خرید کتاب سکه طلاایران آنتیک
تاریخ دریافت خبر:
منظور از هوش مصنوعی چیست؟ در واقع این اصطلاح حد و مرز مشخصی ندارد. وقتی هوش مصنوعی در سال 1335/1956 در کارگاهی در کالج دارتموث معرفی شد، به مفهوم کلی واداشتن ماشین به رفتارهایی به کار رفت که در صورت مشاهده در انسان، نشانه هوشمندی تلقی می‌شود.
پیشرفت تازه و مهمی که در این حوزه به دست آمده، «یادگیری ماشین» است که در فناوری هایی از بررسی اشتباهات املایی و تایپی گرفته تا خودروهای بدون راننده کاربرد دارد و معمولا نوعی سامانه رایانه ای به نام «شبکه عصبی» انجام آن را به عهده دارد. شبکه عصبی مدلی بسیار ساده سازی شده از مغز انسان است که در آن مجموعه ای از واحدها، اجزای نوعی ورودی (مثلا پیکسل های عکس) را دریافت می کنند، محاسبات ساده ای رویشان صورت داده، آنها را به لایه دیگری از واحدها تحویل می دهند. لایه آخر، حامل جواب خواهد بود.

مساله محوری در حوزه یادگیری ماشین به این معنی است که چطور رایانه هایی بسازیم که به جای دریافت دستورالعمل صریح، عملکردشان را از طریق کسب تجربه بهتر کنند. یادگیری ماشین در فصل مشترک علوم رایانه و آمار و در قلبِ حوزه های هوش مصنوعی و علوم داده ها قرار دارد و امروزه سرعت رشد میان حوزه های فنی دیگر بالاست. در سامانه های مبتنی بر یادگیری ماشین، نیازی به برنامه نویسی متخصصان با استفاده از دانش خودشان نیست، بلکه خود این سامانه ها آنچه را که باید، از روی مجموعه داده های کلان می آموزند! تا جایی که در نهایت می توانند در مجموعه داده هایی بس عظیم تر و آشفته تر از آنچه انسان ها از عهده تحلیلشان بر می آیند، الگوهای موجود را مشاهده و نا هنجاری ها را تشخیص دهند. پیشرفت های اخیر در حوزه یادگیری ماشین، هم به سبب توسعه نظریه و الگوریتم های جدید یادگیری و هم در نتیجه در دسترس بودن کلان داده ها و محاسبات رایانه ای کم هزینه حاصل شده است. این پیشرفت ها به اندازه ای است که اکنون در حوزه های مختلف علم، فناوری و تجارت می توان ردپای هوش مصنوعی و روش های یادگیری ماشین را مشاهده کرد.

محکی قدیمی : جست وجوی ذرات جدید

در سال 1391/2012، گروه هایی از پژوهشگران که با بزرگ ترین برخورددهنده پروتون در جهان یعنی ال اچ سی LHC (سرواژه Large Hadron Collider به معنی برخورددهنده هادرونی بزرگ) در سوئیس کار می کردند، ذره ای را به نام بوزون هیگز پیدا کردند که وجود آن مدت ها قبل پیش بینی شده بود. این ذره گریزپا، برای توجیه نحوه جرم دار شدن همه ذرات بنیادی به کار می رود، اما تشخیص آن اصلا آسان نیست؛ در ال اچ سی، بوزون هیگز تقریبا فقط در یک برخورد از میان یک میلیارد برخورد پروتونی ایجاد می شود و طی مدت یک میلیاردم پیکوثانیه دچار واپاشی شده، ذرات دیگر را شکل می دهد؛ از جمله زوجی از پروتون ها و مجموعه ای چهارتایی از ذراتی به نام میون. برای بازسازی ذره هیگز، فیزیکدانان باید همه این ذرات عادی تر را پیدا کنند و ببینند آیا با توجه به وضعیتشان ممکن است منشا همه آنها یک ذره بوده باشد یا خیر. البته کار آنان به سبب وجود تعداد زیادی ذره فرعی که در برخوردها ایجاد می شوند، دشوارتر هم می شود. الگوریتم هایی مانند شبکه های عصبی برای پیدا کردن آثار ذرات مورد نظر در میان ذرات زمینه بسیار کارآمد هستند.

روش های یادگیری ماشین هنوز حوزه فیزیک ذرات را به طور کامل قبضه نکرده اند؛ همچنان فیزیکدانان برای جست وجوی آثار ذرات و پدیده ها در میان داده ها، بیشتر بر درکشان از فیزیک بنیادی تکیه دارند، اما این احتمال وجود دارد که بزودی هوش مصنوعی در این زمینه اهمیت بیشتری پیدا کند؛ پژوهشگران قصد دارند در سال 1403/2024 ال اچ سی را به گونه ای ارتقا دهند که تعداد برخوردها در آن ده برابر شود. در آن مقطع، یادگیری ماشین برای بررسی سیل داده های جدیدی که به دست می آید، ضروری خواهد بود.

تحلیل وضع روحی و جسمی با الگوریتم های هوش مصنوعی

شبکه های اجتماعی با میلیاردها کاربر و صدها میلیارد توئیت و پُست که هر ساله در آنها منتشر می شود، کلان داده ها را به حوزه علوم اجتماعی برده اند. بعلاوه فرصت بی نظیری برای استفاده از هوش مصنوعی برای درک ارتباطات انسانی، پدید آمده است. برخی پژوهشگران از روش های یادگیری ماشین و پردازش زبان طبیعی برای غربال کردن داده های حجیم استفاده می کنند تا به تعیین وضع سلامت جسمی و روحی عموم بپردازند. این کار به روش سنتی با آمارگیری انجام می شود. اما داده های شبکه های اجتماعی به واقعیت نزدیک تر و بسیار ارزان تر هستند و حجم آنها ده ها برابر بیشتر است. البته این داده ها اندکی درهم و آشفته هستند، اما هوش مصنوعی روشی قدرتمند برای تشخیص الگو در میان آنها ارائه می دهد.

برای مثال در پژوهشی که بتازگی انجام شد، پژوهشگران دانشگاه پنسیلوانیا به پست های 29هزار کاربر پرداختند که میزان افسردگی خود را با آزمون هایی ارزیابی کرده بودند. الگوریتم یادگیری ماشین با استفاده از داده های 28هزار نفر از این کاربران، ارتباطی را بین واژه های به کار رفته در پست های تازه و سطح افسردگی آنان پیدا کرد. پس از این کشف، الگوریتم توانست میزان افسردگی را در کاربران دیگر صرفا براساس پست های جدیدشان تعیین کند.

این گروه از محققان در پژوهشی دیگر، میزان مرگ و میر ناشی از بیماری های قلبی را با تجزیه و تحلیل 148میلیون توئیت پیش بینی کردند. مشخص شد واژه هایی که با خشم و روابط منفی ارتباط دارند، از نشانه های خطر بیماری قلبی هستند. آمار واقعی مرگ ومیر بیشتر با پیش بینی های انجام شده بر اساس شبکه های اجتماعی مطابقت داشت تا پیش بینی های صورت گرفته بر مبنای ده عامل اول خطرساز بیماری قلبی از قبیل سیگار و دیابت. پژوهشگران همچنین با استفاده از شبکه های اجتماعی به پیش‎بینی شخصیت، مقدار درآمد و گرایش سیاسی افراد و همچنین بررسی کلیشه ها و قالب های اجتماعی پرداختند!

جیمز پِنِبیکر از دانشگاه تگزاس که در پژوهش های خود به جای محتوا بر نحوه بیان متمرکز است، دریافته که می توان از واژه های دستوری به کار رفته در درخواست پذیرش اشخاص در دانشگاه، برای پیش بینی نمرات احتمالی آنان استفاده کرد. استفاده از حرف تعریف و حرف اضافه نشان دهنده تفکر تحلیلی (تفکر مبتنی بر حقایق ثابت شده و نظریه ها) است و می توان از روی آن نمرات بالا را پیش بینی کرد.

ریشه های اوتیسم در ژنوم

شناخت منشا اوتیسم برای پژوهشگران حوزه ژنتیک، چالشی بزرگ به شمار می رود. مشخص شده است این بیماری یک مؤلفه وراثتی دارد، اما تغییراتی که در انبوه ژن های موجود، نقشی شناخته شده در اوتیسم دارند، فقط 20 درصد کل موارد را
توجیه می کنند.

یافتن متغیرهای ژنتیک دیگری که ممکن است در این بیماری نقش داشته باشند، نیاز به بررسی 25هزار ژن انسانی دیگر و دی ان ای اطرافشان دارد که برای انسان کار بسیار دشواری به شمار می رود. به همین علت پژوهشگری از دانشگاه پرینستون و همکارانش روش های هوش مصنوعی را برای این منظور به کار گرفته اند. آنان صدها مجموعه داده را با هم ترکیب کرده اند؛ داده هایی درباره این که چه ژن هایی در سلول های انسانی مشخصی فعال هستند، برهم کنش پروتئین ها چگونه است و جایگاه های اتصال فاکتور رونویسی ژنتیک و سایر خصوصیات مهم مربوط به ژنوم کجا هستند. سپس آنان با استفاده از یادگیری ماشین، نقشه برهم کنش ژن ها را ایجاد کردند و برهم کنش های ژن هایی که قطعا خطر اوتیسم را ایجاد می کنند را با برهم کنش های هزاران ژن ناشناخته دیگر مقایسه کردند تا مشابهت هایی بینشان بیابند و به این ترتیب 2500 ژن دیگر را که احتمالا در اوتیسم نقش دارند شناسایی کردند.

اما همان گونه که پژوهشگران بتازگی دریافته اند، ژن ها به تنهایی عمل نمی کنند؛ رفتار آنها تحت تاثیرمیلیون ها باز آلی غیررمزگذار در نزدیکی شان قرار می گیرد که با پروتئین های متصل شونده به دی ان ای و عوامل دیگر برهم کنش دارند. مشخص کردن این که کدام تغییرات ناحیه بی رمز ممکن است بر ژن های اوتیسم دور و بر آنها اثر بگذارد حتی از پیدا کردن این ژن ها نیز دشوارتر است و برای تعیین آنها از هوش مصنوعی کمک گرفته شده است.

پژوهشگران برای آموزش دادن برنامه ـ که یک سامانه یادگیری عمیق است و «دیپ سی (DeepSEA) » نامیده می شود ـ آن را در معرض داده هایی قرار دادند که از نحوه اثر ده ها هزار ناحیه بی رمز دی ان ای بر ژن های اطرافشان موجود بود. سامانه یاد گرفت که برای یافتن فعالیت های احتمالی در نواحی بی رمز دی ان ای، به دنبال چه ویژگی هایی بگردد. این محققان اکنون مشغول اجرای برنامه با داده های مربوط به ژنوم بیماران مبتلا به اوتیسم هستند تا اثرات بازهای آلی غیر رمزگذار را رتبه بندی کنند.

آگاهی از اسرار آسمان

فروردین امسال اخترشناسی به نام کوین شاوینسکی تصاویر محوی از چهار کهکشان در توئیتر منتشر و از اخترشناسان دیگر تقاضا کرد در طبقه بندی آنها به او کمک کنند. اخترشناسان در جواب او گفتند این تصاویر شبیه کهکشان های بیضوی و مارپیچی، یعنی انواع آشنای کهکشان ها هستند.

بعضی از اخترشناسان که به سبب گرایش محاسباتی شاوینسکی مشکوک شده بودند حقه ای در کار باشد، بصراحت از او پرسیدند آیا این کهکشان ها واقعی هستند؟ یا شبیه سازی هایی بر پایه مدل سازی فیزیکی با رایانه اند؟

در واقع این کهکشان ها هیچ یک از این دو نبودند. شاوینسکی و همکارانش در موسسه ای تی اچ (ETH) زوریخ این کهکشان ها را در شبکه ای عصبی که هیچ دانش فیزیکی ندارد، عمل آورده بودند؛ شبکه ای که صرفا می داند کهکشان ها باید چه ظاهری داشته باشند!

شاوینسکی می خواست با این پست توئیترش دریابد تا چه حد ساخته های شبکه واقعی به نظر می رسند اما هدف بزرگ تر او ایجاد فناوری تازه ای بود: طراحی شبکه ای که بتواند تصویر تاری از یک کهکشان را طوری اصلاح کند که گویی با تلسکوپ بهتری گرفته شده است.

تصاویر جعلی ای که شاوینسکی در توئیتر منتشر کرد، حاصل کار یک شبکه رقابتی مولد بود؛ نوعی مدل یادگیری ماشین که دو شبکه عصبی را رودرروی هم قرار می دهد تا با هم رقابت کنند.

یکی از آنها شبکه مولد است که از خود تصاویر جعلی را می سازد، دیگری شبکه ممیز (ارزیاب) است که می کوشد هر نقصی را که ممکن است نشانه دستکاری باشد بر ملا کند و از این طریق مولد را وا می دارد که عملکرد بهتری داشته باشد. گروه شاوینسکی کیفیت هزاران تصویر واقعی از کهکشان ها را به صورت ساختگی کاهش و به مولد آموزش داد که با ویرایش عکس ها آنها را دوباره باکیفیت کند تا جایی که ممیز نتواند بر آنها اشکالی وارد کند.

شبکه های عصبی، هنر سنتز شیمیایی را می آموزند

مانند آشپزی که با تصوری از غذای آماده شده در ذهن خود کارش را آغاز می کند و سپس به این فکر می کند که چگونه آن را آماده کند، بسیاری از پژوهشگران حوزه شیمی آلی نخست ساختار نهایی مولکولی را که می خواهند بسازند در نظر می گیرند و سپس می اندیشند که چگونه آن را سر هم کنند.

اکنون آنان امیدوارند با کمک هوش مصنوعی بر یکی از دشواری های مهم ساختن مولکول ها غلبه کنند: انتخاب اجزای سازنده درست از میان صدها گزینه بالقوه و انتخاب قواعد مناسب شیمیایی برای پیوند دادن آنها از بین هزاران قاعده موجود. چند دهه شیمیدانان با زحمت و تلاش زیاد واکنش های شیمیایی شناخته شده را به صورت برنامه های رایانه ای می نوشتند، به این امید که سامانه ای ایجاد کنند که بتواند بسرعت ساده ترین دستورهای ساخت مولکول ها را محاسبه کند.

اما نوشتن همه قواعد به زبان باینری کار بسیار دشواری است؛ از این رو بعضی از شیمیدانان به هوش مصنوعی روی آوردند و به جای وارد کردن قواعد معین واکنش های شیمیایی، برنامه شبکه عصبی عمیقی را طراحی کردند که از روی میلیون ها نمونه، یاد می گیرد واکنش ها چگونه پیش می روند. هر چه داده های بیشتری به این شبکه خورانده شود، عملکرد آن بهتر می شود.

به مرور این شبکه یاد گرفت بهترین واکنش را برای گام دلخواهی از سنتز شیمیایی پیش بینی کند و در نهایت توانست دستورهایی را برای ساختن مولکول ها از گام اول وضع کند. این برنامه روی 40هدف مولکولی مختلف آزمایش و با یک برنامه طراحی مولکول که به روش سنتی نوشته شده بود، مقایسه شد. در حالی که برنامه نوشته شده به شیوه سنتی در 5/22 درصد موارد توانست در مدت دو ساعت به راهی برای ساخت مولکول های هدف دست یابد، هوش مصنوعی در 95 درصد موارد به آن رسید. این روش می تواند برای بهبود فرآیند تولید دارو نیز به کار برده شود.

مترجم: کیارا عباس زاده اقدم

منبع: sciencemag.org

لینک کوتاه: betanews.ir/n/866998

خبر فوق مربوط به رسانه جام جم آنلاین می باشد و جستجوگر خبر بتانیوز صرفا آن را بازنشر کرده است. مشاهده در سایت منبع : لینک مستقیم