Mašininio mokymosi ir dirbtinio intelekto, kuris dabar yra pagrindinė technologija praktiškai visose pramonės šakose ir įmonėse, srityje atliekami tyrimai per daug, kad kas nors galėtų juos perskaityti. Šioje skiltyje siekiama surinkti kai kuriuos aktualiausius naujausius atradimus ir dokumentus, ypač susijusius su dirbtiniu intelektu, bet tuo neapsiribojant, ir paaiškinti, kodėl jie svarbūs.
Šią savaitę dirbtinio intelekto programos buvo aptiktos keliose netikėtose nišose, nes jos gali rūšiuoti didelius duomenų kiekius arba pagrįstai prognozuoti remiantis ribotais įrodymais.
Mes matėme mašininio mokymosi modelius, naudojančius didelius biotechnologijų ir finansų duomenų rinkinius, tačiau ETH Ciuricho ir LMU Miuncheno mokslininkai taiko panašius metodus. tarptautinių pagalbos vystymuisi projektų sugeneruotų duomenų pavyzdžiui, pagalba nelaimės atveju ir būstas. Komanda parengė savo modelį milijonams projektų (kurių finansavimas siekia 2,8 trilijonus USD) per pastaruosius 20 metų – tai didžiulis duomenų rinkinys, kuris yra per sudėtingas, kad jį būtų galima detaliai išanalizuoti rankiniu būdu.
„Galite galvoti apie šį procesą kaip apie bandymą perskaityti visą biblioteką ir surūšiuoti panašias knygas į lentynas pagal temą. Mūsų algoritmas atsižvelgia į 200 skirtingų dimensijų, kad nustatytų, kiek šie 3,2 milijono projektų yra panašūs vienas į kitą – tai neįmanomas darbo krūvis žmogui“, – sakė tyrimo autorė Malte Toetzke.
Labai aukščiausio lygio tendencijos rodo, kad išlaidos įtraukčiai ir įvairovei išaugo, o išlaidos klimato kaitai, stebėtinai, per pastaruosius kelerius metus sumažėjo. Čia galite išnagrinėti duomenų rinkinį ir jų analizuojamas tendencijas.
Kita sritis, apie kurią mažai kas galvoja, yra daugybė mašinų dalių ir komponentų, kuriuos įvairios pramonės šakos gamina didžiuliu greičiu. Kai kuriuos galima panaudoti pakartotinai, kai kuriuos perdirbti, kitus reikia atsakingai išmesti, tačiau jų per daug, kad galėtų atlikti specialistus. „Fraunhofer“ turi vokišką mokslinių tyrimų ir plėtros aprangą sukūrė mašininio mokymosi modelį dalims identifikuoti kad juos būtų galima panaudoti, o ne vežti į metalo laužą.
Vaizdo kreditai: Fraunhoferis
Sistema remiasi daugiau nei įprastais fotoaparato vaizdais, nes dalys gali atrodyti panašiai, bet labai skirtingos, arba būti identiškos mechaniškai, tačiau vizualiai skirtis dėl rūdžių ar susidėvėjimo. Taigi kiekvieną dalį taip pat sveria ir nuskaito 3D kameros, taip pat įtraukiami metaduomenys, pavyzdžiui, kilmė. Tada modelis pasiūlo, kokia, jo nuomone, dalis yra, kad ją apžiūrinčiam žmogui nereikėtų pradėti nuo nulio. Tikimasi, kad naudojant šį dirbtinio intelekto identifikavimo metodą greitai bus išsaugota dešimtys tūkstančių dalių, o milijonų apdorojimas paspartės.
Fizikai rado įdomų būdą, kaip panaudoti ML savybes sprendžiant šimtmečių senumo problemą. Iš esmės mokslininkai visada ieško būdų, kaip parodyti, kad lygtys, reguliuojančios skysčių dinamiką (kai kurios iš jų, kaip Eulerio, datuojamos XVIII a.), yra neišsamios – kad jos nutrūksta esant tam tikroms kraštutinėms vertėms. Naudojant tradicinius skaičiavimo metodus tai padaryti sunku, nors ir neįmanoma. Tačiau CIT ir Hang Seng universiteto Honkonge mokslininkai siūlo naują giluminio mokymosi metodą, skirtą išskirti tikėtinus skysčių dinamikos singuliarumo atvejus, o kiti šią techniką taiko kitais būdais šioje srityje. Šiame Quanta straipsnyje gana gerai paaiškinama ši įdomi plėtra.
Kita šimtmečių senumo koncepcija gauti ML sluoksnį yra kirigami, popieriaus karpymo menas, su kuriuo daugelis bus susipažinę kurdami popierines snaiges. Ši technika siekia šimtmečius, ypač Japonijoje ir Kinijoje, ir gali sukurti nepaprastai sudėtingas ir lanksčias struktūras. Argonne National Labs mokslininkai įkvėpė šios idėjos Teorizuoti 2D medžiagą kurie gali išlaikyti elektroniką mikroskopiniu mastu, bet taip pat lengvai lankstyti.
Komanda atliko dešimtis tūkstančių eksperimentų su 1–6 pjūviais rankiniu būdu ir naudojo šiuos duomenis modeliui apmokyti. Tada jie naudojo Energetikos departamento superkompiuterį, kad atliktų modeliavimą iki molekulinio lygio. Per kelias sekundes jis sukūrė 10 pjūvių variantą su 40 procentų ištempimu, daug daugiau nei komanda tikėjosi ar net bandė pati.
Vaizdo kreditai: Argonne nacionalinės laboratorijos
„Jis išsiaiškino dalykus, kurių niekada nesakėme išsiaiškinti. Jis kažko išmoko taip, kaip mokosi žmogus, ir panaudojo savo žinias, kad padarytų kažką kitaip“, – sakė projekto vadovas Pankaj Rajak. Sėkmė paskatino juos padidinti modeliavimo sudėtingumą ir apimtį.
Kita įdomi ekstrapoliacija, kurią atliko specialiai apmokytas dirbtinis intelektas, turi kompiuterinio matymo modelį, atkuriantį spalvų duomenis iš infraraudonųjų spindulių įvesties. Paprastai fotoaparatas, fiksuojantis IR, nieko nežinotų apie tai, kokios spalvos objektas yra matomame spektre. Tačiau šis eksperimentas nustatė sąsajas tarp tam tikrų IR juostų ir matomų, ir sukūrė modelį paversti IR spinduliu užfiksuotus žmonių veidų vaizdus į tokius, kurie apytiksliai atitinka matomą spektrą.
Tai vis dar tik koncepcijos įrodymas, tačiau toks spektro lankstumas gali būti naudinga priemonė moksle ir fotografijoje.
—
Tuo tarpu naujas tyrimas, kurio bendraautorius yra Google AI vadovas Jeffas Deanas, prieštarauja nuomonei, kad dirbtinis intelektas yra aplinkai brangus užsiėmimas dėl didelių skaičiavimo reikalavimų. Nors kai kurie tyrimai parodė, kad didelio modelio, pavyzdžiui, OpenAI GPT-3, mokymas gali sukelti anglies dioksido emisiją lygiavertis su „Google“ susijusiame tyrime teigiama, kad „vadovaujantis geriausia praktika“ mašininio mokymosi anglies dvideginio išmetimą galima sumažinti iki 1000 kartų.
Aptariama praktika yra susijusi su naudojamų modelių tipais, mašinomis, naudojamomis modeliams rengti, „mechanizacija“ (pvz., kompiuterija debesyje, palyginti su vietiniais kompiuteriais) ir „žemėlapiu“ (švariausią energiją naudojančių duomenų centrų vietų parinkimas). Pasak bendraautorių, vien tik „efektyvių“ modelių pasirinkimas gali sumažinti skaičiavimą nuo 5 iki 10, o naudojant mašininiam mokymuisi optimizuotus procesorius, pvz., GPU, našumo vienam vatui santykį galima pagerinti nuo 2 iki 5.
Bet koks tyrimas, rodantis, kad dirbtinio intelekto poveikis aplinkai gali būti sumažintas, yra priežastis džiaugtis. Tačiau reikia pažymėti, kad „Google“ nėra a neutrali partija. Daugelis įmonės produktų, pradedant „Google“ žemėlapiais ir baigiant „Google“ paieška, remiasi modeliais, kuriems sukurti ir paleisti reikėjo daug energijos.
Mike’as Cookas, Peilių ir teptukų atvirųjų tyrimų grupės narys, pabrėžia, kad net jei tyrimo įvertinimai yra tikslūs, Tiesiog nėra tinkama priežastis įmonei nedidinti energijos neefektyvaus būdo, jei tai joms naudinga. Nors akademinės grupės gali atkreipti dėmesį į tokius rodiklius kaip anglies dioksido poveikis, įmonės nėra taip skatinamos – bent jau šiuo metu.
„Visa priežastis, kodėl mes pradedame šį pokalbį, yra ta, kad tokios įmonės kaip Google ir OpenAI turėjo iš esmės begalinį finansavimą ir nusprendė jį panaudoti kurdamos tokius modelius kaip GPT-3 ir BERT bet kokia kaina, nes žinojo, kad tai suteikia joms pranašumas“, Cook papasakojo „TechCrunch“ el. paštu. “Apskritai Manau, kad laikraštyje rašoma daug gražių dalykų ir puiku, jei galvojame apie efektyvumą, bet, mano nuomone, problema nėra techninė – mes tikrai žinome, kad šios įmonės ims didėti, kai reikės, jos laimėjo. Nevaržo savęs, todėl sakyti, kad tai išspręsta amžiams, atrodo, kad tai tuščia eilutė.
Paskutinė šios savaitės tema iš tikrųjų nėra tiksliai apie mašininį mokymąsi, o apie tai, kas galėtų būti kelias į priekį, imituojant smegenis tiesioginiu būdu. EPFL bioinformatikos mokslininkai sukūrė matematinį modelį, skirtą sukurti daugybę unikalių, bet tiksliai imituojamų neuronų, kurie ilgainiui galėtų būti panaudoti kuriant skaitmeninius neuroanatomijos dvynius.
„Išvados jau leidžia „Blue Brain“ sukurti biologiškai detalias pelių smegenų rekonstrukcijas ir modeliavimus, skaičiuojant smegenų regionus, skirtus modeliavimui, kuris atkartoja neuronų morfologijų anatomines savybes ir apima specifinę regiono anatomiją“, – sakė mokslininkė Lida Kanari.
Nesitikėkite, kad sim-brains sukurs geresnes dirbtinio intelekto technologijas – tai labai svarbu siekiant neurologijos pažangos, tačiau galbūt modeliuojamų neuronų tinklų įžvalgos gali iš esmės pagerinti supratimą apie procesus, kuriuos AI siekia imituoti skaitmeniniu būdu.