله کامل را روی آن نوشت. اما در حال حاضر ، مهمترین چیزی که باید بدانید این است که این دستگاه بسیار کوچک است که کمک می کند تا به طور نامحدود به یاد داشته باشید "سنبله" تقویت کننده مثبت است که نورونهای مصنوعی دریافت می کنند. می توانید مدارهای عصبی مایع پارکر را که دقیقاً شبیه مغز کودک کوچک است ترکیب کنید. به این معنا ، پارکر و یو مانند پدر و مادر کودک AI هوش مصنوعی هستند ... چیزهای جدید را به آن آموزش می دهند و وقتی کار صحیحی انجام دهند ، آن را تقویت می کنند.

بیشتر بخوانید: مواد پمپ های وکیوم خلاء حلقه مایع

فعلاً ، آنچه ما داریم کمی شبیه مغز یک کودک واقعی است . توسعه نیافته و قطعاً آماده تصمیم گیری به تنهایی نیست. اما ، بسیار شبیه به یک کودک واقعی ، با کار ، سرمایه گذاری و عشق کافی از محققان ، این فناوری روش کار AI را در دنیای واقعی تغییر خواهد داد.

البته کار پارکر هرگز به پایان نمی رسد. پارکر می گوید: "مرحله بعدی ما ، همکاری با دارپا ، آموزش سیستم ما برای یادگیری چیزهای جدید بدون فراموش کردن دروس قبلی است." کار آنها ممکن است یک گام کوچک به سمت هدف نهایی هوش مصنوعی عصبی باشد اما پارکر مانند هر محقق یا والدینی خوب از اهمیت مراحل کودک قدردانی می کند.

یادگیری ماشینی ، که 70 سال پیش معرفی شده است ، براساس شواهدی از پویایی یادگیری در مغز است. با استفاده از سرعت رایانه های مدرن و مجموعه داده های بزرگ ، الگوریتم های یادگیری عمیق اخیراً نتایج قابل مقایسه با آن را از متخصصان انسانی در زمینه های مختلف کاربردی تولید کرده اند ، اما با ویژگی های مختلفی که از دانش فعلی یادگیری در علوم اعصاب فاصله دارد.

با استفاده از آزمایش های پیشرفته در فرهنگ های عصبی و شبیه سازی های در مقیاس بزرگ ، گروهی از دانشمندان در دانشگاه بار ایلان در اسرائیل نوع جدیدی از الگوریتم های هوش مصنوعی ultrafast - براساس پویایی بسیار کند مغز - را نشان داده اند که نسبت به نرخ یادگیری به دست آمده توسط ایالتی فراتر است. الگوریتم های یادگیری از هنر

در مقاله ای که امروز در ژورنال Science Reports منتشر شده است ، محققان پلی بین علوم اعصاب و الگوریتم های هوش مصنوعی پیشرفته را بازسازی می کنند که تقریباً 70 سال است که تقریباً بی فایده مانده اند.

پروفسور ایوود کانتر ، رئیس دانشکده فیزیک و باران ایلان ، دانشکده فیزیک و گوندا (Goldschmied) ، مرکز تحقیقات مغز گفت: " دیدگاه علمی و فناوری فعلی این است که نوروبیولوژی و یادگیری ماشینی دو رشته مجزا هستند که به طور مستقل پیشرفت می کنند." . "عدم وجود تأثیر متقابل انتظار می رود گیج کننده باشد."

وی ادامه داد: تعداد نورون های مغز از تعداد بیت های اندازه دیسک معمولی رایانه های شخصی مدرن کمتر است و سرعت محاسباتی مغز مانند دست دوم در یک ساعت است ، حتی کندتر از اولین رایانه ای که بیش از 70 اختراع کرده است. سالها پیش ، "او ادامه داد. پروفسور کانتر که تیم تحقیقاتی وی شامل هروت اوزان ، شیرا ساردی ، امیر گلدنتال و رونی وردی است ، افزود: "علاوه بر این ، قوانین یادگیری مغز بسیار پیچیده و از اصول مراحل یادگیری در الگوریتم های هوش مصنوعی کنونی فاصله دارد."

بیشتر بخوانید: ترانسمیتر فشار چیست؟

دینامیک مغز با یک ساعت هماهنگ شده هماهنگ برای همه سلولهای عصبی مطابقت ندارد ، از آنجا که با توجه به اینکه واقعیت بدنی شکل می گیرد ، برنامه بیولوژیکی باید با ورودی های ناهمزمان مقابله کند. پروفسور کانتر گفت: "هنگامی که به جلو نگاه می کنیم ، بلافاصله یک قاب را با اشیاء متعدد مشاهده می کنید. به عنوان مثال ، در هنگام رانندگی خودروها ، معابر پیاده و علائم راهنمایی و رانندگی را مشاهده می کنید و به راحتی می تواند ترتیب زمانی و موقعیت های نسبی آنها را مشخص کند." "سخت افزار بیولوژیکی (قوانین یادگیری) برای مقابله با ورودی های ناهمزمان و پالایش اطلاعات نسبی آنها طراحی شده است." در مقابل ، الگوریتم های هوش مصنوعی سنتی مبتنی بر ورودی های همزمان هستند ، از این رو زمان بندی نسبی ورودی های مختلف تشکیل دهنده همان قاب به طور معمول نادیده گرفته می شود.

مطالعه جدید نشان می دهد که میزان یادگیری ultrafast به طور شگفت آور برای شبکه های کوچک و بزرگ یکسان است. از این رو ، محققان می گویند ، "ضرر طرح یادگیری پیچیده مغز در واقع یک مزیت است." یافته مهم دیگر این است که یادگیری می تواند بدون انجام مراحل یادگیری از طریق خود سازگاری با توجه به ورودی های ناهمزمان رخ دهد. این نوع یادگیری بدون یادگیری در دندریت ها ، چندین پایانه از هر نورون اتفاق می افتد ، همانطور که اخیراً به طور تجربی مشاهده شد. علاوه بر این ، پویایی شبکه تحت یادگیری دندریتیک توسط وزنهای ضعیف که قبلاً ناچیز تلقی می شدند اداره می شود.

ایده الگوریتم های یادگیری عمیق کارآمد مبتنی بر پویایی بسیار کند مغز فرصتی را برای پیاده سازی کلاس جدیدی از هوش مصنوعی پیشرفته مبتنی بر رایانه های سریع فراهم می کند. این امر خواستار تقویت مجدد این پل از عصب شناسی به هوش مصنوعی است و همانطور که گروه تحقیق نتیجه می گیرد ، "بینش اصول اساسی مغز ما باید یک بار دیگر در مرکز هوش مصنوعی آینده باشد."

با هدایت هوش مصنوعی و با استفاده از یک سکوی رباتیک ، سیستمی که توسط محققان MIT ساخته شده است قدم به اتوماتیک تولید مولکولهای کوچکی که می تواند در پزشکی ، انرژی خورشیدی و شیمی پلیمر استفاده شود ، نزدیکتر می شود.

این سیستم که در شماره 8 اوت علوم شرح داده شده است ، می تواند شیمیدانان را از انواع کارهای روزمره و وقت گیر آزاد کند ، و ممکن است امکاناتی را برای نحوه ساخت ترکیبات جدید مولکولی پیشنهاد کند. جنسن ، استاد وارن K. لوئیس ، استاد مهندسی شیمی ، و تیموتی اف. جیمیسون ، استاد روبرت تیلور ، شیمی و اساتید وابسته در MIT.

جنسن می گوید ، این فناوری "نوید بخش کمک به مردم برای قطع کردن تمام قسمتهای خسته کننده ساختمان مولکولها" ، از جمله جستجوی مسیرهای واکنش بالقوه و ساخت اجزای یک خط مونتاژ مولکولی هر بار که یک مولکول جدید تولید می شود ، می باشد.

وی می افزاید: "و به عنوان شیمیدان ، ممکن است الهام بخش واکنشهای جدیدی باشد که قبلاً در مورد آنها فکر نکرده بودید."

سایر نویسندگان MIT در مقاله Science عبارتند از: کانر دبلیو کولی ، دیل A. توماس سوم ، جاستین ام لومدام ، جاناتان ن. جاورسکی ، کریستوفر پی. برین ، ویکتور شولتز ، تراویس هارت ، جوشوا S. فیشمن ، لوک راجرز ، هانیو گائو ، رابرت دبلیو هیکلین ، پیتر پی پلیرس ، جوشوا بیینگتون ، جان اس پیوتی ، ویلیام اچ. گرین و A. جان هارت.

از الهام گرفته تا دستور العمل تا محصول نهایی

سیستم جدید شامل سه مرحله اصلی است. ابتدا نرم افزارهایی که با هوش مصنوعی هدایت می شوند مسیری را برای سنتز یک مولکول پیشنهاد می کنند ، سپس شیمی دانان متخصص این مسیر را مرور کرده و آن را در یک "دستور العمل شیمیایی" تصفیه می کنند و در آخر این دستور العمل به یک سکوی رباتیک ارسال می شود که به طور خودکار سخت افزار را مونتاژ می کند و واکنش ها را انجام می دهد. که مولکول را می سازند.

کولی و همکارانش بیش از سه سال در تلاش هستند تا مجموعه نرم افزارهای منبع باز را ارائه دهند که مسیرهای سنتز احتمالی را پیشنهاد و اولویت بندی می کند. در قلب این نرم افزار چندین مدل شبکه عصبی وجود دارد که محققان میلیون ها واکنش شیمیایی که قبلاً منتشر شده از پایگاه داده های Reaxys و ثبت اختراعات و ثبت اختراع ایالات متحده آمریكا را آموزش داده اند. این نرم افزار از این داده ها برای شناسایی تحولات و شرایطی که به نظر می رسد برای ساخت یک ترکیب جدید مناسب است ، استفاده می کند.

کولی می گوید: "این امر به تصمیم گیری های سطح بالا در مورد انواع واسطه ها و مواد اولیه برای استفاده ، و سپس تجزیه و تحلیل های کمی دقیق تر در مورد شرایطی که ممکن است بخواهید استفاده کنید و اگر احتمالاً این واکنش ها موفقیت آمیز هستند ، کمک می کند."

وی خاطرنشان می کند: "یکی از انگیزه های اصلی طراحی نرم افزار این است که فقط مولکولی را که می دانیم یا واکنش هایی که درباره آنها می شناسیم پیشنهاد نمی دهد." "این می تواند مولکول های جدیدی را که هرگز ساخته نشده است تعمیم دهد."

شیمی دانان سپس مسیرهای سنتز پیشنهادی تولید شده توسط نرم افزار را بررسی می کنند تا یک دستور العمل کامل تر برای مولکول هدف تهیه کنند. شیمی دانان گاهی اوقات نیاز به انجام آزمایشگاه یا آزمایشگاه آزمایشگاهی با غلظت معرف و دمای واکنش ، از جمله تغییرات دیگر دارند.

سیستم جدید شامل سه مرحله اصلی است. ابتدا نرم افزارهایی که با هوش مصنوعی هدایت می شوند مسیری را برای سنتز یک مولکول پیشنهاد می کنند ، سپس شیمی دانان متخصص این مسیر را مرور کرده و آن را در یک "دستور العمل شیمیایی" تصفیه می کنند و در آخر این دستور العمل به یک سکوی رباتیک ارسال می شود که به طور خودکار سخت افزار را مونتاژ می کند و واکنش ها را انجام می دهد. که مولکول را می سازند. اعتبار: کانر کولی ، فلیس فرانکل
جمیسون می گوید: "آنها بعضی از الهامات را از هوش مصنوعی می گیرند و آن را به پرونده ی دستور العمل های اجرایی تبدیل می کنند ، به این دلیل که ادبیات شیمیایی در حال حاضر اطلاعات کافی برای انتقال مستقیم از الهام به اعدام بر روی یک سیستم خودکار ندارند."

دستورالعمل نهایی سپس روی سکویی بارگذاری می شود که یک بازوی روباتیک راکتورهای مدولار ، جداکننده ها و سایر واحدهای پردازشی را در یک مسیر جریان مداوم مونتاژ می کند و پمپ ها و خطوطی را که در اجزای مولکولی ایجاد می کنند ، متصل می کند.

توماس می گوید: "شما دستور العمل را بارگذاری می کنید - این همان چیزی است که سکوی رباتیک را کنترل می کند. شما رجنتس ها را بارگیری می کنید ، فشار می دهید و به شما امکان می دهد مولکول مورد علاقه را تولید کنید." "و سپس پس از اتمام ، سیستم آن را شاراب می کند و می توانید مجموعه بعدی معرفها و دستور العمل ها را بارگیری کرده و اجازه دهید آن را اجرا کنید."

برخلاف سیستم جریان مداوم که محققان سال گذشته ارائه دادند ، که باید پس از انجام هر سنتز به صورت دستی پیکربندی شوند ، سیستم جدید کاملاً توسط سیستم عامل رباتیک پیکربندی شده است.

جنسن می گوید: "این به ما توانایی ترتیب یك مولكول ها بعد از دیگری و همچنین ایجاد كتابخانه ای از مولكول ها بر روی سیستم را به صورت خودكار می دهد."

طراحی این سکو که تقریباً دو متر مکعب در ابعاد آن وجود دارد - کمی کوچکتر از هود بخار شیمیایی استاندارد - به یک تابلوی تلفن و سیستم اپراتور شباهت دارد که اتصالات بین ماژول های موجود روی سکو را جابجا می کند.

توماس می گوید: "بازوی رباتیک چیزی است که به ما امکان می دهد مسیرهای سیال را دستکاری کنیم ، که باعث کاهش تعداد ماژول های فرآیند و پیچیدگی سیال سیستم می شود و با کاهش پیچیدگی سیال می توانیم پیچیدگی مولکولی را افزایش دهیم." "این به ما این امکان را می دهد تا مراحل واکنش اضافی را اضافه کنیم و مجموعه واکنش هایی را که می تواند در یک سیستم با ردپای نسبتاً کوچک به اتمام برساند ، گسترش دهیم."

بیشتر بخوانید: مبانی فشار خلاء فشار شکن

به سمت اتوماسیون کامل

محققان با ایجاد 15 مولكول دارویی كوچك مختلف از پیچیدگی سنتز مختلف ، سیستم كامل را آزمایش كردند و فرآیندهای انجام شده در هر جایی بین دو ساعت برای ساده ترین ایجادها تا حدود 68 ساعت برای تولید چندین ترکیب انجام گرفت.

این تیم ترکیبات مختلفی را تولید کرده است: آسپیرین و آنتی بیوتیک اسیدیدازول در فرآیندهای برگشت به عقب. لیدوکائین ضد درد و دیازپام ضدعفونی کننده دارو در فرآیندهای برگشت به پشت با استفاده از مواد اولیه معرف معرفها. وارفارین رقیق کننده خون و داروی سافینامید بیماری پارکینسون ، برای نشان دادن اینکه چگونه این نرم افزار می تواند ترکیباتی را با اجزای مولکولی مشابه اما با ساختارهای 3 بعدی متفاوت طراحی کند. و یک خانواده از پنج داروی مهار کننده ACE و خانواده ای از چهار داروی ضد التهابی غیر استروئیدی.

جمیسون می گوید: "من به ویژه از تنوع شیمی و انواع واکنش های شیمیایی متفاوت افتخار می کنم."

کولی می گوید: "ما واقعاً در تلاش هستیم تا فاصله بین ایجاد ایده از این برنامه ها و آنچه را که برای انجام یک ترکیب استفاده می شود ، ببندیم." "ما امیدواریم که سیستم های نسل بعدی بخش دیگری از زمان و تلاش را بیشتر کنند تا دانشمندان بتوانند تلاشهای خود را بر خلاقیت و طراحی متمرکز کنند."