تیمی به سرپرستی دانشگاه کالیفرنیا سن دیگو ، یک رویکرد طراحی نرم افزاری سخت افزاری و نرم افزاری عصبی را طراحی کرده اند که می تواند آموزش شبکه عصبی را با انرژی و کارآمدتر انجام دهد. کار آنها می تواند روزی امکان ایجاد شبکه های عصبی را در دستگاه های کم مصرف مانند تلفن های هوشمند ، لپ تاپ و دستگاه های تعبیه شده فراهم کند.

این پیشرفت در مقاله ای منتشر شده است که اخیراً در ارتباطات طبیعت منتشر شده است .

آموزش شبکه های عصبی برای انجام کارهایی مانند شناسایی اشیاء ، حرکت اتومبیل های خود رانندگی یا بازی کردن بازی ها ، قدرت و زمان محاسباتی زیادی را مصرف می کند. رایانه های بزرگ با صدها تا هزار پردازنده معمولاً برای یادگیری این کارها لازم هستند و زمان آموزش می تواند از هفته ها تا ماه ها به طول انجامد.

Duygu Kuzum ، استاد ارشد مهندسی برق و رایانه در این باره گفت: انجام این محاسبات شامل انتقال داده ها به جلو و عقب بین دو واحد جداگانه - حافظه و پردازنده - است و این بیشتر انرژی و زمان را در طول آموزش شبکه عصبی مصرف می کند. دانشکده مهندسی جاکوبز در UC سن دیگو.

برای برطرف کردن این مشکل ، کوزوم و آزمایشگاهش با Adesto Technologies همکاری کردند تا سخت افزار و الگوریتم هایی را ایجاد کنند که اجازه می دهد این محاسبات بطور مستقیم در واحد حافظه انجام شود و نیاز به تغییر داده های مکرر را برطرف می کند.

یوهان شی ، نویسنده اول ، دکتری مهندسی برق گفت: "ما از دو انتها - دستگاه و الگوریتم ها - برای حل حداکثر بهره وری انرژی در طول آموزش شبکه عصبی ، این مشکل را برطرف می کنیم ." دانشجوی گروه تحقیقاتی کوزوم در UC San Diego.

مؤلفه سخت افزاری نوعی تکنولوژی فوق العاده با کارآیی حافظه غیر فرار است. یک رم RAM (CBRAM) Conductive Bridging RAM (CBRAM) 512 کیلو بیت. این انرژی از 10 تا 100 برابر انرژی کمتری نسبت به فناوریهای پیشرو در حافظه مصرف می کند. این دستگاه مبتنی بر فناوری حافظه CBRAM Adesto است و در درجه اول از آن به عنوان یك وسیله ذخیره سازی دیجیتالی استفاده می شود كه دارای حالتهای 0 و 1 است ، اما كوزوم و آزمایشگاه وی نشان دادند كه می توان برنامه ریزی كرد كه دارای چندین حالت آنالوگ برای تقلید باشد. سیناپسهای بیولوژیکی در مغز انسان. این دستگاه به اصطلاح سیناپسی می تواند برای انجام محاسبات حافظه برای آموزش شبکه عصبی استفاده شود.

"حافظه داخلی چیپ در پردازنده های معمولی بسیار محدود است ، بنابراین آنها ظرفیت کافی برای انجام محاسبات و ذخیره سازی در همان تراشه را ندارند. اما در این روش ، ما یک آرایه حافظه با ظرفیت بالا داریم که می تواند محاسبات مربوط به عصبی را انجام دهد. آموزش شبکه در حافظه بدون انتقال داده به یک پردازنده خارجی. این کار باعث می شود عملکرد زیادی داشته باشد و باعث کاهش مصرف انرژی در حین آموزش شود. "

کوزوم ، که به مرکز محاسبات و امنیت یکپارچه ماشین در UC سن دیگو وابسته است ، تلاش کرد الگوریتم هایی را ایجاد کند که بتوان به راحتی روی این مجموعه دستگاه سیناپسی نقشه برداری کرد. این الگوریتم ها حتی در زمان آموزش شبکه عصبی صرفه جویی در انرژی و زمان بیشتری را نیز به همراه داشتند.

این روش برای اجرای یادگیری بدون نظارت در سخت افزار از یک نوع شبکه عصبی با انرژی استفاده می کند ، به نام یک شبکه عصبی پرشور. مهمتر از آن ، تیم کوزوم الگوریتم صرفه جویی در انرژی دیگری را که آنها با نام "نرم هرس" طراحی کرده اند ، اعمال می کند ، که باعث می شود آموزش شبکه عصبی با صرفه جویی زیادی از نظر دقت ، انرژی بسیار کارآمدتری داشته باشد.

 http://ztndz.com/story7344476/پمپ-وکیوم-اصفهان

موتورهای جت می توانند حداکثر 25000 قطعه انفرادی داشته باشند و تعمیر و نگهداری منظم را یک کار خسته کننده می کند که می تواند بیش از یک ماه در هر موتور انجام دهد. بسیاری از مؤلفه ها در اعماق موتور قرار دارند و بدون جدا کردن دستگاه ، نمی توان آنها را مورد بازرسی قرار داد و به تعمیر و نگهداری زمان و هزینه اضافه می کند. این مشکل فقط به موتورهای جت محدود نمی شود. بسیاری از ماشینهای پیچیده و گران قیمت مانند تجهیزات ساختمانی ، ژنراتورها و ابزارهای علمی برای بازرسی و نگهداری نیاز به سرمایه گذاری زیادی در زمان و پول دارند.

محققان انستیتوی مهندسی بیولوژیکی مهندسی بیولوژیکی دانشگاه هاروارد و دانشکده مهندسی و کاربردهای جان A. Paulson (SEAS) یک ربات ریز ایجاد کرده اند که پدهای پای برقی ، مفاصل مچ پا اوریگامی و پیاده روی مخصوص مهندسی شده اجازه می دهد تا روی عمودی صعود کند. و سطوح هادی وارونه ، مانند دیواره های داخلی موتور جت تجاری. این کار در Science Robotics گزارش شده است .

سباستین دی ریواز ، نویسنده سابق تحقیقات در گفت: "اکنون كه این روبات ها می توانند به جای اینكه فقط روی سطح مسطح به جلو و عقب بگردند ، در سه بعد اكتشاف كنند ، یك دنیای كاملاً جدید وجود دارد كه می توانند در آن حركت كنند و با آنها درگیر شوند." موسسه Wyss و SEAS که هم اکنون در اپل فعالیت می کند. "آنها می توانند روزی امکان بازرسی غیر تهاجمی در مناطق سخت دستی دستگاه های بزرگ را فراهم کنند ، باعث صرفه جویی در وقت و هزینه شرکت ها و ایمن سازی آن ماشین ها شوند."

این ربات جدید با نام HAMR-E (میکرو ربات سرپایی هاروارد با Electroadhesion) ، در پاسخ به چالشی که از طرف Rolls-Royce به آزمایشگاه Microrobotics هاروارد صادر شده است ، ساخته شد و از وی پرسید که آیا امکان طراحی و ساخت ارتش وجود دارد؟ ربات های ریز قادر به بالا رفتن در قسمت هایی از موتورهای جت خود هستند که برای کارگران انسانی غیرقابل دسترسی است. روبات های کوهنوردی موجود می توانند با سطوح عمودی مقابله کنند ، اما هنگام صعود وارونه ، با مشکلات روبرو شوید ، زیرا برای جلوگیری از ریزش آنها به مقدار زیادی نیروی چسب نیاز دارند.

#RoboFail. گاهی اوقات بیش از یکی از بندهای HAMR-E جدا شده و از صعود معکوس جلوگیری می کند. محققان امیدوارند با ترکیب فن آوری های سنجش در روبات ها بر این شکستها غلبه کنند. اعتبار: د ریواز و همکاران ، علمی. ربات 3، eaau3038 (2018)
این تیم HAMR-E را روی یكی از رباتهای موجود خود ، HAMR مستقر كرد ، كه چهار پا آن را قادر می سازد تا روی سطوح مسطح قدم بزند و از طریق آب شنا كند. در حالی که طراحی اولیه HAMR-E شبیه به HAMR است ، دانشمندان برای حل موفقیت آمیز چسباندن و عبور از سطوح عمودی ، معکوس و خمیده ای که در یک موتور جت با آن روبرو می شوند ، مجبور بودند یک سری چالش ها را برای گرفتن HAMR-E حل کنند.

در مرحله اول ، آنها نیاز به ایجاد پد کف چسبنده ای داشتند که روبات را به سطح متصل نگه داردحتی هنگامی که به سمت پایین باشد ، بلکه رها کنید تا ربات بتواند با بلند کردن و قرار دادن پاهای خود "راه برود". پدها از یک الکترود مسی عایق پلی آمید تشکیل شده اند ، که باعث تولید نیروهای الکترواستاتیک بین لنت ها و سطح رسانای زیرین می شود. با فعال کردن و خاموش کردن میدان الکتریکی ، که با ولتاژ مشابه آنچه برای حرکت دادن پاهای روبات لازم است ، لنت های پا را می توان به راحتی آزاد و مجدداً درگیر کرد ، بنابراین به نیروی اضافی بسیار کمی احتیاج دارید. لنت های کف پایه برقی قادر به ایجاد نیروهای برشی 5/56 گرم و نیروهای عادی 6/20 گرم بیشتر از اندازه کافی برای جلوگیری از سقوط یا سقوط از روبات 1.48 گرم از سطح صعود خود هستند. علاوه بر تأمین نیروی چسبندگی بالا ، پدها به گونه ای طراحی شده بودند که بتوانند انعطاف پذیر باشند ، به این ترتیب امکان ربات بر روی سطوح منحنی یا ناهموار بالا می رود.

دانشمندان همچنین مفاصل جدید مچ پا را برای HAMR-E ایجاد کردند که می تواند در سه بعد بچرخد تا بتواند چرخش پاهای خود را در هنگام راه رفتن جبران کند و به این ترتیب اجازه می دهد جهت خود را روی سطح کوهنوردی خود حفظ کند. اتصالات از فایبرگلاس و پلی آمید لایه ای ساخته شده و در ساختاری شبیه به اریگامی قرار گرفته اند که به مچ پا های تمام پاها اجازه چرخش آزادانه می دهد و به صورت منفعلانه با زمین همسو می شوند.

 http://socialmediainuk.com/story5562296/پمپ-وکیوم-اصفهان

دانشمندان یک دست رباتیک با چاپ 3 بعدی تهیه کرده اند که می تواند با حرکت دادن مچ دست ، عبارات موسیقی ساده ای را روی پیانو پخش کند. و در حالی که این روبات هیچ فضیلتی نیست ، نشان می دهد که تکرار همه توانایی های یک دست انسان چقدر چالش برانگیز است ، و اینکه هنوز چه حرکات پیچیده ای را می توان از طریق طراحی به دست آورد.

دست این روبات که توسط محققان دانشگاه کمبریج ساخته شده است ، با استفاده از مواد نرم و سفت و پرینت 3 بعدی با هم تهیه شده است تا تمام استخوان ها و رباط ها - اما نه ماهیچه ها و یا تاندون ها - در یک دست انسان تکثیر شود. حتی اگر این محدوده حرکت دست ربات را در مقایسه با دست انسان محدود کند ، محققان دریافتند که با تکیه بر طراحی مکانیکی دست ، باز هم طیف گسترده ای از حرکت هنوز امکان پذیر است.

این روبات با استفاده از این حرکت "منفعل" - که در آن انگشتان به طور مستقل نمی توانند حرکت کنند - قادر به تقلید از سبک های مختلف نوازندگی پیانو بدون تغییر در مواد یا خصوصیات مکانیکی دست بود. نتایج ، که در ژورنال Science Robotics گزارش شده است ، می تواند به طراحی روبات هایی که قادر به حرکت طبیعی تری با حداقل انرژی هستند ، کمک کند.

حرکت پیچیده در حیوانات و ماشینها ناشی از تعامل بین مغز (یا کنترل کننده) ، محیط و بدن است. خصوصیات مکانیکی و طراحی سیستمها برای عملکرد هوشمند از اهمیت بالایی برخوردار است و به حیوانات و ماشینها نیز کمک می کند تا بدون هزینه های غیرضروری انرژی ، به روشهای پیچیده حرکت کنند.

دست ربات بازی Jingle Bells. اعتبار: جوزي هيوز
جوز هیوز از گروه مهندسی کمبریج ، اولین نویسنده مقاله ، گفت: "ما می توانیم از انفعال برای دستیابی به طیف گسترده ای از حرکت در روبات ها استفاده کنیم: مثلاً پیاده روی ، شنا یا پرواز." "طراحی مکانیکی هوشمند ما را قادر می سازد حداکثر دامنه حرکت را با حداقل هزینه های کنترلی بدست آوریم: می خواستیم ببینیم چقدر می توانیم تنها با مکانیک حرکت کنیم."

در طی چند سال گذشته ، به لطف پیشرفت های تکنیک های چاپ 3 بعدی ، اجزای نرم در طراحی روباتیک ادغام شده اند ، که به محققان این امکان را داده است تا پیچیدگی هایی را به این سیستم های منفعل بیفزایند.

دست انسان فوق العاده پیچیده است و بازآفرینی همه مهارت و انعطاف پذیری خود در یک روبات یک چالش بزرگ تحقیقاتی است. بسیاری از روبات های پیشرفته امروزی قادر به انجام کارهایی نیستند که کودکان کوچک بتوانند با سهولت انجام دهند.

فیلم Timelapse از دست ربات که به صورت سه بعدی چاپ می شود. اعتبار: جوزي هيوز
دکتر فومیا ایدا ، رهبری این تحقیق گفت: "انگیزه اصلی این پروژه درک هوش تجسم یافته ، یعنی هوش در بدن مکانیکی ما است." "بدن ما از طرح های مکانیکی هوشمندی مانند استخوان ها ، رباط ها و پوست ها تشکیل شده است که به ما کمک می کنند حتی بدون کنترل فعال مغز فعالانه رفتار کنیم. با استفاده از فناوری پیشرفته ترین چاپ 3 بعدی برای چاپ نرم مانند انسان دستان ، ما اکنون می توانیم اهمیت طرح های بدنی را به صورت جداگانه از کنترل فعال ، کشف کنیم که انجام آن با نوازندگان پیانو انسان غیرممکن است زیرا مغز نمی تواند مانند ربات ما خاموش شود. "

هیوز گفت: "نوازندگی پیانو یک تست ایده آل برای این سیستم های منفعل است ، زیرا این یک چالش پیچیده و ظریف است که برای دستیابی به سبک های مختلف بازی نیاز به طیف قابل توجهی از رفتارها دارد."

 http://prbookmarkingwebsites.com/story5096219/پمپ-وکیوم-اصفهان

دانستن اینکه آمریکایی ها پنل های خورشیدی را روی بام های خود نصب کرده اند و چرا این کار را انجام داده اند ، برای مدیریت تغییر سیستم برق ایالات متحده و درک موانع استفاده بیشتر از منابع تجدید پذیر ، بسیار مفید خواهد بود. اما تاکنون ، تمام آنچه در دسترس بوده است ، اساساً تخمین می زنند.

برای به دست آوردن اعداد دقیق ، دانشمندان دانشگاه استنفورد بیش از یک میلیارد تصویر ماهواره ای با وضوح بالا را با یک الگوریتم یادگیری ماشین مورد تجزیه و تحلیل قرار دادند و تقریباً هر نصب انرژی خورشیدی را در 48 ایالت مجاور شناسایی کردند. نتایج در مقاله ای منتشر شده در شماره 19 ژوئیه ژول توضیح داده شده است . داده ها در وب سایت پروژه در دسترس عموم است.

تجزیه و تحلیل 1.47 میلیون نصب را نشان می دهد که رقم بسیار بالاتری از هر دو تخمین شناخته شده است. دانشمندان همچنین سرشماری ایالات متحده و سایر داده ها را با فهرست خورشیدی خود ادغام کردند تا عواملی که منجر به پذیرش انرژی خورشیدی می شوند را شناسایی کنند.

رام Rajagopal گفت: "ما می توانیم از پیشرفت های اخیر در یادگیری ماشینی استفاده کنیم تا بدانیم که همه این دارایی ها کجا هستند ، که این یک سوال بزرگ بوده است و بینش هایی را در مورد اینکه شبکه در کجا می رود و چگونه می توانیم به رسیدن به مکانی سودمندتر کمک کنیم ، ایجاد کنیم." ، دانشیار مهندسی عمران و محیط زیست ، که سرپرستی این پروژه را با آرون مجومدار ، استاد مهندسی مکانیک انجام می داد.

چه کسی خورشیدی می رود

داده های این گروه می تواند برای برنامه های آب و برق ، تنظیم کننده ها ، بازاریاب پنل خورشیدی و دیگران مفید باشد. دانستن تعداد پنل های خورشیدی در یک محله می تواند به یک منبع برق و تقاضای تعادل برق محلی ، کلید اطمینان اطمینان کمک کند. موجودی این فعال کننده و موانع استقرار خورشیدی را برجسته می کند. به عنوان مثال ، محققان دریافتند که درآمد خانوار بسیار مهم است ، اما فقط تا یک نقطه. بالاتر از 150،000 دلار در سال ، درآمد به سرعت نقش بسیاری را در تصمیمات مردم بازی می کند.

این تصویر از نقشه تعاملی DeepSolar ، توزیع پانل های خورشیدی را توسط شهرستان در منطقه خلیج سان فرانسیسکو نشان می دهد. اعتبار: DeepSolar / دانشگاه استنفورد
از طرف دیگر ، خانوارهای کم درآمد و متوسط ​​اغلب سیستم های خورشیدی را نصب نمی کنند حتی در مناطقی زندگی می کنند که انجام این کار در طولانی مدت سودآور خواهد بود. به عنوان مثال ، در مناطقی که دارای نور آفتاب زیادی هستند و میزان برق نسبتاً بالایی دارند ، پس انداز صورتحساب ابزار از هزینه ماهانه تجهیزات بیشتر است. نویسندگان گمان می برند که مانع خانواده های کم درآمد و متوسط ​​هزینه های مقدماتی است. این یافته نشان می دهد که نصاب خورشیدی می توانند مدلهای مالی جدیدی را برای برآوردن تقاضای برآورده نشده توسعه دهند.

برای پوشاندن عوامل اقتصادی و اجتماعی ، اعضای تیم از داده های در دسترس عموم برای دستگاه های سرشماری ایالات متحده استفاده کردند. این تراکت ها بطور متوسط ​​حدود 1700 خانوار را در بر می گیرد ، تقریبا نیمی از اندازه یک کد پستی و حدود 4 درصد از یک کشور معمولی ایالات متحده است. آنها نجت های دیگر را کشف کردند. به عنوان مثال ، هنگامی که نفوذ خورشیدی در محله ای به سطح معینی برسد ، خاموش می شود که جای تعجب ندارد. اما اگر یک محله مشخص نابرابری درآمدی زیادی داشته باشد ، آن فعال کننده اغلب روشن نمی شود. این تیم همچنین با استفاده از داده های جغرافیایی ، آستانه قابل توجهی از میزان نور خورشید در یک منطقه خاص برای ایجاد فرزندخواندگی را کشف کرد.

ماوموددار گفت: "ما بینش هایی پیدا کردیم ، اما این تنها نوک کوه یخ است که فکر می کنیم سایر محققان ، برنامه های کاربردی ، توسعه دهندگان خورشیدی و سیاست گذاران می توانند بیشتر کشف کنند." وی افزود: "ما این امر را به صورت عمومی انجام می دهیم تا دیگران الگوهای استقرار خورشیدی را پیدا کنند و مدل های اقتصادی و رفتاری بسازند."

این تصویر از نقشه تعاملی DeepSolar توزیع پانل های خورشیدی توسط شهرستان در منطقه اطراف شیکاگو را نشان می دهد. اعتبار: DeepSolar / دانشگاه استنفورد
پیدا کردن پانل ها

این تیم برای یادگیری صفحات خورشیدی با تهیه حدود 370،000 تصویر ، برنامه یادگیری ماشینی را با نام DeepSolar آموزش دیدند که هر یک در حدود 100 فوت 100 پا قرار دارد. هر تصویر به عنوان داشتن یا نداشتن پانل خورشیدی برچسب گذاری شده بود. از این طریق ، DeepSolar یاد گرفت ویژگی های مرتبط با پانل های خورشیدی - به عنوان مثال ، رنگ ، بافت و اندازه را شناسایی کند.

جیفان یو ، نامزد دکترا در مهندسی برق که سیستم را با ژژنگ وانگ ، کاندیدای دکترا در مهندسی عمران و محیط زیست ساخته است ، گفت: "ما در واقع به دستگاه نمی گوییم که کدام ویژگی بصری مهم است." "همه اینها را باید توسط دستگاه یاد گرفت."

سرانجام ، DeepSolar می تواند تصویری را که حاوی پانل های خورشیدی 93 درصد از زمان است به درستی تشخیص دهد و حدود 10 درصد از تصاویر که دارای تاسیسات خورشیدی هستند را از دست می دهد. در هر دو امتیاز ، DeepSolar از مدل های قبلی دقیق تر است ، نویسندگان در این گزارش می گویند.

سپس این گروه DeepSolar میلیارد تصاویر ماهواره ای را برای یافتن تأسیسات خورشیدی تجزیه و تحلیل کردند - کارهایی که سالهای گذشته فناوری آن به طول انجامید. DeepSolar با چند کارآیی جدید ، کار را طی یک ماه انجام داد.

بانک اطلاعاتی حاصل شامل نه تنها تأسیسات خورشیدی مسکونی ، بلکه آنهایی که در پشت بام مشاغل ، و همچنین بسیاری از نیروگاه های بزرگ خورشیدی با بهره وری هستند. با این حال دانشمندان DeepSolar از مناطق کم جمعیت ترین منطقه پرش کرده اند ، زیرا این احتمال وجود دارد که ساختمانهای این مناطق روستایی یا دارای صفحات خورشیدی نباشند ، یا این کار را انجام دهند اما به شبکه وصل نمی شوند. دانشمندان براساس داده های خود تخمین زده اند كه 5 درصد از تاسیسات خورشیدی مسكونی و تجاری در مناطقی كه تحت پوشش قرار ندارند وجود داشته باشد.

وانگ گفت: "پیشرفت در فن آوری یادگیری ماشین شگفت انگیز بوده است." "اما سیستم های خارج از قفسه اغلب باید با یک پروژه خاص سازگار شوند و این موضوع به تخصص در موضوع پروژه نیاز دارد. من و جیافان و من هر دو برای استفاده از این فناوری برای فعال کردن انرژی تجدید پذیر متمرکز هستیم."

محققان در حال پیشروی هستند ، قصد دارند پایگاه داده DeepSolar را گسترش دهند تا تأسیسات خورشیدی در مناطق روستایی و سایر کشورها با تصاویر ماهواره ای با وضوح بالا باشد. آنها همچنین قصد دارند ویژگی هایی را برای محاسبه زاویه و جهت یابی خورشیدی اضافه کنند ، که می تواند تولید انرژی آن را به طور دقیق تخمین بزند. اندازه DeepSolar اندازه اکنون فقط یک پروکسی برای خروجی بالقوه است.

این گروه انتظار دارند سالانه پایگاه داده ایالات متحده را با تصاویر ماهواره ای جدید به روز کند. این اطلاعات در نهایت می تواند در تلاش برای بهینه سازی سیستم های برق منطقه ای ایالات متحده ، از جمله پروژه Rajagopal و پروژه یو برای کمک به آب و برق در تجسم و تجزیه و تحلیل منابع انرژی توزیع شده باشد.

 http://bookmark-template.com/story6989875/پمپ-وکیوم-اصفهان

یک مطالعه جدید به رهبری دانشگاه ملی استرالیا (ANU) می تواند به فناوری خورشیدی ارزانتر و کارآمدتر منجر شود.

دکتر هاپینگ شن ، نویسنده مطالعه از دانشکده مهندسی ANU می گوید: بازار کنونی سلولهای خورشیدی تحت تسلط فناوری مبتنی بر سیلیکون است که تقریباً به حد کارایی خود رسیده است .

دکتر شن گفت: "برای ادامه انتقال به یک اقتصاد مبتنی بر انرژی تجدید پذیر ، ما باید همچنان به کاهش هزینه انرژی خورشیدی بپردازیم و بهترین راه برای انجام این کار افزایش بهره وری سلول های خورشیدی است ."

"اگر ما می توانیم از یک منبع انرژی ارزان نیز پاک باشیم - چه کسی مایل به استفاده از آن نیست؟"

مهندسان ANU با همکاری محققان انستیتوی فناوری کالیفرنیا راهی را برای ترکیب سیلیکون با ماده دیگر (معروف به پراوسسکیت) ایجاد کرده اند تا بتوانند نور خورشید را به برق تبدیل کنند.

نکته اصلی نحوه پیوستن مواد به منظور تشکیل آنچه که به عنوان یک سلول خورشیدی پشت سر هم شناخته می شود - در اصل یک سلول خورشیدی بالای دیگری است. محققان ANU می گویند که یکی از ساده ترین آنها تاکنون توسعه یافته است.

دکتر شن گفت: "ما یک سازه پشتیبان ایجاد کرده ایم که غیر متعارف است. وقتی مهندسین دو سلول را ترکیب می کنند ، معمولاً نیاز به یک لایه بین لایه دارند تا بار الکتریکی به راحتی بین دو سلول منتقل شود ، بنابراین آنها می توانند با هم کار کنند."

به گفته دکتر نویسنده دانیل جیكوبز ، این كمی شبیه به تهیه یك ساندویچ باشگاه با نان اضافی در وسط است - یك نقش ساختاری ایفا می كند ، اما ساندویچ بدون آن طعم بیشتری می دهد.

دکتر جیکوبز گفت: "ما یک روش جدید پیدا کرده ایم تا دو سلول را به راحتی جمع کنیم ، بنابراین آنها با یکدیگر کارآمد خواهند بود. دیگر نیازی به لایه بین و یا نان اضافی نداریم."

این امر اتلاف انرژی را به حداقل می رساند و ساختار را ساده می کند ، امیدوارم آن را ارزان تر و آسان تر تولید کند.

دکتر جیكوبز گفت: "با استفاده از علائم مهم ، نشان دادن فرآیند ساختن هر چه ساده است ، در غیر این صورت پیچیدگی اضافی از منظر هزینه فایده ای ندارد."

"ساختار ما شامل یک مرحله ساخت کمتر است و مزایایی نیز برای عملکرد دارد."

دکتر ژاکوبز می گوید اگرچه ترکیب دو ماده در یک مجموعه پشتیبان دشوار است ، پس از درست کردن آن ، کارآیی بسیار سریع بالا می رود ، بسیار فراتر از آنچه که به خودی خود با سیلیکون امکان پذیر است.

"ما قبلاً با این ساختار جدید به 24٪ در بهره وری رسیده ایم و فضای زیادی برای رشد این رقم باقی مانده است."

 http://bookmark-dofollow.com/story6991068/پمپ-وکیوم-اصفهان

ترافیک اركستراسیون یكی از مؤلفه های مهم كاركرد شبكه داده است. شبکه های مدرن ممکن است هزاران سرور ، واحد ذخیره سازی یا سوئیچ را به هم متصل کنند که به نوبه خود وظایفی مانند بوت شدن و پیکربندی دستگاه را اجرا می کنند ، ناهنجاری و تشخیص نفوذ ، نظارت و تشخیص. این وظایف باید مدیریت شوند تا شبکه به طور روان کار کند.

با پیچیده تر شدن این شبکه ها ، یک محقق دانشگاه سن لوئیس به عنوان گزینه ای ساده تر برای مدیریت کارهای پیچیده شبکه به نظر می رسد.

Phavio Esposito ، دکترا ، استادیار علوم کامپیوتر در SLU ، به همراه همکار ، مری هوگان ، دانشجوی سابق SLU که اکنون دکترای خود را در دانشگاه پرینستون دنبال می کند ، به تازگی این راه حل نوآورانه مدیریت ترافیک را در ادامه روند هفدهم ACM پیشنهاد داد. کارگاه آموزشی در زمینه موضوعات داغ در شبکه ها.

نویسندگان می نویسند: "چندین سال است که محققان از اصطلاح" ارکستر شبکه "به عنوان استعاره استفاده کرده اند." "در این مقاله ، ما استعاره را واقعیت می دهیم ؛ ما یک رویکرد جدید برای ارکستر شبکه را توضیح می دهیم که برای تقویت یا جایگزین کردن عملیات مدیریتی مختلف شبکه ، صداها را تقویت می کند."

Esposito علاقه مند بود به این تحقیق بپردازد که آیا یک رویکرد ساده تر برای مدیریت شبکه می تواند مشکلات مشترک را حل کند. به طور ایده آل ، Esposito می گوید ، یک شبکه مدیریتی خارج از باند - نوعی از مدیریت شبکه جدا از داده هایی که در سراسر شبکه جریان دارند - باید قابل اعتماد باشد ، قادر به دستیابی به همه دستگاه ها در یک دیتاسنتر باشد ، سازگار با تجهیزات موجود ، ساده و ارزان

پاسخ محققان به این لیست آرزوها شبکه ای با موسیقی تعریف شده است.

شبکه تعریف شده موسیقی مدلی است که در آن می توان عملکردهای شبکه را در پاسخ به توالی صوتی خاص (موسیقی) برنامه ریزی کرد که از دستگاه های واقعی یا مجازی است. محققان هر دو برنامه فعال را مورد بررسی قرار دادند ، جایی که برنامه های دستگاه های شبکه برای انتشار صدایی خاص برنامه ریزی شده اند ، و برنامه های منفعل ، که در آن صداهای تولید شده توسط دستگاه ها به عنوان مثال ، فن های دیتاسنتر قرار دارند ، مورد بررسی قرار می گیرند تا بتوانند چه موقع شکست خورده باشند.

این تیم با استفاده از بلندگوهای کم هزینه ، میکروفون ها و Raspberry Pi (رایانه های ارزان قیمت کوچک که برای یادگیری برنامه نویسی برای کاربران طراحی شده است) ، اجزای شبکه موجود را با قابلیت های صوتی افزایش داده اند.

"برخلاف نور ، صدا از سرعت بالایی برخوردار نیست اما در عوض به کندی حرکت می کند. بنابراین ، به جای اینکه به دنبال صدا به عنوان وسیله ای برای ارسال تعداد زیادی از داده ها در اطراف یک شبکه باشیم ، ما به دنبال آن هستیم تا کارهای مدیریت شبکه را که اتفاق می افتد ، جستجو کنیم." در فضای فیزیکی پایگاه داده ، "اسپوزیتو گفت.

در هر دو محیط آزمایش شبکه واقعی و مجازی ، محققان به بررسی چگونگی استفاده از موسیقی برای چندین کار شبکه ، از جمله تشخیص خرابی فن سرور دیتاسنتر ، احراز هویت ، متعادل کردن بار و اطلاع رسانی احتقان پرداختند.

اسپوزیتو گفت: "هیچ کس توانایی های گوش انسان را در مدیریت شبکه ندارد." "صدا محدودیت های خود را دارد - پر سروصدا است و خیلی دور نمی شود" اما اکنون تقریباً کاملاً مورد استفاده قرار نمی گیرد. علاوه بر گوش انسان ، ماشین ها می توانند لحنی را تشخیص دهند که به عنوان سیگنال عمل می کند. "

به عنوان مثال ، موسیقی می تواند به عنوان یک سیستم امنیتی "درب" در سیستم استفاده شود تا هشدار دهد کسی به شبکه دسترسی داشته است.

متجاوزان مخرب اغلب با تلاش هر "درب" ورود به شبکه برای یافتن راهی در این زمینه فعالیت می کنند. پیشگیری یا حتی شناسایی چنین حملات بسیار دشوار است. محققان با استفاده از صدا می توانند كدی را ایجاد كنند تا هر بار كه شخصی وارد یك درب مجازی شود ، یك اپراتور انسانی یا رایانه الگوی جدید موسیقی را به عنوان هشدار بشنود.

Esposito نوید را در استفاده از صدا می بیند و امیدوار است که موسیقی را به عنوان وسیله ای برای انجام کارهای اضافی شبکه استفاده کند.

"مدیریت شبکه مبتنی بر صدا دارای پتانسیل است به عنوان یک روش موثر و ارزان مدیریت شبکه برای بسیاری از برنامه ها. کاوش در مورد این همه برای من جالب است."

 http://mediajx.com/story8040787/پمپ-وکیوم-اصفهان

محققان دانشگاه کینگ سعود ، در عربستان سعودی ، با استفاده از یادگیری عمیق موسوم به OCDD ، رویکرد جدیدی را برای کشف حمله سایبری در توییتر ایجاد کرده اند. برخلاف سایر رویکردهای یادگیری عمیق ، که ویژگیهایی را از توییتها استخراج کرده و آنها را به یک طبقه بندیگر تغذیه می کنند ، روش آنها یک توییت به عنوان مجموعه ای از بردارهای کلمه را نشان می دهد.

در سالهای اخیر ، حمله به فضای مجازی در رسانه های اجتماعی تبدیل به موضوعی عظیم و گسترده شده است. حمله سایبری مستلزم استفاده از کانال های ارتباطی آنلاین برای زورگویی سایر کاربران با ارسال پیام های ارعاب کننده ، تهدید آمیز یا سوء استفاده است. این می تواند عواقب روانی و گاه خطرناکی برای قربانیان داشته باشد.

محققان در سراسر جهان تلاش کرده اند تا روش های جدیدی را برای شناسایی حمله سایبری ، مدیریت آن و کاهش شیوع آن در رسانه های اجتماعی توسعه دهند. بسیاری از رویکردهای یادگیری عمیق برای شناسایی کار در فضای مجازی با تجزیه و تحلیل ویژگی های متنی و کاربر. با این حال ، این تکنیک ها محدودیت های مختلفی دارند ، که می تواند عملکرد آنها را به میزان قابل توجهی کاهش دهد.

به عنوان مثال ، برخی از این رویکردها با معرفی ویژگیهای جدید سعی در بهبود شناسایی دارند. با این وجود افزایش تعداد ویژگی ها می تواند مراحل استخراج و انتخاب ویژگی را پیچیده تر کند. علاوه بر این ، این رویکردها در نظر نمی گیرند که برخی از داده های کاربر ، مانند سن و تاریخ تولد ، به راحتی ساخته می شوند. برای رفع محدودیتهای روشهای شناسایی مجرمان سایبری موجود ، منیرا الاجلان و مراد یخف ، دو محقق در دانشگاه کینگ سعود ، رویکرد جدیدی را با عنوان شناسایی بهینه سازی سایبری توییتر (OCDD) پیشنهاد کردند.

"بر خلاف کار قبلی در این زمینه، OCDD می کند ویژگی های از توییت استخراج نشده و تغذیه آنها را به یک طبقه بندی در عوض، آن را نشان دهنده یک صدای جیر جیر به عنوان مجموعه ای از بردارهای کلمه،" محققان در مقاله خود، در منتشر شده توضیح IEEE کاوش و ارائه شده در 21 ST عربستان کامپیوتر جامعه کنفرانس ملی کامپیوتر (NCC). "در این روش معنای کلمات حفظ می شود و می توان مراحل استخراج و انتخاب ویژگی را از بین برد."

الجلان و یاخلف رویکرد خود را بر روی داده های آموزش دارای برچسب ایجاد کرده اند و با استفاده از GloVe ، الگوریتمی یادگیری بدون نظارت که می تواند بازاریابی از کلمات را بدست آورد ، تعبیه کلمات را برای کلمات جداگانه ایجاد کرد. این کلمات تعبیه شده سپس به یک شبکه عصبی کانونشنال (CNN) تغذیه می شوند تا تشخیص دهند که آیا آنها می توانند با حمله سایبری همراه باشند یا خیر.

الگوریتم های CNN معمولاً از یک لایه ورودی و خروجی و همچنین چندین لایه دیگر تشکیل شده اند. تنظیم دستی پارامترها برای هر یک از این لایه ها می تواند یک کار وقت گیر و چالش برانگیز باشد. بنابراین محققان تصمیم گرفتند كه الگوریتم بهینه سازی متاوریستی را در مدل خود بگنجانند كه می تواند با شناسایی مقادیر بهینه یا نزدیك مطلوب برای طبقه بندی ، این فرایند را تسهیل كند.

محققان می نویسند: "OCDD با از بین بردن وظیفه سخت استخراج / انتخاب ویژگی و جایگزینی آن با بردارهای کلمه ای که معنای کلمات و CNN را که طبقه بندی توییت ها را به روشی هوشمندانه تر از الگوریتم های طبقه بندی سنتی ، وضعیت فعلی تشخیص سایبری را بهبود می بخشد ، پیشرفت می کند." در مقاله خود

OCDD هنگام کار بر روی کارهای کاوی متن ، به نتایج بسیار امیدوارکننده ای رسید. با این حال ، هنوز در زمینه های تشخیص حمله به فضای مجازی پیاده سازی و ارزیابی شود . محققان اکنون قصد دارند رویکرد خود را تطبیق دهند تا بتواند متن را به زبان عربی نیز تحلیل کند.

 https://www.namasha.com/v/gFaRKlVT

تیمی از محققان از امپریال کالج لندن و دانشگاه شفیلد راهی برای تقلید از ویژگی های شبکه های کریستالی برای ساخت مواد چاپی سه بعدی قوی تر تهیه کرده اند. در مقاله خود که در مجله Nature منتشر شده است ، این گروه چگونگی انتقال خصوصیات سازه های میکروسکوپی به شبکه های پلیمری چاپ شده و استیل ضدزنگ با گره ها و بندهایی مشابه با اتم ها و پیوندهای بلورها را ارائه می دهند. Gang Seob Jung و Markus Buehler با MIT قطعه News and Views را در مورد کارهایی که این تیم در انگلیس در همین ژورنال انجام داده اند ارائه می دهند.

محققان خاطرنشان كردند كه دانه هاي بلور ميكروسكوپي در قلب فلزات قرار دارند و به آنها مقاومت و مقاومت در برابر شكستگي مي دهند. آنها همچنین خاطرنشان می کنند که جهت یابی شبکه های دانه ای در چنین کریستال ها برای تأمین چنین استحکام مهم است. همیشه چسباندن نیست ، و یا مقاومت در برابر ساختار متفاوت به جلوگیری از انتشار مواد ساخته شده از آنها باعث شکستگی کوچک می شود و باعث استحکام بیشتر آنها می شود. در این تلاش جدید ، محققان با امید به استحکام بیشتر به آنها می توانند همان اشیاء را برای اشیاء پرینت سه بعدی با ابعاد بزرگتر بکار ببرند.

محققان خاطرنشان كردند كه از چاپ سه‌بعدی برای ایجاد اشیاء در بسیاری از انواع استفاده می شود كه یكی از آنها مشبك است. این گونه اشیاء معمولاً شبیه خرپایی های دارای روکش متقاطع است که در پل های راه آهن یافت می شوند. اما به دلیل طریقه ساخت آنها ، به صورت لایه ای به لایه ، چنین مشبک ها در صورت عدم موفقیت یک سلول منوط به شکست کامل می شوند. محققان برای قوی تر ساختن آنها ، از یک پرینتر سه بعدی برای ایجاد مشبک هایی با همان ویژگی های مشبک کریستالی قوی ، با شکل های جعبه مانند به عنوان سلول های منفرد یا دانه ها استفاده می کنند. .

محققان دریافتند كه رویكرد آنها منجر به افزایش قدرت در اشیاء شبكه ای مانند چاپ شده می شود. آنها همچنین گزارش می دهند که ، مانند کریستال ها ، هر چه اندازه دانه کوچکتر باشد ، جسم حاصل قوی تر خواهد بود. آنها همچنین دریافتند که می توانند یک پرینتر را به خیاطی از دانه ها و شیوه چاپ آنها برای تقلید از کریستال های خاص ، تبدیل کنند که هر کدام ویژگی های مثبت متفاوتی را در محصول نهایی ارائه می دهند. آنها پیشنهاد می كنند كه این روش می تواند منجر به استفاده از چاپ سه بعدی در برنامه های مهم مانند پره های فن موتور هواپیما شود.

 https://www.namasha.com/v/sVom78jN

محققان دانشگاه ایالتی کارولینای شمالی ، دانشگاه کارولینای شمالی و دانشگاه ایالتی آریزونا یک سیستم هوشمند برای "تنظیم" زانوهای پروتز شده ایجاد کرده اند و به بیماران این امکان را می دهد تا راحت تر از ساعت های لازم در صورت وجود دستگاه ، با دستگاه پروتز در چند دقیقه قدم بردارند. تنظیم شده توسط یک پزشک بالینی آموزش دیده. این سیستم اولین کسی است که تنها به یادگیری تقویت کننده تکیه می کند تا پروتز روباتیک را تنظیم کند.

هنگامی که بیمار زانوی پروتز روباتیک دریافت می کند ، دستگاه برای تنظیم آن بیمار باید تنظیم شود. سیستم تنظیم جدید 12 پارامتر کنترل مختلف را ترسیم می کند و پویایی پروتز مانند سفتی مفصل را در کل چرخه راه رفتن نشان می دهد.

به طور معمول ، یک پزشک انسانی برای اصلاح تعداد معدودی از پارامترها با بیمار همکاری می کند. این ممکن است ساعت ها طول بکشد. سیستم جدید به یک برنامه رایانه ای متکی است که از یادگیری تقویت کننده می تواند 12 پارامتر را تغییر دهد. به بیماران این امکان را می دهد تا از زانوی پروتز شده استفاده کنند تا طی 10 دقیقه بر روی سطح سطح قدم بردارند.

هلن هوانگ ، نویسنده مقاله در مورد کار و استاد گروه مشترک مهندسی زیست پزشکی در NC ایالت NC و UNC می گوید: "ما با دادن زانوی پروتز به بیمار با مجموعه ای از پارامترهای به طور تصادفی انتخاب می کنیم." "ما پس از آن بیمار را تحت شرایط کنترل شده شروع به راه رفتن می کنیم.

هوانگ می گوید: "داده های مربوط به دستگاه و راه رفتن بیمار از طریق مجموعه حسگرهای موجود در دستگاه جمع آوری می شود." "یک مدل رایانه ای پارامترها را بر روی دستگاه تطبیق داده و راهپیمای بیمار را با مشخصات یک پیاده روی عادی در زمان واقعی مقایسه می کند. این مدل می تواند بگوید که تنظیمات پارامتر باعث بهبود عملکرد و کدام تنظیمات عملکرد را مختل می کند. با استفاده از یادگیری تقویتی ، مدل محاسباتی می تواند به سرعت مجموعه پارامترهایی را مشخص کنید که به بیمار اجازه می دهد به طور عادی قدم بگذارد. رویکردهای موجود ، با اتکا به پزشکان آموزش دیده ، می تواند نیم روز طول بکشد. "

در حالی که در حال حاضر کار در یک شرایط کنترل شده و بالینی انجام می شود ، یکی از اهداف این است که یک نسخه بی سیم از سیستم تهیه کنید ، که به کاربران این امکان را می دهد تا هنگام استفاده در محیط های واقعی ، تنظیم دقیق پارامترهای پروتز شده را انجام دهند.

جنی سی ، نویسنده مقاله و گفت: "این کار برای سناریوهایی انجام شده است که در آن بیمار روی سطح سطح قدم می زند ، اما در اصل ، ما می توانیم کنترل کننده های یادگیری تقویتی را برای موقعیت هایی مانند صعود یا نزولی از پله ها نیز توسعه دهیم." استاد مهندسی برق ، کامپیوتر و انرژی در دانشگاه ASU.

سی می گوید: "من از منظر کنترل پویای سیستم روی یادگیری تقویتی کار کرده ام ، که نویز حسگر ، دخالت از محیط و تقاضای ایمنی و ثبات سیستم را در نظر می گیرد." "من چالش بی سابقه ای برای یادگیری برای کنترل ، در زمان واقعی ، یک دستگاه پروتز را که به طور همزمان توسط کاربر انسانی تحت تأثیر قرار می گیرد ، تشخیص دادم . پیشرفته ترین ربات های یادگیری تقویتی تقویت شده است. ما از این امر می دانیم که الگوریتم کنترل یادگیری تقویتی ما واقعاً یاد گرفته ایم که دستگاه پروتز را به عنوان بخشی از بدن انسان در چنین برنامه های کاربردی هیجان انگیز کار کند. "

هوانگ می گوید محققان امیدوارند که این روند کارایی بیشتری داشته باشند. "به عنوان مثال ، ما فکر می کنیم ممکن است ما بتوانیم با شناسایی ترکیبی از پارامترهایی که احتمال موفقیت کمتری دارند ، روند کار را بهبود بخشیم و آموزش مدل را برای تمرکز نخست روی امیدوار کننده ترین تنظیمات پارامتر انجام دهیم."

محققان خاطرنشان كردند ، گرچه این كار نوید بخش است ، قبل از تهیه آن برای استفاده های گسترده ، باید به بسیاری از سؤالات پاسخ داده شود.

هوانگ می گوید: "به عنوان مثال ، هدف تنظیم پروتز در این مطالعه ، تحقق حرکت هنجار زانو در هنگام راه رفتن است." "ما عملکرد راه رفتن دیگر (مانند تقارن راه رفتن) یا ترجیح کاربر را در نظر نگرفتیم. برای مثال دیگر می توان از روش تنظیم ما برای تنظیم دقیق دستگاه در خارج از کلینیک ها و آزمایشگاه ها استفاده کرد تا سیستم به مرور زمان با سیستم سازگار شود. نیاز کاربر. با این حال ، ما باید ایمنی را در استفاده در دنیای واقعی تضمین کنیم زیرا اشتباهات در کنترل ممکن است منجر به لک و سقوط شود. آزمایشات اضافی برای نشان دادن ایمنی لازم است. "

محققان همچنین خاطرنشان كردند ، اگر این سیستم اثربخش باشد و استفاده گسترده ای از آن داشته باشد ، احتمالاً با كاهش نیاز بیماران به مراجعه به مراكز بالینی برای كار با پزشكان ، هزینه های بیماران را كاهش می دهد.

 https://www.namasha.com/v/dFHRrToj

تیمی از محققان با آزمایشگاه Robotic Systems در سوئیس و آزمایشگاه هوشمند سیستمهای هوشمند در آلمان و ایالات متحده راهی پیدا کرده اند تا بتواند از ماشین یادگیری در روباتیک استفاده کند تا توانایی های بیشتری به این ماشین ها دهد. در مقاله خود که در مجله Science Robotics منتشر شده است ، این گروه چگونگی استفاده از یادگیری ماشین را به روباتیک معرفی می کنند و با این کار به یک روبات شبیه سگ چابک و سرعت بیشتری می دهند.

یادگیری ماشینی اخیراً در خبرها بسیار زیاد است ، زیرا چنین سیستم هایی همچنان توانایی های انسانی را در اختیارشان می گذارند و به آنها توانایی های بی سابقه ای می دهند. در این تلاش جدید ، محققان در صدد بودند برخی از همان بهبودها را روی یک روبات شبیه سگ به نام ANYmal apply یک دستگاه سمپاش از اندازه یک سگ بزرگ استفاده کنند که می تواند از راه هایی بسیار شبیه به حیوانات واقعی باشد. ANYmal در ابتدا توسط تیمی در Robotic Systems Lab ساخته شده است و تجاری سازی شده است. اکنون این شرکت با آزمایشگاه Intelligent Systems همکاری کرده است تا به این روبات توانایی یادگیری نحوه انجام کارهایی را که از طریق تمرین انجام می دهد و نه از طریق برنامه نویسی ، داشته باشد.

یادگیری ماشینی با تعیین اهداف برای یک سیستم کار می کند و سپس وسیله ای برای آزمایش راه های دستیابی به آن اهداف است - به طور مداوم با دستیابی به معیارها بهبود می یابد. آزمایش بارها و بارها انجام می شود ، گاهی هزاران بار. چنین آزمایش با یک ربات هم به دلیل عوامل زیادی که درگیر هستند (مانند تمام خصوصیات دخیل در حفظ تعادل) و هم به دلیل سرمایه گذاری بسیار زیاد در زمان ، دشوار است. محققان پس از دستیابی به راهی برای رفع اولین مشکل ، راهی برای حل مشکل دوم پیدا کردند. محققان به جای اینکه از طریق یادگیری خود در دنیای واقعی ، مبارزه ای با ANYmal داشته باشند ، یک نسخه مجازی از این ربات را ایجاد کردند که می تواند بر روی یک رایانه رومیزی ساده اجرا شود.

محققان خاطرنشان كردند كه اجازه دادن به يادگيري ربات در هنگام تجسم مجدد آن تقريباً 1000 برابر سريعتر از آنچه كه در دنياي واقعي بوده است بود. آنها اجازه می دهند سگ مجازی خود را تا 11 ساعت آموزش دهد و سپس نتایج را در ربات فیزیکی بارگیری کند . آزمایش نشان داد که رویکرد بسیار خوب کار کرده است. نسخه جدید و بهبود یافته ANYmal چابک تر بود (قادر به جلوگیری از لگد زدن به آن توسط یک انسان بود و در صورت سقوط می توانست خودش را به حق خود برساند) و تقریباً 25 درصد سریعتر حرکت می کرد.

 https://www.namasha.com/v/vqciaSWB