محققان گروه سیستم های جاسازی شده و رباتیک در TCS Research & Innovation به تازگی یک شبکه با دو دید عمق برای استنباط عمق و حرکت نفس از توالی های یکپارچه متوالی ایجاد کرده اند. رویکرد آنها ، در مقاله ای که از قبل در ArXiv منتشر شده است ، همچنین شامل محدودیت های قطبی است که درک هندسی شبکه را تقویت می کند.

دکتر Brojeshwar Bhowmick ، ​​یکی از محققانی که این مطالعه را انجام داده است ، گفت: ایده اصلی ما این بود که عمق پیکسل و حرکت دوربین را مستقیماً از توالی های تک تصویری پیش بینی کنیم. "به طور سنتی ، ساختار از الگوریتم های بازسازی مبتنی بر حرکت ، خروجی های عمق پراکنده را برای نقاط برجسته و جالب در تصویر فراهم می کند ، که با استفاده از هندسه چندمنظوره بر روی تصاویر مختلف ردیابی می شوند. روش هایی برای کمک به علت ما با نزدیک شدن به مسئله به شیوه ای بنیادی تر با استفاده از ترکیبی از مفاهیم از هندسه قطبی و یادگیری عمیق. "

اکثر رویکردهای یادگیری عمیق موجود برای پیش بینی عمق مونوکلر و حرکت نفس ، پیوستن فتومتریک را در توالی تصویر با پیچاندن یک منظره به دیگری بهینه می کند. با این حال ، با استنباط عمق از یک نمای واحد ، این روشها ممکن است در ضبط رابطه بین پیکسلها و در نتیجه ارائه مکاتبات مناسب پیکسل کوتاهی کنند.

برای پرداختن به محدودیتهای این رویکردها ، بوومیک و همکارانش رویکرد جدیدی را توسعه دادند که ترکیبی از دید هندسی رایانه و پارادایمهای یادگیری عمیق است . رویکرد آنها از دو شبکه عصبی استفاده می کند ، یکی برای پیش بینی عمق یک نمای مرجع واحد و دیگری برای پیش بینی موقعیت های نسبی مجموعه ای از نظرات با توجه به نمای مرجع.

اعتبار: Prasad ، Das & Bhowmick.
بوهمیک توضیح داد: "صحنه تصویر هدف را می توان با پیچ و تاب کردن آنها بر اساس عمق و نکات نسبی ، از هر یک از نمایشگرهای موجود بازسازی کرد." "با توجه به این تصویر بازسازی شده و تصویر مرجع ، خطای موجود در شدت پیکسل را محاسبه می کنیم ، که به عنوان ضرر اصلی ما عمل می کند. ما به تازگی استفاده از ضایعات قطر در هر پیکسل ، مفهومی از هندسه چند منظره را اضافه می کنیم. از دست دادن ، که مکاتبات بهتری را تضمین می کند و مزیت اضافه شده ای را برای تخفیف اشیاء متحرک در صحنه ایجاد می کند که در غیر این صورت می تواند یادگیری را خراب کند. "

این رویکرد جدید به جای پیش بینی عمق با تجزیه و تحلیل یک تصویر واحد ، با تجزیه و تحلیل یک جفت تصاویر از یک فیلم و یادگیری روابط بین پیکسل برای پیش بینی عمق کار می کند. تا حدودی شبیه به الگوریتم های سنتی SLAM / SfM است ، که می تواند حرکات پیکسل را با گذشت زمان مشاهده کند.

بویممیک گفت: "معنی دار ترین یافته های مطالعه ما این است که استفاده از دو دیدگاه برای پیش بینی عمق بهتر از یک تصویر واحد عمل می کند ، و حتی اجرای ضعیف مکاتبات سطح پیکسل از طریق محدودیت های قطر به خوبی عمل می کند." "هنگامی که چنین روشهایی بالغ شده و در تعمیم پذیری بهبود یابد ، می توانیم آنها را برای ادراک در هواپیماهای بدون سرنشین بکار ببریم ، جایی که می خواهیم با کمترین قدرت ممکن اطلاعات حسی را استخراج کنیم ، که می توان با استفاده از یک دوربین واحد به دست آورد."

در ارزیابی های اولیه ، محققان دریافتند که روش آنها می تواند عمق را با دقت بالاتر از رویکردهای موجود پیش بینی کند ، تولید برآورد عمق واضح تر و تخمین های پیش بینی افزایش یافته. با این حال ، در حال حاضر ، رویکرد آنها فقط می تواند استنباط هایی در سطح پیکسل انجام دهد. کار آینده می تواند با ادغام معانی شناسی صحنه در مدل ، این محدودیت را برطرف کند ، که ممکن است منجر به ارتباط بهتر بین اشیاء موجود در صحنه و برآورد عمق و نفس حرکت باشد.

بوهمیک گفت: "ما بیشتر در حال تعمیم بودن این روش و سایر روشهای مشابه در صحنه های مختلف اعم از سرپوشیده و فضای باز هستیم." "در حال حاضر ، بسیاری از آثار بر روی داده های در فضای باز ، مانند داده های رانندگی ، عملکرد خوبی دارند ، اما در سکانس های داخلی با حرکات دلخواه بسیار ضعیف عمل می کنند."

 https://www.namasha.com/v/HbqTlRqr

ساخت اولیه Android Q تمی تاریک دارد و از نظر سیستم گسترده است. توسعه دهندگان XDA برداشت به بیرون درز آندروید Q ساخت با وصله های امنیتی فوریه و آن را در یک پیکسل 3 XL دیدم. نتایج: ویدئویی که نشان دهنده تغییرات در عملکرد و پیروزی از عناوین فنی است و به نقل از داستانی بسیار نقل قول شده در توسعه دهندگان XDA درباره این یافته است.

بله ، آنها موفق شدند نگاهی اولیه به ساختمان بیندازند. آن را یک نشت بنامید ، آنرا یک نگاه زیرکانه بنامید ، اما این داستان اکنون نشان داده شده است که چه ویژگی های آینده را نشان می دهد . یافتن به نقل از بالا: حالت تاریک در سطح سیستم. میشال رحمان روز چهارشنبه گزارشی را درباره Android Q ارائه داد.

رحمان گفت "هضم زیادی وجود دارد." آنها ساخت و ساز در پیکسل 3 XL را مورد بررسی قرار دادند تا تغییراتی را که پیدا کردند ، کشف کنند.

از همه جنبه های مورد بررسی ، "مهمترین ویژگی مورد تأیید امروز یک سیستم" حالت تاریک "است که می تواند در تنظیمات نمایش فعال شود " ، گفت Abner Li در 16 ژانویه در 9to5Google گفت .

(برای خیلی ها ، واکنش به Dark Dark Mode ممکن است "بالاخره" باشد. همانطور که کریس برنز در SlashGear اظهار داشت ، "سرانجام ، پس از مدتها طولانی. زمان آن است - یا ممکن است زمان - برای Dark Dark Mode".

چرا "بالاخره"؟

رحمان اظهار داشت: "این تقریباً یکی از بیشترین ویژگی های درخواست شده توسط کاربران به دلیل شناخته شده شدن تم های تاریک برای صرفه جویی در مصرف باتری در تلفن های هوشمند با نمایشگر OLED شناخته شده است ، بنابراین ما خوشحالیم که Google را نهایتا یک حالت تاریک داخلی را اجرا می کند."

موضوع حالت تاریک چیز جدیدی نیست. در واقع صحبت کردن در مورد آن برای مدتی شنیده شده است ، همراه با اوج ها و پایین آمدن انتظارات ، و تا به امروز ، نشان دهنده اندکی نیست.

در ماه فوریه سال گذشته، بریتنی رستم در گفت SLASHGEAR که "هر کس با یک دستگاه آندروید می توانید یک حالت تاریک در تبلت یا گوشی هوشمند خود را فعال کنید، اما انجام این کار نیاز به یک برنامه شخص ثالث. در استفاده از یکی از این برنامه علاقه مند نیست؟ آندروید خود را به زودی می تواند جایگزین دیگری داشته باشد. "

هرکسی که دارای دستگاه Android باشد می تواند حالت تاریک را در رایانه لوحی یا تلفن هوشمند خود فعال کند ، اما انجام این کار به یک برنامه شخص ثالث نیاز دارد. علاقه ای به استفاده از یکی از آن برنامه ها ندارید؟ خود اندروید به زودی می تواند جایگزین دیگری داشته باشد.

رحمان در ادامه توضیح داد که "حالت تاریک کاملاً کاربردی سیستم در تنظیمات نمایش" ، جایی که روی گزینه Set Dark Mode ضربه می زنید ، توصیف می شود. توسعه دهندگان XDA سایت تصاویر انجام شده با تم تیره را فعال کنید.

(Burns in SlashGear : "مهمترین تغییر در این حالت تاریک ، قابلیت Android برای مجبور کردن تاریکی در اکثر / همه برنامه ها است.")

رحمان نوشت ، تنظیمات ، پرتاب ، تنظیمات پرتاب و برنامه Files دارای رنگ خاکستری تیره است ، در حالی که صفحه نمایش صدا ، صفحه تنظیمات سریع و اعلان ها سیاه هستند.

کریس برنز در SlashGear آنچه را که کاربر یک بار در حالت Dark mode انتخاب می کند ، ساده می کند. وی گفت این "چرخاندن سوئیچ روی یک برنامه است - در این حالت ، چرخش سوئیچ در همه برنامه ها و دسک تاپ و منوها. این تغییر سوئیچ حروف تیره در زمینه نور به پس زمینه تاریک با حروف سبک است. این نمایش نه تنها در اکثر نمایشگرها خوب به نظر می رسد (از آنجا که همه آنها LIGHT را طراحی می کنند) ، بلکه یک محیط بهینه تر برای حفاظت از باتری را فراهم می کند. "

اکنون ما این همه پچ پچ روشن را قطع می کنیم ، تا پیام جاکوب سیگال را در BGR به شما ارسال کنیم. زیرا او اطلاعات مربوط به ساخت و ساز را هضم می کند: "این چیزی نیست که پیش نمایش برنامه نویسان Android Q Google را اجرا کند. او گفت ، مارس ، اما "برای تأیید ویژگی های جدید و رفع برنامه های Google در نسخه عمومی بعدی سیستم عامل Android ، مفید است ."

اکنون ، یک دقیقه دیگر - یا دو بار - از تایلر لی در Phandroid ، صبر کنید . لی به خوانندگان خود یادآوری کرد: "از آنجا که اندروید Q فقط در اواخر سال منتشر می شود ، سخت است بگویید که آیا این ویژگی باعث نهایی نهایی خواهد شد. گوگل شناخته شده است که ویژگی های خود را فقط برای حذف بعدا آزمایش می کند در حالی که خوشحال است که ببینید حالت تاریک در سراسر سیستم در Android Q ، ممکن است انتظارات خود را در مورد اینکه آیا واقعاً بخشی از نسخه عمومی نهایی خواهد بود یا خیر ، خسته شود.

در واقع ، اشاره کرد که تایلر ، در گذشته از حالت تاریک برای اندروید صحبت شده بود. وی گفت: "بنا به دلایلی یا دلیل دیگر ، این ویژگی همیشه در همان لحظه آخر حذف شده است." به نوبه خود ، "هنگامی که شنیدیم که Android Q در نهایت می تواند یک حالت تاریک و گسترده در سیستم را به اندروید وارد کند ،" ما را به دلیل کمی شک و تردید سرزنش نمی کنید. "

برد لیندر در Liliputing گفت که ویژگی های کشف شده توسط کسانی که در مراحل اولیه دست خود را گرفته بودند ، ممکن است بعداً در سال بیایند اما "هیچ تضمینی وجود ندارد. گوگل عادت دارد ویژگی هایی را آزمایش کند که آن را به نسخه نهایی تبدیل نکند. ""

با این وجود ، فیلم XDA ، ویدیویی با عنوان "Android Q — منحصر به فرد اولین نگاه در Google Pixel 3" ، در تاریخ 16 ژانویه منتشر شد. شما می توانید ویژگی های Q درباره آنها بحث کنید.

 بیشتر بخوانید:

https://virgool.io/@pishtazpump.ir/%D9%BE%D9%85%D9%BE-%D9%88%DA%A9%DB%8C%D9%88%D9%85-%D8%AF%D8%B1-%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C-t95kl2qfacxz

نرم افزار Microsoft Defender فعالیت خود را برای مبارزه با بدافزار در سیستم عامل های iOS و اندروید گسترش می دهد. طبق گزارشات ، انتظار می رود در اواخر امسال نرم افزار Defender را برای این دستگاه ها مشاهده کنید. اما چرا زحمت می کشید؟ متیو هامفریس در مجله PC می گوید: "مایکروسافت معتقد است برای نرم افزارهای امنیتی آن در دستگاه های تلفن همراه بازاری وجود دارد ، بنابراین کاربران اندرویدی و iOS به زودی گزینه اجرای Microsoft Defender را در دستگاه های خود خواهند داشت."

در مورد اندروید ، تام وارن در The Verge گفت: "مایکروسافت برای جلوگیری از بدافزار در برنامه های اندرویدی که به صورت کنار دستگاه قرار دارند ، به این بازار رو به رشد خواهد پیوست." به نقل از CNBC ، Rob Lefferts ، معاون رئیس شرکت مایکروسافت ، گفت که افراد می توانند با نصب برنامه هایی که در خارج از Google Play پیدا می کنند ، این مخزن رسمی برنامه های اندرویدی است.

یک گزارش BGR می گوید: "اگر چندین سال گذشته BGR را حتی به صورت پراکنده خوانده اید ، می دانید که بدافزارها در برنامه هایی که کاربران اندرویدی بصورت جانبی از خارج از فروشگاه رسمی Google Play به دستگاههای خود نشان می دهند ، نشان داده می شود." یک دلیل بزرگ برای این حرکت به سیستم عامل iOS و Android جلوگیری از فیشینگ است. این دسترسی گسترده به عنوان یک اقدام برای جلوگیری از آشکار کردن نام کاربری ، گذرواژه‌ها یا سایر اطلاعات حساب کارمندان در شرکتها محسوب می شود.

آنتونی اسپادافورا در TechRadar گفت: "پیشگیری از فیشینگ به احتمال زیاد یکی از اصلی ترین ویژگی های Defender در iOS و Android خواهد بود ."

در گزارش PCWorld آمده است: "ظاهرا مایکروسافت امیدوار است که به مشتریان سازمانی خود اطمینان دهد که می توانند تلفن های خود و همچنین رایانه های شخصی خود را تضمین کنند." چه در مورد مصرف کنندگان؟ مدافع موبایل بخشی از بستر امنیتی شرکت خواهد بود ، "و از این زمان هنوز مشخص نیست که آیا مایکروسافت برنامه های ضد ویروس خود را در دسترس مصرف کنندگان قرار خواهد داد یا خیر."

CNBC گفت نرم افزار Defender به اندروید و IOS برای جلوگیری از بازدید مردم از مقصد های آنلاین که مایکروسافت آن را ناامن می داند طراحی شده است. با این وجود ، تایلر لی در Ubergizmo هنوز در جستجوی پاسخ ها بود: "این شرکت از هفته آینده جزئیات بیشتری را در مورد برنامه به اشتراک خواهد گذاشت ،" او نوشت ، "بنابراین ما آن جزئیات را با شما در میان می گذاریم. جالب است بدانید که مایکروسافت چه نوع محافظتی را می تواند به دستگاههای iOS ارائه دهد. این بیشتر ناشی از رویکرد باغ دیواری اپل با برنامه های شخص ثالث است که بعضی اوقات می تواند عملکرد آن را محدود کند. "

تام وارن در The Verge دلیل مشابهی را برای داشتن کنجکاوی مطرح کرد ، زیرا "احتمالاً مشتری های موبایل Defender Mobile با نسخه های رومیزی متفاوت خواهند بود ، به خصوص که پلتفرم iOS اپل اجازه نمی دهد تا برنامه ها را از طریق آیفون یا آی پد بدافزار اسکن کنند."

اگرچه TechRadar به دنبال یک رویداد امنیتی آینده برای یک داستان کامل تر بود. آنتونی اسپادافورا ، نوشت: "مایکروسافت هنوز هیچ جزئیاتی در مورد عملکرد برنامه ها به اشتراک نگذاشته است." رویداد سان فرانسیسکو از 24 فوریه آغاز می شود.

موتی گندی ، معاون رئیس شرکت ، حفاظت از تهدید مایکروسافت ، در پست بلاگ 20 فوریه گفت: "هفته آینده در کنفرانس RSA ، ما با کارهایی که انجام می دهیم پیش نمایش سرمایه گذاری های خود در دفاع از تهدید موبایل را انجام می دهیم. راه حل هایی برای Android و iOS. "

مارک هاچمن ، PCWorld ، بینش کمی راجع به انتقال iOS و اندروید جمع کرده است. وی نوشت: "جالب اینجاست که بسته Defender که مایکروسافت قصد دارد آن را نصب کند ضد ضد بدافزار نیست." "در حالی که Windows Defender از بدافزارهای موجود در رایانه شخصی شما اسکن و حذف می کند ، راهکارهای iOS و Android که مایکروسافت اعلام کرد برای جلوگیری از بازدید مردم از مقصد های آنلاین که مایکروسافت فکر می کند ناامن است ، طراحی شده اند."

http://socialmediainuk.com/story5454214/پمپ-وکیوم-آبی

یک انسان به احتمال زیاد می تواند تفاوت یک لاک پشت و تفنگ را بیان کند. دو سال پیش ، هوش مصنوعی گوگل چندان مطمئن نبود. مدتی است که زیر مجموعه ای از تحقیقات علوم رایانه به درک بهتر چگونگی برخورد مدل های یادگیری ماشین با این حملات "دشمن" ، که ورودی هایی هستند که عمدا برای ترفند یا فریب الگوریتم های یادگیری ماشین اختصاص داده شده اند اختصاص داده شده است.

در حالی که بیشتر این کار بر روی گفتار و تصاویر متمرکز شده است ، اخیراً تیمی از آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT مرزهای متن را آزمایش کردند . آنها با "TextFooler" ، چارچوبی کلی را ارائه دادند که می تواند با موفقیت به سیستم های پردازش زبان طبیعی (NLP) حمله کند - انواع سیستم هایی که به ما اجازه می دهند تا با دستیاران صوتی و Siri و الکسا در تعامل باشیم - و آنها را در پیش بینی اشتباه پیش بینی کنیم.

می توان تصور کرد که از TextFooler برای بسیاری از برنامه های مرتبط با ایمنی اینترنت استفاده کنید ، مانند فیلتر کردن اسپم ایمیل ، پرچم گذاری متن سخن گفتن متنفر ، یا تشخیص متن گفتار سیاسی "حساس" که همگی مبتنی بر مدل های طبقه بندی متن هستند.

دی جین ، دکتری MIT می گوید: "اگر این ابزارها در برابر حمله دشمنان هدفمند آسیب پذیر باشند ، ممکن است عواقب آن فاجعه بار باشد." دانش آموز و نویسنده اصلی در مقاله جدید در مورد TextFooler. "این ابزارها برای محافظت از خود باید رویکردهای دفاعی موثری داشته باشند و برای ایجاد چنین سیستم دفاعی ایمن ، ابتدا باید روشهای متضاد را بررسی کنیم."

TextFooler در دو بخش کار می کند: تغییر یک متن معین ، و سپس با استفاده از آن متن برای تست دو کار مختلف زبان برای دیدن اینکه آیا این سیستم می تواند با موفقیت مدل های یادگیری ماشین را فریب دهد یا خیر.

سیستم ابتدا مهمترین کلماتی را که بر پیش بینی مدل هدف تأثیر می گذارد ، شناسایی می کند و سپس مترادف های متناسب را با هم انتخاب می کند. این همه در حالی است که دستور زبان و معنای اصلی را حفظ می کنیم تا به اندازه کافی "انسانی" به نظر برسد ، و تا زمانی که پیش بینی تغییر نکند.

سپس ، چهارچوب برای دو کار متفاوت - طبقه بندی متن ، و دعوت نامه (که ارتباط بین قطعات متن در یک جمله است) است ، با هدف تغییر طبقه بندی یا بی اعتبار کردن داوری مربوط به مدلهای اصلی.

در یک مثال ، ورودی و خروجی TextFooler عبارت بودند از:

"شخصیت های بازیگر در موقعیت های غیرقابل تصور ، کاملاً از واقعیت خارج می شوند."

"شخصیت ها ، که در شرایط غیرممکن مهندسی شده اند ، کاملاً از واقعیت خارج می شوند."

در این حالت ، هنگام آزمایش بر روی یک مدل NLP ، ورودی ورودی نمونه را به درستی دریافت می کنید ، اما سپس ورودی اصلاح شده را اشتباه می گیرید.

در کل ، TextFooler با موفقیت به سه مدل هدف حمله کرد ، از جمله "BERT" ، مدل محبوب NLP با منبع باز. این مدل های هدف را با دقت بیش از 90 درصد به زیر 20 درصد فریب داد ، با تغییر تنها 10 درصد کلمات در متن معین. تیم موفقیت ارزیابی در سه معیار: تغییر مدل را پیش بینی برای طبقه بندی و یا استلزام، اگر به آن نگاه کرد در این معنی در مقایسه با به عنوان مثال اصلی به یک انسان خواننده مشابه، و در نهایت در صورتی که متن نگاه طبیعی به اندازه کافی.

محققان خاطرنشان كردند: اگرچه حمله به مدلهای موجود هدف نهایی نیست ، آنها امیدوارند كه این كار به مدلهای انتزاعی تر جهت تعمیم داده های جدید و غیب یاری كند.

جین می گوید: "این سیستم برای حمله به هر مدل NLP مبتنی بر طبقه بندی می تواند مورد استفاده قرار گیرد یا از آن استفاده کند." "از طرف دیگر ، از طرفداران ایجاد شده می توان برای تقویت استحکام و تعمیم الگوهای یادگیری عمیق از طریق آموزش مخالف استفاده کرد که یک جهت مهم در این کار است."

 http://prbookmarkingwebsites.com/story4993207/پمپ-وکیوم-آبی

دوره های آماری مقدماتی به ما می آموزند که ، هنگام قرار دادن یک مدل در برخی داده ها ، باید داده های بیشتری نسبت به پارامترهای رایگان داشته باشیم تا از خطر بیش از حد اتصالات - مناسب بودن اطلاعات پر سر و صدا بیش از حد ، جلوگیری کنیم و در نتیجه نتوانیم اطلاعات جدید را وارد کنیم. بنابراین تعجب آور است که در یادگیری عمیق مدرن این است که سفارشات بزرگی بیشتر از داده ها داشته باشند. با وجود این ، شبکه های عمیق عملکرد پیش بینی خوبی را نشان می دهند و در حقیقت پارامترهای بیشتری را که دارند بهتر می کنند. چرا چنین می شود؟

مدتی شناخته شده است که عملکرد خوب در یادگیری ماشین از کنترل پیچیدگی شبکه ها ناشی می شود ، که این فقط یک عملکرد ساده از تعداد پارامترهای رایگان نیست. پیچیدگی یک طبقه بندی کننده ، مانند شبکه عصبی ، به اندازه گیری "اندازه" فضای توابع این شبکه بستگی دارد.با اقدامات فنی متعدد که قبلاً پیشنهاد شده است ، نمایان می شود: بعد Vapnik-Chervonenkis ، شماره ها یا پیچیدگی Rademacher ، نام چند مورد پیچیدگی ، همانطور که با این مفاهیم اندازه گیری می شود ، با تحمیل محدودیت بر هنجار پارامترها ، می تواند در طی فرآیند یادگیری کنترل شود - به طور خلاصه ، چگونگی دستیابی به آنها "بزرگ". واقعیت تعجب آور این است که به نظر نمی رسد چنین محدودیت صریح در آموزش شبکه های عمیق لازم باشد. آیا یادگیری عمیق خارج از تئوری کلاسیک یادگیری است؟ آیا ما نیاز به تجدید نظر در مبانی داریم؟

در مقاله جدید ارتباطات طبیعت با عنوان "کنترل پیچیدگی توسط گرادیان نزول در شبکه های عمیق" ، تیمی از مرکز مغز ، ذهن و ماشین آلات به سرپرستی مدیر توماسو پگیجیو ، استاد یوجین مک درموت در بخش MIT گروه مغز و علوم شناختی ، با پرداختن به عملی ترین و موفق ترین کاربردهای یادگیری عمیق مدرن: مشکلات طبقه بندی: این معما را روشن کرده است.

"برای مشکلات طبقه بندی ، ما مشاهده می کنیم که در حقیقت به نظر نمی رسد که پارامترهای مدل همگرا شوند ، بلکه در اندازه نزول شیب به طور نامحدود رشد می کنند. با این حال ، در مشکلات طبقه بندی فقط پارامترهای عادی شده اهمیت دارند یعنی جهت آنها را تعریف می کنند. اندازه آنها ، "می گوید نویسنده و دکتری MIT. نامزد Qianli لیائو. "نکته نه چندان واضحی که نشان دادیم این است که نزول شیب معمولی که در پارامترهای غیر عادی استفاده می شود ، کنترل پیچیدگی مورد نظر را بر روی نرمال ها القا می کند."

پگیجیو می گوید: "ما مدتی است که در مورد رگرسیون برای شبکه های خطی کم عمق ، مانند دستگاه های هسته ای ، می دانیم که تکرارهای نزولی شیب اثر منظمی ضمنی و ناپدید کننده را فراهم می کند." "در واقع ، در این مورد ساده احتمالاً می دانیم که بهترین رفتار حداکثر حاشیه ای را با حداکثر هنجار انجام می دهیم. سوالی که از خودمان پرسیدیم این بود: آیا می توان چیزی مشابه برای شبکه های عمیق روی داد؟"

محققان دریافتند که این کار را انجام می دهد. همانطور که Andrzej Banburski و نویسنده و پست نویسنده MIT توضیح می دهد ، "درک همگرایی در شبکه های عمیق نشان می دهد که مسیرهای روشنی برای بهبود الگوریتم های ما وجود دارد. در حقیقت ، ما قبلاً نکاتی را شاهد بوده ایم که کنترل میزان سرعتی که این پارامترهای غیر عادی واگرایی می شوند ، به ما امکان می دهد. راه حل های بهتر را انجام داده و آنها را سریعتر پیدا کنید. "

این برای یادگیری ماشین به چه معنی است ؟ هیچ جادویی در پشت شبکه های عمیق وجود ندارد. همان تئوری در پشت همه مدلهای خطی نیز در اینجا بازی می شود. این کار روش هایی برای بهبود شبکه های عمیق ، ساخت دقیق تر و سریع تر آموزش آنها را نشان می دهد.

 http://bookmark-template.com/story6881390/پمپ-وکیوم-آبی

یک تکنیک مبتنی بر اصول MRI به محققان این امکان را داده است که نه تنها باتری های نسل بعدی را برای ذخیره سازی انرژی در مقیاس بزرگ کار کنند ، بلکه چگونه از کار می افتند ، که به توسعه راهکارهایی برای افزایش طول عمر باتری در پشتیبانی از کمک می کند. انتقال به آینده ای با کربن صفر.

این ابزار جدید که توسط محققان دانشگاه کمبریج تهیه شده است ، به دانشمندان کمک می کند تا سیستم های باتری کارآمدتر و ایمن تری را برای ذخیره انرژی در مقیاس شبکه طراحی کنند. علاوه بر این ، این روش ممکن است برای انواع دیگر باتری ها و سلول های الکتروشیمیایی نیز به کار گرفته شود تا مکانیسم های واکنش پیچیده ای که در این سیستم ها وجود دارد ، حل شود و خطاها را تشخیص و تشخیص دهد.

محققان تکنیک های خود را روی باتری های جریان ردوکسل آلی آزمایش کردند و قول می دهند نامزدها بتوانند انرژی تجدیدپذیر کافی را در شهرهای قدرت و شهرها ذخیره کنند ، اما برای برنامه های تجاری بسیار سریع تخریب می شوند. محققان دریافتند که با شارژ باتری ها در ولتاژ پایین تر ، آنها می توانند سرعت تخریب را به میزان قابل توجهی کاهش دهند و طول عمر باتری ها را افزایش دهند. نتایج در ژورنال Nature گزارش شده است .

باتری ها بخش مهمی از انتقال به دور از منابع انرژی مبتنی بر سوخت فسیلی هستند. بدون باتری هایی که قادر به ذخیره سازی در مقیاس شبکه هستند ، صرفه جویی در اقتصاد با استفاده از انرژی تجدید پذیر صرفاً غیرممکن خواهد بود. و باتری های لیتیوم یون ، در حالی که برای لوازم الکترونیکی مصرفی مناسب هستند ، به راحتی نمی توانند اندازه کافی را برای ذخیره انرژی کافی برای تأمین انرژی در کل یک شهر ، به عنوان مثال انجام دهند. مواد قابل اشتعال در باتری های یون لیتیوم نیز خطرات احتمالی ایمنی را ایجاد می کنند. هرچه باتری بزرگتر باشد ، در صورت بروز آتش سوزی احتمال آسیب بیشتر می تواند.

باتری های جریان ردوکس یکی از راه حل های ممکن برای این معمای تکنولوژیکی است. آنها از دو مخزن مایع الکترولیت ، یکی مثبت و دیگری منفی تشکیل شده اند و فقط با افزایش اندازه مخازن قابل اندازه گیری می باشند و آنها را برای ذخیره انرژی تجدیدپذیر بسیار مناسب می کنند. این باتری های با اندازه کوچک و حتی حتی ساختمان ، غیر قابل اشتعال ممکن است نقش اساسی در شبکه های انرژی سبز آینده داشته باشند .

در حال حاضر چندین شرکت در حال تولید باتری های جریان ردوکس برای برنامه های تجاری هستند که بیشتر آنها از وانادیوم به عنوان الکترولیت استفاده می کنند. با این حال ، وانادیوم گران و سمی است ، بنابراین محققان باتری در تلاشند تا باتری جریان ردوكس را براساس مواد آلی ارزان تر و با دوام تر تولید كنند. با این حال ، این مولکول ها به سرعت در حال تخریب هستند.

دکتر اوان ونبو ژائو از دپارتمان شیمی کمبریج و مقاله می گوید: "از آنجا که مولکول های آلی به سرعت در حال از بین رفتن هستند ، به این معنی است که اکثر باتری هایی که از آنها به عنوان الکترولیت استفاده می کنند ، دوام چندانی ندارند و آنها را برای برنامه های تجاری نامناسب می کنند ." نویسنده اول "در حالی که ما این را مدتی است که می دانیم ، آنچه که همیشه نفهمیده ایم این است که چرا این اتفاق می افتد."

اکنون ، ژائو و همکارانش در گروه تحقیقاتی پروفسور کلر گری در کمبریج به همراه همکاران انگلستان ، سوئد و اسپانیا دو تکنیک جدید را برای همکار کردن باتریهای جریان ردوکسل آلی ایجاد کرده اند تا درک کنند که چرا الکترولیت تجزیه می شود و آنها را بهبود می بخشد. کارایی.

محققان با استفاده از مطالعات رزونانس مغناطیسی هسته ای (NMR) در زمان واقعی ، نوعی عملکرد MRI برای باتری ها و روش هایی که توسط گروه پروفسور گری تولید شده است ، محققان قادر به خواندن سیگنال های رزونانس از مولکولهای آلی ، چه در حالت اصلی خود بودند و آنها به مولکولهای دیگر تجزیه می شوند. این مطالعات NMR "operando" از تخریب و تخلیه خود در باتریهای جریان ردوکس بینشی در مورد سازوکارهای اساسی داخلی واکنش ها ، مانند تشکیل رادیکال و انتقال الکترون بین گونه های مختلف ردوکس فعال در محلول ها ارائه می دهد.

گری گفت: "مطالعات مکانیکی درجا در مورد باتری های جریان ردوکسل آلی ، سیستم هایی که در حال حاضر با مشکلات تخریب محدود هستند ، وجود دارد." "ما باید هم عملکرد این سیستم ها را درک کنیم و هم اینکه در صورت پیشرفت در این زمینه می خواهیم چگونه آنها را شکست دهیم."

 http://bookmark-dofollow.com/story6882805/پمپ-وکیوم-آبی

دانشمندان رایانه دانشگاه رایس با نشان دادن امکان سرعت بخشیدن به فناوری یادگیری عمیق و بدون سخت افزار تخصصی شتاب مانند واحدهای پردازش گرافیک (GPU) ، مانع اصلی در صنعت هوش مصنوعی در حال رشد را بر طرف کرده اند.

دانشمندان رایانه رایس با حمایت همكاران اینتل ، نتایج خود را امروز در مركز كنوانسیون آستین به عنوان بخشی از كنفرانس سیستمهای یادگیری ماشین MLSys ارائه می دهند.

بسیاری از شرکت ها برای اجرای یادگیری عمیق سرمایه گذاری های زیادی را در GPU و سایر سخت افزارهای تخصصی انجام می دهند ، یک شکل قدرتمند از هوش مصنوعی که در پشت دستیاران دیجیتالی مانند الکسا و سیری ، تشخیص چهره ، سیستم های توصیه محصول و فناوری های دیگر است. به عنوان مثال ، انویدیا ، سازنده GPU های Tessla V100 با استاندارد طلای این صنعت ، اخیراً از افزایش 41 درصدی درآمدهای سه ماهه چهارم خود در مقایسه با سال گذشته خبر داده است.

محققان رایس جایگزین صرفه جویی در هزینه را برای GPU ایجاد کردند ، الگوریتمی به نام "موتور یادگیری عمیق زیر خطی" (SLIDE) که از واحدهای پردازشی مرکزی با هدف کلی (CPU) بدون سخت افزار تخصصی شتاب استفاده می کند.

Anshumali Shivivastava ، استادیار دانشکده مهندسی براون رایس گفت: "آزمایشات ما نشان می دهد که SLIDE اولین الگوریتم هوشمندانه یادگیری عمیق بر روی CPU است که می تواند از شتاب سخت افزار GPU در مجموعه داده های توصیه ای در مقیاس صنعت با معماری های کاملاً متصل استفاده کند." SLIDE را با دانشجویان فارغ التحصیل بیدی چن و تارون مدینی اختراع کرد.

SLIDE به GPU احتیاج ندارد زیرا در یادگیری عمیق یک رویکرد متفاوت متفاوت ایجاد می کند. روش آموزش استاندارد "انتشار مجدد" برای شبکه های عصبی عمیق ، نیاز به ضرب ماتریس ، یک بار کاری ایده آل برای GPU ها دارد. با SLIDE ، Shivivastava ، چن و Medini آموزش شبکه عصبی را به یک مشکل جستجو تبدیل کردند که در عوض با جداول هش قابل حل است.

این به طور اساسی سربار محاسباتی را برای SLIDE در مقایسه با آموزش انتشار مجدد کاهش می دهد. به عنوان مثال ، Shrivastava گفت كه يك پلتفرم برتر GPU برتر مانند برنامه هاي آمازون ، گوگل و ساير آنها براي خدمات يادگيري عميق مبتني بر ابر ، داراي هشت تسلا V100 و هزينه حدود 100000 دلار است.

ما یکی از آنها را در آزمایشگاه داریم و در مورد تست ما بار کاری را برای V100 کامل گرفتیم ، یکی با بیش از 100 میلیون پارامتر در شبکه های بزرگ و کاملاً متصل که در حافظه GPU جای می گیرد. " بهترین بسته (نرم افزاری) در آنجا ، TensorFlow در گوگل ، و آموزش 3 1/2 ساعت طول کشید.

Shrivastava گفت: "ما پس از آن نشان دادیم كه الگوریتم جدید ما می تواند آموزش را در یك ساعت انجام دهد ، نه در پردازنده های GPU ، بلكه بر روی یك CPU از نوع 44 هسته ای Xeon."

شبکه های یادگیری عمیق از زیست شناسی الهام گرفته شده اند و ویژگی اصلی آنها ، نورون های مصنوعی ، قطعات کوچک کد رایانه ای هستند که می توانند یاد بگیرند که یک کار خاص را انجام دهند. یک شبکه یادگیری عمیق می تواند شامل میلیون ها یا حتی میلیارد ها نورون مصنوعی باشد و با همکاری آنها می توانند یاد بگیرند که تصمیمات متخصص در سطح انسانی را صرفاً با مطالعه مقادیر زیادی از داده ها بگیرند. به عنوان مثال ، اگر یک شبکه عصبی عمیق برای شناسایی اشیاء در عکس ها آموزش داده شود ، برای شناسایی یک اتوبوس مدرسه از سلول های عصبی مختلفی استفاده می کند تا بتواند عکس یک گربه را تشخیص دهد.

مدینی گفت: "لازم نیست همه نورون ها را در هر مورد آموزش دهید." "ما فکر کردیم ،" اگر فقط می خواهیم نورون های مرتبط را انتخاب کنیم ، این یک مشکل جستجو است. " بنابراین ، از نظر الگوریتمی ، ایده این بود که از هش حساس به محل استفاده شود تا از ضرب ماتریس دور شود. "

هاشینگ یک روش نمایه سازی داده است که برای جستجوی اینترنت در دهه 1990 اختراع شده است. از روشهای عددی برای رمزگذاری مقادیر زیادی از اطلاعات ، مانند کل صفحات وب یا فصل های کتاب ، به عنوان یک رشته ارقام به نام هش استفاده می کند. جداول هش لیستی از هش ها است که می توانید خیلی سریع جستجو کنید.

چن گفت: "این منطقی نبود که الگوریتم خود را روی TensorFlow یا PyTorch پیاده سازی کنیم زیرا اولین کاری که آنها می خواهند انجام دهند تبدیل هر کاری که شما می کنید به یک مشکل ضرب ماتریس تبدیل می شوند." "این دقیقاً همان چیزی است که ما می خواهیم از آن دور شویم. بنابراین کد C ++ خودمان را از ابتدا نوشتیم."

شريواستوا گفت بزرگترين مزيت SLIDE نسبت به انتشار مجدد اين است كه موازي داده ها است.

"به موازات داده ها منظور من این است که اگر دو نمونه داده ای داشته باشم که می خواهم در آن آموزش ببینم ، بیایید بگوییم یکی تصویر یک گربه است و دیگری اتوبوس ، آنها به احتمال زیاد نورون های مختلفی را فعال می کنند ، و SLIDE می تواند بروزرسانی کند ، یا آموزش دهد. در مورد این دو نفر به طور مستقل ". "این بسیار بهتر از موازی سازی برای CPU است.

 http://mediajx.com/story7934589/پمپ-وکیوم-آبی

از تلفن های همراه ، گرفته تا انرژی خورشیدی ، تا اتومبیل های برقی ، بشریت به طور فزاینده ای به باتری ها وابسته است. با افزایش تقاضا برای ذخیره انرژی ایمن ، کارآمد و قدرتمند ، همچنان خواستار گزینه های امیدوار کننده برای باتری های لیتیوم یون قابل شارژ ، که فن آوری غالب در این فضا است ، می شود.

در تحقیقات منتشرشده در مجموعه مقالات آکادمی ملی علوم ، محققان موسسه پلی تکنیک Rensselaer نشان می دهند که چگونه می توانند بر روی چالش مداوم موسوم به دندریتها غلبه کنند تا باتری فلزی ایجاد کنند که تقریباً به خوبی باتری لیتیوم یونی را انجام دهد ، اما به پتاسیم متکی است - یک عنصر بسیار فراوان تر و ارزان تر

باتری ها حاوی دو الکترود هستند - یک کاتد در یک انتها و یک آند از سوی دیگر. اگر می خواهید داخل یک باتری لیتیوم یونی نگاه کنید ، معمولاً یک کاتدی از اکسید لیتیم کبالت و یک آند ساخته شده از گرافیت پیدا می کنید. در حین شارژ و تخلیه ، یون های لیتیوم بین این دو الکترود به جلو و عقب جریان می یابند.

در این مجموعه ، اگر محققان به جای جایگزین اکسید لیتیم کبالت با اکسید کبالت پتاسیم ، عملکرد کاهش می یابد. پتاسیم یک عنصر بزرگتر و سنگین تر است و بنابراین انرژی کمتری متراکم می کند. در عوض ، تیم Rensselaer با جایگزین کردن آند گرافیتی با فلز پتاسیم ، به دنبال افزایش عملکرد پتاسیم بود.

"از نظر عملکرد، این می تواند یک سنتی رقابت باتری یون لیتیوم ، گفت:" نخیل Koratkar، استاد عطا مکانیکی، هوا فضا و مهندسی هسته ای در رنسلر و نویسنده ارشد این مقاله است.

در حالی که باتری های فلزی قول بزرگی را نشان داده اند ، آنها همچنین به طور سنتی با تجمع رسوبات فلزی به نام دندریت ها روی آند گرفتار شده اند. دندریت ها به دلیل رسوب غیر یکنواخت فلز پتاسیم تشکیل می شوند زیرا باتری چرخه های مکرر شارژ و تخلیه را پشت سر می گذارد. کراتکار توضیح داد که با گذشت زمان ، ترکیب های فلز پتاسیم طولانی و تقریباً شبیه شاخه می شوند.

اگر خیلی طولانی شوند ، در نهایت جداکننده غشای عایق به معنای جلوگیری از تماس الکترودها با یکدیگر و کوتاه کردن باتری ، سوراخ می شوند. گرما هنگامی ایجاد می شود که باتری کوتاه شود و این پتانسیل را داشته باشد که الکترولیت ارگانیک را درون دستگاه روشن کند.

در این مقاله ، کراتکار و تیم وی - که شامل Prateek Hundekar ، دانشجوی دکترا در Rensselaer ، و محققان دانشگاه مریلند ، از جمله Chunsheng Wang ، استاد مهندسی شیمی و بیومولکولار هستند - توضیح می دهند که چگونه راه حل آنها برای حل این مشکل راه را هموار می کند. برای استفاده عملی مصرف کننده با کارکردن باتری با شارژ و دشارژ نسبتاً زیاد ، آنها می توانند دمای داخل باتری را به شکلی کنترل شده بالا برده و دندریت ها را برای خود درمانی از آند ترغیب کنند.

کراتکار روند بهبودی خود را با آنچه که پس از پایان طوفان اتفاق می افتد مقایسه می کند. باد و خورشید به حرکت تکه های برف تپه برف کمک می کند ، اندازه آن را کوچک می کند و در نهایت آن را صاف می کند.

به طور مشابه ، در حالی که افزایش دما در باتری فلز پتاسیم را ذوب نمی کند ، به فعال سازی انتشار سطح کمک می کند تا اتم های پتاسیم به طور جانبی از "شمع" ای که ایجاد کرده اند حرکت کنند و به طور موثری دندریت را خارج می کنند.

کراتکار گفت: "با این رویکرد ، ایده این است که در شب یا هر زمان که از باتری استفاده نمی کنید ، باید سیستم مدیریت باتری را داشته باشید که این گرمای محلی را اعمال می کند و این باعث می شود دندریت ها خود را بهبود ببخشند."

Koratkar و تیم وی قبلاً روش مشابهی از خود درمانی با باتری های فلز لیتیوم را نشان داده بودند ، اما آنها دریافتند که باتری فلز پتاسیم برای تکمیل فرایند خود درمانی به حرارت بسیار کمتری احتیاج دارد. کراتکار گفت ، این یافته امیدوارکننده ، به این معنی است که یک باتری فلز پتاسیم می تواند کارآمدتر ، ایمن تر و کاربردی تر باشد.

پدیده های طبیعی و مکانیسم های بیولوژیکی می توانند منبع بزرگی برای الهام بخش دانشمندان باشند که رویکردهای ریاضی ، سیستم های رایانه ای و روبات ها را توسعه می دهند. طی چند دهه گذشته ، تحقیقات بارها و بارها با معرفی بسیاری از تکنیک ها و سیستم های محاسباتی جذاب بیولوژیکی ، ارزش تکرار رفتارهای مشاهده شده در طبیعت را اثبات کرده اند.

رفتاری که به عنوان ابزاری برای حل مشکلات پیچیده ریاضی توجه ویژه ای را به خود جلب کرده است ، از رفتارهای Pharum polycephalum ، یک قالب لجن تک سلولی است که غالباً به عنوان یک الگوی در مطالعات پدیده های بیولوژیکی مورد استفاده قرار گرفته است. در گذشته ، تکرار رفتار این ارگانیسم تک سلولی خاص برای حل مشکلات مختلف مرتبط با گراف و ترکیبی مفید بوده است.

با الهام از یافته های قبلی ، محققان دانشگاه دموکریتوس تراکیه و دانشگاه غرب انگلستان مدلی را برای طراحی دروازه های منطقی تهیه کرده اند که تا حدی از رفتار P. polycephalum الهام گرفته است. مقاله آنها ، که ابتدا در arXiv ارسال شده است ، به زودی در مجله بین المللی محاسبات غیر متعارف منتشر می شود .

"کار ما در طراحی یک اتوماسیون سلولی کمتر پیچیده (CA) طراحی شده است تا توانایی های محاسباتی P. polycephalum را شبیه سازی کند ،" Karolos-Alexandros Tsakalos ، دکتری. دانشجویی که مطالعه را انجام داده ، به TechXplore گفت. "هدف نهایی طراحی الگوریتم های الهام بخش زیستی کارآمدتر برای حل مشکلات محاسباتی سخت بود."

این تحقیق که توسط Tsakalos و همکارانش انجام شده است ، بر روی کارهای قبلی تیم تحقیق شده است که ابزارهای محاسباتی و تکنیکهای یادگیری ماشین را القاء می کند . تکنیک جدید محققان برای طراحی دروازه های منطقی ، مضامین اصول اتوماسیون سلولی (CA) است ، طبقه ای از مدل های گسسته که اغلب برای حل علوم کامپیوتر ، ریاضیات و مشکلات فیزیک استفاده می شود. ویژگی های CA با تکنیک های یادگیری ماشین ترکیب شده است ، که منجر به یک مدل محاسباتی قوی می شود که منعکس کننده رفتار P. polycephalum است.

} 1 ، 1} → {1 ، 1} تغییر مدل پیشنهادی در دروازه P1. اعتبار: فلوروس و همکاران.
نیکولا دووراس ، دکترای دیگر ، گفت: "مدل ما از یادگیری تقویتی در هر منطقه محلی استفاده می کند که در آن قوانین به کار می روند تا یاد بگیرند که مسیر مناسب به مقصد نهایی چیست." دانش آموز درگیر در مطالعه ، به TechXplore گفت. "مزیت اصلی نسبت به موارد قبلی توسعه یافته ، سادگی ، توانایی آن در یادگیری و ارائه نتایج تصادفی متفاوت است ، همانطور که در آزمایش های واقعی بیولوژیکی کشف شد."

از روش ساده ای که توسط Tsakalos ، Dourvas و همکارانشان معرفی شده است می توان برای مدل سازی رفتار انواع موجودات زنده استفاده کرد. محققان در مطالعه خود از P. polycephalum استفاده کرده و عملکرد آن را در طراحی دروازه های منطقی در یک محیط شبیه سازی شده آزمایش کردند ، جایی که این مدل می بایست حداقل مسیرها را در مارپیچ های حاوی منابع غذایی شناسایی کند.

دکتر Michail-Antisthenis I. Tsompanas ، محقق دانشگاه غرب انگلستان ، گفت: "معنی دارترین دستاورد این مطالعه ، شبیه سازی موفقیت آمیز در رفتار و در نتیجه توانایی های محاسباتی Physarum polycephalum ، با استفاده از یک مدل رایانه ای است." به TechXplore گفت که درگیر این مطالعه است. "این مدل از موازی بودن ذاتی اتومات های سلولی الهام گرفته شده است ، اما توانایی آنها در ارائه شبیه سازی های کافی از پدیده های جسمی پیچیده بیشتر توسط تصادفی بودن یادگیری خودکار و تواناییهای یادگیری مربوطه غنی می شود."

روش محاسباتی زیست شناختی الهام گرفته شده توسط Tsakalos ، Dourvas ، Tsompanas و همکارانشان پیدا شد که عملکرد بسیار خوبی داشته و به طور موثری از دروازه های منطق در سناریوهای شبیه سازی شده متعدد استفاده می کند. در آینده ، مدل آنها می تواند برای انواع مشکلات بسیار پیچیده ریاضی و محاسباتی اعمال شود. همچنین می تواند برای تکرار رفتار سایر موجودات زنده و پدیده های بیولوژیکی سازگار باشد.

پروفسور جورجیوس Ch. "ما پیش بینی می کنیم که الگوی الهام یافته زیستی پیشنهادی می تواند به عنوان ابزاری کارآمد در مطالعات بعدی عمل کند تا بتواند رفتار سایر موجودات زنده حتی پیچیده تر را حل کند و مشکلات گرافیکی مشابه را حل کند." سیراکولیس ، محقق دانشگاه دموکریتوس تریاک که این تحقیق را انجام داد ، به TechXplore گفت.