اخبار:
هوش مصنوعی عملکرد رابط مغز و کامپیوتر را بهبود می بخشد
مطالعه منتشر شده در PNAS Nexus توسط محققان دانشگاه کارنگی ملون، پتانسیل یک رابط غیرتهاجمی مغز و کامپیوتر (BCI) را بررسی میکند که با استفاده از هوش مصنوعی (AI) و یادگیری عمیق (DL) به افراد اجازه میدهد تا مکاننما را با استفاده از افکار خود کنترل کنند. این تحقیق به رهبری دکتر بن هی و تیمش نتایج امیدوارکنندهای را در استفاده از رمزگشاهای مبتنی بر DL برای رمزگشایی آنلاین BCI نشان میدهد که نشان میدهد افراد میتوانند عملکرد قوی در کنترل دستگاههای خارجی با ذهن خود داشته باشند. BCI به کاربران، به ویژه آنهایی که گفتار یا تحرک ناقص دارند، این امکان را می دهد تا با تبدیل سیگنال های مغزی به دستورات برای دستگاه های خارجی مانند اندام های روباتیک یا نشانگر رایانه، با فناوری تعامل کنند. این مطالعه زمینه رو به رشد رابطهای مغز و رایانه را روشن میکند که در سالهای اخیر توجه قابل توجهی را به خود جلب کرده است که بخشی از آن توسط ابتکاراتی مانند Neuralink ایلان ماسک هدایت میشود. در حالی که BCI ها برای دهه ها وجود داشته اند، پیشرفت های هوش مصنوعی و نوروتکنولوژی نویدبخش توسعه و کاربرد مداوم آنها در تنظیمات مختلف پزشکی و کمکی است.
صنعت:
یادگیری عمیق برای تصویربرداری لرزه ای با وضوح بالا
این مطالعه یک چارچوب شبکه عصبی جدید را معرفی میکند که ترکیبی از معماریهای ترنسفورمور و شبکه عصبی کانولوشنال (CNN) را با فیوژن ویژگیهای فضایی تطبیقی (ASFF) ترکیب میکند تا وضوح تصویر لرزهای را بهبود بخشد. با نگاشت مستقیم داده های لرزه ای به مدل های بازتابی، این روش نیاز به نتایج پس از پردازش با وضوح پایین را از بین می برد. آزمایشهای عددی گسترده توانایی مدل را در استنتاج دقیق ساختارهای زیرسطحی نشان میدهند، با معیارهای ارزیابی مانند خطای میانگین مربعات ریشه (RMSE)، ضریب همبستگی (CC)، و شاخص تشابه ساختاری (SSIM) که اثربخشی آن را برجسته میکند. آزمایشهای تزریق نویز بیشتر قابلیت اطمینان و پتانسیل یادگیری عمیق در تصویربرداری لرزهای را تایید میکنند.
مقاله:
KAN: Kolmogorov-Arnold Networks
این مقاله شبکههای کولموگروف-آرنولد (KAN) را به عنوان جایگزینی برای پرسپترونهای چندلایه (MLPs) معرفی میکند که از قضیه نمایش کلموگروف-آرنولد الهام گرفته شده است. برخلاف MLP ها، KAN ها به جای توابع فعال سازی ثابت روی گره ها، دارای توابع فعال سازی قابل یادگیری در لبه ها هستند و هر پارامتر وزنی با یک spline جایگزین می شود. KAN ها در مقایسه با MLP ها دقت و تفسیرپذیری بالاتری را نشان می دهند و با مدل های کوچکتر به دقت قابل مقایسه یا بهتری دست می یابند و قوانین مقیاس گذاری عصبی سریع تری دارند. علاوه بر این، KAN ها قابلیت های تجسم و تعامل بصری را ارائه می دهند و آنها را به همکاران مفیدی برای دانشمندان در کشف قوانین ریاضی و فیزیکی تبدیل می کنند. به طور کلی، KAN ها فرصت های امیدوارکننده ای را برای تقویت مدل های یادگیری عمیق فعلی ارائه می دهند.
آموزش:
پرسپترون چندلایه (MLP) چیست؟
پرسپترون چندلایه (MLP) نوعی شبکه عصبی مصنوعی متشکل از چندین لایه گره یا نورون است که به صورت پیشخور مرتب شده اند. هر نورون در یک لایه به هر نورون در لایه بعدی متصل می شود و یک شبکه کاملاً متصل را تشکیل می دهد.
MLP ها معمولاً از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی تشکیل شده اند.
در یک MLP، هر نورون یک تابع فعالسازی غیرخطی را به مجموع وزنی ورودیهای خود اعمال میکند و به شبکه اجازه میدهد تا روابط غیرخطی پیچیده در دادهها را مدلسازی کند. در طول تمرین، شبکه وزن اتصالات بین نورونها را از طریق فرآیندی به نام انتشار پساز تنظیم میکند و هدف آن به حداقل رساندن تفاوت بین خروجیهای پیشبینیشده و واقعی است.
MLP ها به طور گسترده برای وظایف یادگیری تحت نظارت مانند طبقه بندی و رگرسیون استفاده می شوند. آنها مدل های انعطاف پذیر و قدرتمندی هستند که قادر به تقریب توابع پیچیده هستند و آنها را برای کاربردهای مختلف در یادگیری ماشین و تشخیص الگو مناسب می کند. با این حال، MLP ها ممکن است در هنگام آموزش بر روی مجموعه داده های کوچک یا زمانی که معماری مدل بیش از حد پیچیده است، از تطبیق بیش از حد رنج ببرند که نیاز به تنظیم و تنظیم دقیق دارد.
کدینگ:
کتابخانه "future" در پایتون چیست؟
کتابخانه " future" در پایتون ماژولی است که از اجرای کد Python 2.x روی مفسرهای Python 3.x پشتیبانی می کند. این کتابخانه به توسعه دهندگان اجازه می دهد تا کدهای سازگار با Python 2.x را بنویسند که می تواند بدون تغییر روی Python 3.x نیز اجرا شود.
به طور کلی، کتابخانه " future" با ارائه ابزارها و ابزارهای کمکی برای نوشتن کدی که با هر دو نسخه زبان سازگار است، به تسهیل انتقال از Python 2.x به Python 3.x کمک می کند.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://princeofai.com
تلگرام:
https://t.me/princeofaii