روبات ها حرکت بازیکنان فوتبال را پیش بینی می کنند!


بر اساس گزارشات جام جم آنلاینتحقیقات در مورد یادگیری ماشین و هوش مصنوعی، که اکنون یک فناوری کلیدی در هر صنعت و شرکتی است، گسترده‌تر از آن چیزی است که بتوان مطالعه کرد.

هدف از این گزارش گردآوری برخی از مرتبط ترین اکتشافات و آخرین مقالات در زمینه هوش مصنوعی است، اما نه صرفا توضیح اهمیت آنها.

یکی از خبرهای مهم این هفته اختراع چرم مصنوعی بود. تیمی از مهندسان دانشگاه گلاسکو نوعی پوست مصنوعی ساخته اند که می تواند درد شبیه سازی شده را آزمایش کرده و به آن واکنش نشان دهد.

پوست مصنوعی دانشگاه گلاسکو نوع جدیدی از سیستم پردازش مبتنی بر ترانزیستورهای سیناپسی است که برای تقلید مسیرهای عصبی مغز طراحی شده است.

این ترانزیستورها از نانوسیم های اکسید روی ساخته شده اند که بر روی یک سطح پلاستیکی انعطاف پذیر چاپ شده اند. این به یک سنسور پوست متصل است که تغییرات مقاومت الکتریکی را ثبت می کند.

اگرچه آزمایش پوست مصنوعی قبلاً انجام شده بود، اما محققان ادعا می کنند که طراحی آنها متفاوت است زیرا از مداری که در سیستم تعبیه شده است به عنوان یک گیره مصنوعی استفاده می کند که ولتاژ ورودی را افزایش می دهد. این پردازش سریع به محققان اجازه داد تا با تعیین آستانه ای برای ولتاژ ورودی که فرکانس آن بر اساس سطح فشار اعمال شده به پوست متفاوت است، به پوست بیاموزند چگونه به درد شبیه سازی شده پاسخ دهد.

محققان حدس می زنند که می توان از پوست مصنوعی در ربات ها استفاده کرد. به عنوان مثال، پوست مصنوعی می تواند از تماس بازوی رباتیک با دمای بسیار بالا جلوگیری کند.

شرکت رباتیک DeepMind از توسعه یک مدل هوش مصنوعی به نام Graph Imputer خبر داده است که می تواند از دوربین برای پیش بینی مسیر بازیکنان فوتبال استفاده کند. جالب‌تر از همه، این سیستم می‌تواند بازیکنان خارج از دوربین را پیش‌بینی کند و مکان اکثر، اگر نه همه، بازیکنان در زمین را با دقت نسبتاً بالایی ردیابی کند.

نمودار کامپیوتری ناقص است، اما محققان Deep Mind می‌گویند که می‌توان از آن برای کاربردهایی مانند مدل‌سازی کنترل زمین یا پیش‌بینی توانایی بازیکن در کنترل توپ استفاده کرد. علاوه بر فوتبال و سایر تجزیه و تحلیل های ورزشی، Deep Mind انتظار دارد روش هایی که فراتر از نمودارهای کامپیوتری هستند در زمینه هایی مانند مدل سازی عابر پیاده در جاده ها و مدل سازی جمعیت در استادیوم ها به کار گرفته شوند.

دانشگاه Tsinghua با مشارکت آکادمی هوش مصنوعی پکن (BAAI)، مدل جاه طلبانه تری به نام CogVideo را توسعه داده است که می تواند از متن فیلم تولید کند. به عنوان مثال، عبارت “مرد اسکیت” یا “شیر در حال نوشیدن آب” را در یک ویدیو بنویسید. این کلیپ ها مملو از مصنوعات و دیگر تصاویر عجیب و غریب هستند، اما به دلیل اینکه حاوی صحنه های کاملا تخیلی هستند، نقد سریع آنها بسیار دشوار است.

یادگیری ماشین اغلب در کشف دارو استفاده می شود. منطقه ای که در آن باید تعداد بی نهایتی از مولکول ها دسته بندی و شناسایی شوند تا اثرات بالقوه مفیدی ایجاد کنند، اما حجم داده ها و نتایج مثبت کاذب بسیار زیاد است و مطالعه سرنخ ها آنقدر گران و زمان بر است که دقت ۹۹ درصد به اندازه کافی خوب نیست. .. این به ویژه در مورد داده های مولکولی بدون نام، در مقایسه با مولکول هایی که در طول سال ها به صورت دستی مورد مطالعه قرار گرفته اند، صادق است.

محققان دانشگاه کارنگی ملون (CMU) در حال تلاش برای ارائه مدلی برای طبقه بندی و درک میلیاردها مولکول ناشناس بدون هیچ گونه اطلاعات اضافی هستند. آنها این کار را با ایجاد تغییرات جزئی در ساختار مولکول ظاهری انجام می دهند. مانند پنهان کردن یک اتم یا حذف یک پیوند و مشاهده چگونگی تغییر مولکول حاصل. این به آنها اجازه می دهد تا ویژگی های ذاتی نحوه شکل گیری و رفتار این مولکول ها را بیاموزند. این ویژگی همچنین عملکرد بهتری را نسبت به سایر مدل‌های هوش مصنوعی برای تشخیص مواد شیمیایی سمی در پایگاه داده تجربی به مدل ارائه می‌کند.

امضای مولکولی نیز یک نکته کلیدی در تشخیص بیماری است. دو بیمار ممکن است علائم مشابهی داشته باشند، اما تجزیه و تحلیل دقیق نتایج آزمایشگاهی نشان می دهد که آنها بیماری های بسیار متفاوتی دارند. این یک روش پزشکی استاندارد است، اما ردیابی همه ارتباط ها دشوار خواهد بود زیرا داده ها از آزمایش ها و تجزیه و تحلیل های متعدد جمع آوری می شوند.

دانشگاه فنی مونیخ (TU Munich) در حال کار بر روی یک الگوریتم توصیفی بالینی است که چندین منبع داده از جمله الگوریتم‌های دیگر را برای تشخیص بیماری‌های کبدی با علائم مشابه ادغام می‌کند. اگرچه این مدل‌ها جایگزین پزشکان نمی‌شوند، اما می‌توانند مقادیر زیادی از داده‌ها را بررسی کنند که متخصصان ممکن است وقت یا تخصص برای تفسیر آن را نداشته باشند.

منبع: ایسنا