علمی، پژوهشی و فناوری

تحلیلی درباره هوش مصنوعی؛ ما با جادو طرفیم یا بازی ریاضی؟

به گزارش پایگاه خبری علم و فناوری : هوش مصنوعی (AI) در زندگی ما نفوذ کرده است. قفل تلفن های ما با دیدن صورت ما باز می شود. ما می توانیم کل مکالمات متنی را با ChatGPT داشته باشیم. آمازون می داند که من به دنبال چه هستم و ایمیل من جملات من را با دقت عجیبی تمام می کند. ممکن است هوش مصنوعی جادویی به نظر برسد، اما این راه‌حل‌ها مبتنی بر یادگیری عمیق و شبکه‌های عصبی (NNs) هستند که فقط به کمی حساب محاسباتی و داده‌ها و قدرت محاسباتی زیادی نیاز دارند.

اولین NN که در دهه 1960 ارائه شد، با هدف تقلید از مغز انسان از طریق درک محرک ها (ورودی ها)، پردازش آنها با لایه های به هم پیوسته "نرون های مصنوعی" و تولید پاسخ ها (خروجی ها) بود. به عنوان مثال، تشخیص چهره در تلفن ها برای پذیرش یک تصویر ورودی آموزش داده می شود و پاسخ می دهد: "آیا این شخص صاحب من است؟" اگه آره باز میشه

در داخل یک NN، هر جفت نورون دارای یک "شستی" است که میزان قدرت انتقال سیگنال از یکی به دیگری را کنترل می کند. "آموزش" یک NN شامل بهینه سازی این دستگیره ها است تا زمانی که NN به طور مداوم مجموعه آموزشی بزرگی از ورودی ها را به خروجی های مورد نظر خود ترسیم کند. این بهینه سازی میلیون ها یا میلیاردها دستگیره توسط حساب دیفرانسیل و انتگرال هدایت می شود تا خطاها در خروجی ها به حداقل برسد. NN های موثر یاد می گیرند که خروجی های آموزشی مورد نظر را تولید کنند، اما همچنین به کار با ورودی های جدیدی که با آنها برخورد می کنند تعمیم می دهند.

در آزمایشگاه انتقال عصبی (NETS) فناوری فلوریدا، ما یادگیری عمیق را مطالعه می کنیم و NN های خود را توسعه می دهیم. نگران کننده، NN ها به دلایل نامعلومی مرتکب اشتباه می شوند، که استقرار با ریسک بالا را خطرناک می کند. بیشتر کار ما بر روی این حالت‌های شکست متمرکز است، و ارزیابی می‌کند که چرا رخ می‌دهند و چه کاری می‌توانیم در مورد آنها انجام دهیم.

به رهبری Ph.D. دانش‌آموز مکنزی منی، ما تکنیکی به نام PEEK توسعه دادیم که به عملکرد درونی NN‌ها نگاه می‌کند تا تجسم کنیم که روی چه جزئیاتی تمرکز می‌کنند. PEEK تصمیمات NN را توضیح می دهد و سوگیری های داده را نشان می دهد. به طور هیجان انگیز، PEEK می تواند اغلب خروجی های صحیح را از عملکرد داخلی تشخیص دهد، حتی زمانی که NN قادر به تولید آنها نباشد. هدف کار در حال انجام استفاده از این خروجی‌های "تصحیح شده" به‌عنوان یک سیستم ایمنی برای تشخیص و تصحیح خطاها در حین پرواز است.

تطبیق پذیری NN ها به ما اجازه می دهد تا در رشته ها همکاری کنیم. ما به طور منظم با مهندسان هوافضا و زیست پزشکی کار می کنیم.

با Ph.D. دانشجوی تروپتی ماهندراکار '21 MS از آزمایشگاه خودمختاری، ما الگوریتم‌های بینایی و راهنمایی را برای ازدحام ماهواره‌های مستقل برای آزمایشگاه تحقیقاتی نیروی هوایی (AFRL) با کار مداوم بر روی الگوریتم‌های دید هدایت‌شونده انسانی توسعه دادیم.

Ph.D. دانشجوی نهرو آتز '16، '19 MS، در حال توسعه یک الگوریتم برای ردیابی اجزای ماهواره در زمان واقعی است.

Ph.D. من و Arianna Issitt '23 و من در حال حاضر اعضای هیئت علمی/فارغ التحصیل تابستانی در AFRL هستیم و روی پروژه ای برای ارسال ماهواره های تعقیب کننده در مدارهای بازرسی اطراف فضاپیما کار می کنیم و تصاویری را برای ساختن بازسازی های سه بعدی می گیریم. ما در حال طراحی مدارهای بازرسی بهینه و استقرار آنها در رایانه های پرواز فضایی هستیم.

علاوه بر این، ما با آزمایشگاه مایعات قلبی عروقی چند مقیاسی همکاری می کنیم تا NN هایی را ایجاد کنیم که دینامیک جریان خون را در رگ های خونی بیمار به صورت غیرتهاجمی در زمان واقعی تخمین می زند. این می تواند تیم های پزشکی را قادر به تشخیص سریع و برنامه های درمانی برای بیماران قلبی عروقی کند.

تلاش‌های آزمایشگاه NETS با هدف ارائه درک عمیق‌تر از هوش مصنوعی به طور کلی و طراحی راه‌حل‌های مؤثر برای کاربردهای حیاتی ایمنی در پروازهای فضایی و پزشکی است.