پایگاه خبری تحلیلی آریا جوان

آخرين مطالب

محققان الگوریتمی با قابلیت شبیه‌سازی مغز انسان توسعه دادند فناوري

محققان الگوریتمی با قابلیت شبیه‌سازی مغز انسان توسعه دادند

  بزرگنمايي:

آریا جوان - توسعه‌ی الگوریتم‌های هوش مصنوعی برای شبیه‌سازی مغز انسان با قدرت ادامه دارد و محققان به نتایج مقبولی نیز دست یافته‌اند.

گروهی از محققان اخیرا توانسته‌اند روشی برای اجرای یادگیری ماشین کشف کنند که برخی از جنبه‌های عملکردی اصلی مغز انسان را تقلید کند. الگوریتم‌های به‌دست‌آمده از تحقیقات جدید امکان‌پذیری بیولوژیکی هم دارند و به‌احتمال زیاد، زمینه‌های جدیدی به حوزه‌ی هوش مصنوعی اضافه می‌کنند. مقاله‌های مرتبط:
پیش‌بینی زمان مرگ؛ ناخوشایندترین قابلیت هوش مصنوعی هوش مصنوعی هم‌اکنون می‌خواند، می‌نویسد و ترجمه می‌کند
دیمیتری کروتوف، محقق IBM و جان جی. هاپفیلد، مخترع شبکه‌ی عصبی مشارکتی، در تحقیقات درباره‌ی الگوریتم جدید همکاری کردند. آن‌ها مجموعه‌ای از الگوریتم‌ها را توسعه دادند که شبیه به آموزش‌ ‌دادن به انسان‌ها، ماشین‌ها را آموزش می‌دهد. الگوریتم آن‌ها به ماشین امکان می‌دهد در رویکردی بدون نظارت خاص آموزش ببیند. درواقع، روش آن‌ها برخلاف راهکارهای موجود برچسب‌گذاری دیتاسِت است که امروزه، در اکثر فرایندهای یادگیری عمیق استفاده می‌شود. بسیاری از تحقیقات پیشین در حوزه‌ی هوش مصنوعی که در دهه‌های 1980 و 1990 انجام شد، روی درک نحوه‌ی فعالیت شبکه‌ی عصبی انسان متمرکز بود. به‌علاوه، تبدیل آن به زبانی درک‌کردنی برای ماشین‌ها نیز در دستورکار آن تحقیقات قرار داشت. ایده‌ی مهم آن سال‌ها درک بهترین روش برای نشان‌دادن فعالیت عصب‌ها با استفاده از ریاضیات بود. مرحله‌ی بعدی نیز با مقیاس‌دهی همان یافته‌ها برای استفاده در ماشین‌ها انجام می‌شد. متأسفانه آن رویکرد به‌خوبی ادامه پیدا نکرد و اکثر تحقیقات درباره‌ی هوش مصنوعی تا دهه‌ی 2000، تقریبا فراموش شده بود.
تحقیقات کروتوف و هاپفیلد به‌نوعی از روش‌های قدیمی توسعه‌ی هوش مصنوعی استفاده می‌کند؛ اما قدمی جدید برای شبیه‌سازی مغزی شبکه‌های عصبی ارائه می‌دهد. کروتوف در مصاحبه‌ای درباره‌ی تحقیقاتش گفت: اگر درباره‌ی عصب‌شناسی صحبت کنیم، قطعا جزئیات زیادی درباره‌ی نحوه‌ی کارکردن آن وجود دارد. سازوکارهای بیوفیزیکی پیچیده در فعالیت‌های انتقال عصبی مفصل‌های سیناپسی، وجود بیش از یک نوع سلول، جزئیات فعالیت‌های پیچیده‌ی آن سلول‌ها و موارد دیگر، همگی پیچیدگی سیستم عصبی را بیشتر می‌کنند. ما در تحقیقاتمان تمام آن جزئیات را نادیده گرفتیم. درعوض، ما تنها یک عنصر پایه‌ای را در فعالیت خود اضافه کردیم که در شبکه‌های عصبی زیستی هم وجود دارد. عنصر پایه‌ای مدنظر ما نیز ارتباط صرفا جفتی عصب‌ها با یکدیگر بود. به‌بیانِ‌دیگر، مدل ما اجرای کامل مدل‌های زیستی واقعی نیست و درواقع، فاصله‌ی زیادی هم با آن دارد. روش ما برداشتی ریاضیاتی از نمونه‌ی زیستی بوده که در مفهومی کاملا ریاضیاتی اجرا شده است. شبیه‌سازی کامل فرایندهای مغز مشکلات جزئی زیادی دارد
مدل‌های مدرن یادگیری عمیق عموما روی روش‌های آموزش «بازگشت به عقب» (Backpropagation) متمرکز می‌شوند. این روش آموزشی روی مغز انسان کاربرد ندارد؛ چون به داده‌های غیرمحلی وابسته است. به‌عنوان مثال، مغز ما می‌تواند تصاویر را بدون آموزش مرسوم پردازش کند. درواقع، می‌توانیم مواردی که قبلا ندیده‌ایم، به‌خوبی پردازش کنیم که با روش آموزش بازگشت به عقب برای ماشین‌ها تفاوت دارد. آموزش یادگیری شبیه انسان به ماشین‌، دشواری‌های زیادی دارد. آن آموزش شبیه این است که خواندن را تنها با توضیح‌دادن حروف الفبا و بدون نشان‌دادن آن‌ها به افراد یاد دهیم. درواقع ماشین‌ها برخلاف ما، ارتباط حسی مستقیمی با جهان پیرامون ندارند. به‌هرحال به‌نظر می‌رسد کروتوف و هاپفیلد مشکل مذکور را با ساختن الگوریتمی حل کرده باشند که نمونه‌‌ای درک‌کردنی از داده می‌سازد.
کروتوف درباره‌ی مدل‌سازی الگوریتم‌شان می‌گوید: اغلب وقتی به شبکه‌ی عصبی عمیق آموزش می‌دهیم، وظیفه‌ی آن را از قبل مشخص می‌کنیم. مثلا می‌گوییم اعداد با دست‌خط دست‌نویس را شناسایی کند. سپس، الگوریتم داده‌های موردنیاز خود را بسته به وظیفه‌ی مدنظر، در فضایی پنهان پیدا می‌کند. در نمونه‌‌ی ما، وزن‌های (Weights) لایه‌ی اولیه‌ی شبکه‌ی عصبی، به دانستن وظیفه نیاز ندارد. درواقع، آن لایه فقط روی خود داده آموزش می‌بیند. سپس بعد از پایان‌یافتن آموزش، می‌توانیم وظیفه را مشخص کنیم. در مفهوم جدید، وزن‌های لایه‌ی اولیه درباره‌ی وظیفه اطلاع خاصی ندارند. تحقیقات اخیر رویکردی در حوزه‌ی هوش مصنوعی اجرا کردند که به‌نوعی فراموش شده بود. درواقع، شاید یادگیری‌های عمیق مدرن امروزه به حوزه‌ی اصلی تحقیقات تبدیل شده باشند؛ اما الگوریتم‌هایی با امکان‌پذیری بیولوژیکی نیز به زمینه‌های اصلی تحقیقات بازگردند. البته، محققان بررسی اخیر می‌گویند کاربردی‌بودن روش آن‌ها در هوش مصنوعی هنوز به بررسی‌های عمیق‌تر نیاز دارد. کوروتوف می‌گوید مقاله‌ی آن‌ها تنها روی کاغذ نشان می‌دهد که با استفاده از روشی شبیه به ساختارهای بیولوژیکی، می‌توان کاربرد مناسبی از هوش مصنوعی انتظار داشت. درواقع، مقاله‌ی آن‌ها بیش از این مرحله پیش نمی‌رود و مهر تأییدی بر کاربردی‌بودن خود نمی‌زند. درنهایت، همین که محققان توانستند روش‌هایی برای اجرای یادگیری شبیه به عناصر بیولوژیکی کشف کنند، جای امیدواری دارد. شاید یافته‌های آن‌ها، آینده‌ی یادگیری عمیق و توسعه‌ی هوش مصنوعی را نیز تغییر دهد.





نظرات شما

ارسال دیدگاه

Protected by FormShield

ساير مطالب

قیمت فناوری خودران تسلا افزایش می‌یابد

آلودگی هوا چگونه می‌تواند بر سلامت روانی انسان تأثیر بگذارد؟

اپل در حال مذاکره با تامین‌کنندگان حسگر برای خودرو خودران است

فریم نیوز 59: نگاهی به جدیدترین ابعاد از رقابت جدی دیزنی و HBO با نتفلیکس

جزئیات بیشتری از دلایل استعفای بنیان‌گذاران اینستاگرام فاش شد

توانمندسازی تیم‌های تغییرپذیر و تحول‌گرا

کیا هابانیرو در نمایشگاه نیویورک به نمایش گذاشته شد

قیمت رقابتی و تنوع محصولات دیجیتال در فروشگاه بابانو

سفید شدن مرجان‌ها، تهدیدی جدی برای محیط زیست دریا

کسب درآمد 4.5 میلیارد دلاری نتفلیکس با 149 میلیون کاربر

هر آنچه باید درباره‌ مرورگر کرومیوم گوگل بدانید

اپل، حاکم بازار گوشی‌های پریمیوم بر اساس آمار Counterpoint

هر آنچه باید درباره شرکت هواپیمایی ساها بدانید

نمایشگر تاشدنی گلکسی فولد در مواردی، از کار افتاده یا شکسته است

تراشه AMD Gonzalo، در نسل آتی کنسول‌ ایکس باکس و پلی استیشن به‌کار می‌رود

میکروپلاستیک‌ها همراه باد به همه‌جا سفر می‌کنند

کارما پینین فارینا و Revero GT رونمایی شدند

مالن Qiantu K50 رونمایی شد

کارما، رودستر مفهومی و برقی SC1 ویژن را رونمایی کرد

سامسونگ دو گوشی گلکسی A60 و A40s را در چین رونمایی کرد

اسپیس ایکس هسته مرکزی فالکون هوی را در دریا از دست داد

مهندسی بی‌نهایت: شاتل فضایی؛ اولین فضاپیمای چندبارمصرف

قیمت CNG در سال جاری 39 تومان افزایش می‌یابد

چرا تغییرات اقلیمی منظره پاییز را تخریب خواهد کرد؟

آیپد در آینده می‌تواند در نقش نمایشگر دوم دستگاه‌های مجهز به macOS ظاهر شود

هشدار سازمان جهانی بهداشت درباره بحران جهانی سرخک

خودرو مفهومی جنسیس مینت معرفی شد

آموزش اسکرام؛ قسمت چهارم: رویدادها

تصمیم چین برای دستیابی به توان تولید انرژی همجوشی هسته‌ای تا سال 2040

رمزگشایی دقیق سلول‌های سرطانی و معرفی درمانی جدید برای سرطان سینه

بررسی هدفون بدون سیم Sony WH-1000XM3

احتمال عرضه آیفونی 4.7 اینچی با طراحی مشابه آیفون 8 در سال 2020

شاسی بلندهای فولکس واگن SMV و ترامونت X معرفی شدند

لینکلن Corsair معرفی شد

انسان‌تباران دنیسووان با انسان‌های امروزی آمیزش داشتند

نیسان 370Z، نسخه ویژه پنجاه سالگی، رونمایی شد

مرسدس بنز، AMG GLC 63 و GLC 63 کوپه را رونمایی کرد

نسل جدید تویوتا هایلندر معرفی شد

7 گوشی آنر با قیمت زیر 3 میلیون تومان را بشناسیم

پالسین، سرویس کولر آبی را به خدمات خود اضافه کرد

سقط جنین بر پایه جنسیت، مانع از تولد 23 میلیون دختر شده است

پورشه 911 اسپیدستر مدل 2019 معرفی شد

از پیشرفت‌‌های هوش مصنوعی در تقلید رفتارهای انسانی باید ترسید؟

مدل‌های جدید نیسان GT-R رونمایی شدند

هواوی مذاکره با اپل برای تامین تراشه 5G آیفون را تکذیب کرد

تویوتا C-HR الکتریکی مخصوص بازار چین معرفی شد

ربات‌های اسپات مینی را در حال کشیدن کامیون تماشا کنید

کسپرسکی: مایکروسافت آفیس هدف 70 درصد حملات هکرها

استعداد بیش از حد می‌تواند قاتل بهره‌وری‌ تیم شود

مایکروسافت سال گذشته میلیون‌ها دلار صرف جایزه پیدا کردن باگ کرده است