اخبار:
برای یک سیستم هوش مصنوعی که می تواند بوها را بفهمد آماده شوید
دانشمندان برای شناسایی ترکیبات خاص مسئول بوهای ناخوشایند تلاش کرده‌اند و ثابت شده است که پیوند ترکیبات با رایحه‌های مرتبط با آنها یک کار چالش برانگیز است. با این حال، یک تیم در ایالات متحده این چالش را با ایجاد یک "نقشه بوی اصلی" با استفاده از تکنیک های یادگیری ماشینی برای رمزگشایی نحوه درک مغز ما از بوها انجام داده اند. این پیشرفت نه تنها درک ما از حس بویایی را بهبود می بخشد، بلکه این پتانسیل را دارد که نحوه شناسایی و طبقه بندی عطرهای مختلف را متحول کند.
در حالی که ما درک روشنی از چگونگی ارتباط خواص فیزیکی با درک رنگ در بینایی داریم و اینکه چگونه ارتعاشات با درک زیر و بمی در شنوایی مطابقت دارند، ارتباط بین ساختارهای شیمیایی و نحوه درک ما از بوها همچنان یک راز باقی مانده است. این تیم به رهبری برایان کی لی، یک مدل مبتنی بر شبکه عصبی به نام "نقشه بو اصلی" (PoM) را با آموزش آن بر روی مجموعه داده ای حاوی 5000 ماده خوشبو کننده شناخته شده، که هر کدام با بوهای مرتبط با خود برچسب گذاری شده اند، توسعه دادند. این رویکرد دانش ما را در مورد نحوه عملکرد حس بویایی گسترش داد.
برای تأیید مدل خود، آنها چالشی را انجام دادند و نشان دادند که پیش‌بینی‌های انجام شده توسط PoM با ارزیابی‌های انسانی از مواد خوشبوکننده جدید مطابقت دارد. PoM با موفقیت روابط پیچیده بین بوها را حفظ کرد، از نقشه های مبتنی بر ساختار سنتی پیشی گرفت و زمینه علم بویایی را پیش برد.
این تیم در طول تحقیقات خود به کشف جالبی در رابطه با ناخالصی های موجود در واکنش های شیمیایی دست یافتند که می تواند به درک بو کمک کند. آنها دریافتند که تقریباً 31.5 درصد از مجموعه محرک ها حاوی ناخالصی هستند. شبکه‌های عصبی در توصیف بوی مولکول‌های مختلف برای 53 درصد مولکول‌های آزمایش‌شده برتری داشتند و عملکرد بهتری از آزمایش‌کنندگان انسانی داشتند که عملکردشان بر اساس آشنایی با برچسب‌های بو متفاوت بود.
صنعت:
تحول دیجیتال با هوش مصنوعی مولد: هموار کردن مسیر رهبری بازار
در عصر دیجیتال، پذیرش تحول دیجیتال برای خرده فروشان و برندها برای رقابتی ماندن بسیار مهم است. کسانی که فناوری دیجیتال را پذیرفته‌اند، در استراتژی‌های همه‌کاناله پیشرفت کرده‌اند و به رهبران چشم‌انداز مصرف‌کننده دیجیتال تبدیل شده‌اند. برعکس، کسانی که تردید کردند، عقب افتاده اند. هوش مصنوعی مولد فرصت امیدوارکننده ای را برای همه کسب و کارها فراهم می کند تا تحول دیجیتال، عملکرد مالی و نفوذ برند را تقویت کنند.
هوش مصنوعی مولد این پتانسیل را دارد که نه تنها شهرت برند و موفقیت خرده‌فروشان را افزایش دهد، بلکه کمک قابل توجهی به اقتصاد نیز می‌کند. این اجماع توسط کارشناسان، اقتصاددانان، مشاغل و دانشمندانی که تأثیرات مثبتی را بر بخش‌های مختلف از استقبال از هوش مصنوعی مولد پیش‌بینی می‌کنند، پشتیبانی می‌شود.
با این حال، با ظهور این فناوری متحول کننده در طول مشکلات اقتصادی، از جمله افزایش هزینه ها، کاهش هزینه های مصرف کننده و نرخ بهره بالا، یک چالش به وجود می آید. شرکت‌ها مجبور هستند کاهش هزینه‌ها، توقف استخدام و به تاخیر انداختن سرمایه‌گذاری‌های سرمایه‌ای را در اولویت قرار دهند و در این دوران پرتلاطم تصمیم به سرمایه‌گذاری در هوش مصنوعی مولد بگیرند.
مقاله:
ResFields: Residual Neural Fields for Spatiotemporal Signals
میدان‌های عصبی، که نوعی از شبکه‌های عصبی هستند که برای نمایش سیگنال‌های فرکانس بالا استفاده می‌شوند، اخیراً توجه زیادی را به خود جلب کرده‌اند. این در درجه اول به دلیل عملکرد عالی آنها در مدل‌سازی داده‌های پیچیده سه‌بعدی، به‌ویژه فاصله علامت‌دار عصبی بزرگ (SDFs) یا میدان‌های تابشی (NeRFs)، با استفاده از یک پرسپترون چند لایه (MLP) است. با این حال، علیرغم اثربخشی و سادگی استفاده از MLP برای نمایش سیگنال‌ها، این روش‌ها هنگام برخورد با سیگنال‌های زمانی بزرگ و پیچیده با چالش‌هایی مواجه می‌شوند. این به این دلیل است که MLP ها ظرفیت محدودی دارند.
در این مقاله راه حلی موثر برای غلبه بر این محدودیت معرفی می شود. نویسندگان این را با ادغام لایه‌های باقیمانده زمانی در میدان‌های عصبی، که ResFields می‌نامند، به دست می‌آورند. ResFields یک کلاس جدید از شبکه ها را تشکیل می دهد که به طور خاص برای نشان دادن سیگنال های پیچیده زمانی طراحی شده اند. آنها به طور کامل ویژگی‌های ResFields را تجزیه و تحلیل می‌کنند و یک تکنیک فاکتورسازی ماتریسی را برای کاهش تعداد پارامترهای قابل آموزش و در عین حال افزایش توانایی آنها برای تعمیم معرفی می‌کنند. نکته مهم این است که رویکرد آنها به طور یکپارچه با تکنیک‌های موجود ترکیب می‌شود و به‌طور مداوم نتایج را در کارهای مختلف سخت افزایش می‌دهد. این وظایف شامل تقریب ویدئوی دوبعدی، مدل‌سازی شکل پویا با استفاده از SDFهای زمانی، و بازسازی پویا NeRF است. در نهایت، آنها کاربرد عملی ResFields را با نشان دادن اثربخشی آنها در گرفتن صحنه‌های سه‌بعدی پویا از ورودی‌های حسی پراکنده به‌دست‌آمده از یک سیستم تصویربرداری سبک نشان می‌دهند.
آموزش:
هوش مصنوعی مولد چیست؟
هوش مصنوعی مولد یا شبکه‌های متخاصم مولد (GANs)، شاخه‌ای از هوش مصنوعی است که به تولید محتوای جدید مانند تصاویر، ویدیوها و متن اختصاص دارد. برخلاف هوش مصنوعی سنتی که الگوها را تشخیص می‌دهد یا بر اساس داده‌های موجود پیش‌بینی می‌کند، هدف هوش مصنوعی مولد تولید داده‌های اصلی شبیه به خلاقیت انسان است. این شامل دو جزء اصلی است: مولد، که محتوای جدید ایجاد می کند، و متمایز کننده، که بین محتوای تولید شده و واقعی تمایز قائل می شود. این مولفه ها به طور مداوم به شیوه ای رقابتی بهبود می یابند.
هوش مصنوعی مولد کاربرد قابل توجهی در سنتز تصویر پیدا می کند، جایی که GAN ها تصاویر واقعی از چیزهایی تولید می کنند که در واقعیت وجود ندارند، مانند حیوانات، مناظر یا چهره انسان. این فناوری برای صنایعی مانند سرگرمی، مد و تبلیغات سودمند است و جلوه‌های بصری و طراحی را افزایش می‌دهد.
در پردازش زبان طبیعی، GAN ها متنی را تولید می کنند که شبیه نوشتار انسان است و ارتباط بین انسان و ماشین را در چت بات ها، دستیاران مجازی و ابزارهای ترجمه زبان بهبود می بخشد.
علاوه بر این، هوش مصنوعی مولد می‌تواند با تولید ایده‌ها و مفاهیم خلاقانه به هنرمندان و طراحان کمک کند و مرزهای بیان هنری را پیش ببرد.
به طور خلاصه، هوش مصنوعی مولد از شبکه‌های متخاصم مولد برای ایجاد محتوای جدید و نوآورانه استفاده می‌کند و بر زمینه‌هایی مانند ترکیب تصویر، پردازش زبان طبیعی و صنعت خلاق تأثیر می‌گذارد.
کدینگ:
تابع zip در پایتون
تابع zip در پایتون برای ترکیب دو یا چند تکراشونده (مثلاً لیست‌ها، تاپل‌ها یا دیگر توالی‌ها) از نظر عنصر در یک تکرار واحد استفاده می‌شود. این تابع چندین شیء تکرار شونده را به عنوان ورودی می گیرد و یک تکرار کننده برمی گرداند که تاپل های حاوی عناصر را از تکرارپذیرهای ورودی تولید می کند. هر تاپل حاوی عناصری از تکرارپذیرهای ورودی در همان موقعیت یا شاخص است.
در اینجا نحو اصلی تابع zip آمده است:
zip(iterable1, iterable2, ...)
در ادامه یک مثال ساده از نحوه استفاده از تابع zip آورده شده است:
list1 = ['a', 'b', 'c']
[3, 2, 1] = list2
zipped = zip(list1, list2)
:for item in zipped
print(item)
خروجی کد:
(1, 'a')
(2, 'b')
(3, 'c')
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://princeofai.com
تلگرام:
https://t.me/princeofaii