شبکه های عصبی، رفتار و عملکرد مغز انسان را تقلید میکنند. این شبکه ها شامل الگوریتم هایی هستند که می توانند یاد بگیرند که به طور مثال رفتار مغز را در شناسایی گفتار و تصاویر تقلید کنند. با این حال، باید دانست که راه اندازی یک شبکه عصبی مصنوعی به زمان و انرژی زیادی احتیاج دارد.

محققان مرکز ملی تحقیقات علمی در پاریس، دانشگاه Bordeaux و کمپانی Evry، یک سیناپس مصنوعی به نام memristor را طراحی و ساخته اند و آن را مستقیما روی یک chip قرار داده اند. این نوع آوری راه را برای سیستم های هوشمند هموار خواهد کرد؛ سیستم هایی که نیاز به انرژی و زمان کمتری برای یادگیری داشته و میتوانند به صورت خودکار یاد بگیرند.

این سیناپس مصنوعی چطور کار میکند؟
در مغز انسان، سیناپس ها به عنوان پایانه های ارتباطی بین نورون ها عمل میکنند. هر چه بیشتر از این سیناپس ها استفاده شوند (مورد تحریک بیشتری قرار بگیرند)، ارتباطات قوی تر شده و یادگیری سریعتر میشود. memristor نیز به همین شیوه کار میکند. این سیناپس مصنوعی از یک لایه ی نازک فِروالکتریک ساخته شده است که میتواند خود به خود باردار شود و بین دو الکترود قرار گرفته است. میزان مقاومت آنها میتواند با استفاده از پالس های ولتاژ تنظیم شود (مانند آنچه در نورون های طبیعی رخ میدهد). ارتباط سیناپسی، زمانی که مقاومت پایین باشد، قوی خواهد بود و بالعکس. در واقع، ظرفیت یادگیری memristor بر اساس همین مقاومتِ قابل تنظیم، تعیین میشود.

شبکه های عصبی کنونی که با الگوریتم های یادگیری ساخته میشوند، در حال حاضر توانایی اجرای وظایفی را دارند که سیستم های قبلی نداشتند. برای مثال، سیستم های هوشمند کنونی توانایی ساخت موسیقی، بازی کردن، شکست بازیکنان انسانی و حتی می توانند مالیات های شما را پرداخت کنند. برخی از آنها قادرند تا رفتارهای مرتبط با افکار خودکشی در انسان ها را تشخیص دهند یا تشخیص دهند انجام چه کاری قانونی یا غیر قانونی است.

تمامی پیشرفت های ذکر شده را مدیون قابلیت یادگیری سیستم های هوش مصنوعی هستیم. تنها محدودیت موجود زمان و میزان داده ای است که باید برای یک سیستم هوشمند صرف شود تا به بهره برداری مناسبی برسد. با وجود طراحی memristor فرآیند یادگیری به طور چشم گیری افزایش خواهد یافت. البته کار بر روی این سیناپس ادامه دارد و هدف بعدی، ارتقاء آن برای عملکرد سریعتر و بهتر خواهد بود. نتایج تحقیقات این تیم تحقیقاتی در ژورنال Nature Communication به چاپ رسیده است.

#machinelearning #artificialintelligence #neural #network #memristor #brain

@pythonicAI

Keras for Beginners: Building Your First Neural Network

A beginner-friendly guide on using Keras to implement a simple neural network in python.

لینک



#python #keras #machinelearning #neural #network #deeplearning

@pythonicAI

یه نفر با کمک شبکه های عصبی چهره بازیکن بازی خاطره انگیز Doom رو بازسازی کرده، اونم با کیفیت HD :)

چهره بدست آمده شبیه به Nathan Fillion بوده و خروجی چندین سیستم ai بوده است.

تصویر اصلی ابتدا به خورد بخش هوش مصنوعی نرم افزارهایی از جمله gimp ، faceApp و waifu2x داده شده که تصویر خروجی همچنان کیفیت مناسبی نداشته‌. سپس خروجی آنها به خورد styleGAN (سیستم هوش مصنوعی nvidia) داده شده. که تصویر خروجی آن کیفیت بهتری نسبت به قبل داشت. اما به دلیل وجود بخشهای unrealistic در تصویر اصلی، تصویر خروجی بصورت دستی کمی تغییر یافته و تصویر بالا بدست آمده است.

لینک

#artificialintelligence #doom #guy #nvidia #neural #network

@pythonicAI

Keras for Beginners: Building Your First Neural Network

A beginner-friendly guide on using Keras to implement a simple neural network in python.

لینک



#python #keras #machinelearning #neural #network #deeplearning

@pythonicAI

شبکه های عصبی، رفتار و عملکرد مغز انسان را تقلید میکنند. این شبکه ها شامل الگوریتم هایی هستند که می توانند یاد بگیرند که به طور مثال رفتار مغز را در شناسایی گفتار و تصاویر تقلید کنند. با این حال، باید دانست که راه اندازی یک شبکه عصبی مصنوعی به زمان و انرژی زیادی احتیاج دارد.

محققان مرکز ملی تحقیقات علمی در پاریس، دانشگاه Bordeaux و کمپانی Evry، یک سیناپس مصنوعی به نام memristor را طراحی و ساخته اند و آن را مستقیما روی یک chip قرار داده اند. این نوع آوری راه را برای سیستم های هوشمند هموار خواهد کرد؛ سیستم هایی که نیاز به انرژی و زمان کمتری برای یادگیری داشته و میتوانند به صورت خودکار یاد بگیرند.

این سیناپس مصنوعی چطور کار میکند؟
در مغز انسان، سیناپس ها به عنوان پایانه های ارتباطی بین نورون ها عمل میکنند. هر چه بیشتر از این سیناپس ها استفاده شوند (مورد تحریک بیشتری قرار بگیرند)، ارتباطات قوی تر شده و یادگیری سریعتر میشود. memristor نیز به همین شیوه کار میکند. این سیناپس مصنوعی از یک لایه ی نازک فِروالکتریک ساخته شده است که میتواند خود به خود باردار شود و بین دو الکترود قرار گرفته است. میزان مقاومت آنها میتواند با استفاده از پالس های ولتاژ تنظیم شود (مانند آنچه در نورون های طبیعی رخ میدهد). ارتباط سیناپسی، زمانی که مقاومت پایین باشد، قوی خواهد بود و بالعکس. در واقع، ظرفیت یادگیری memristor بر اساس همین مقاومتِ قابل تنظیم، تعیین میشود.

شبکه های عصبی کنونی که با الگوریتم های یادگیری ساخته میشوند، در حال حاضر توانایی اجرای وظایفی را دارند که سیستم های قبلی نداشتند. برای مثال، سیستم های هوشمند کنونی توانایی ساخت موسیقی، بازی کردن، شکست بازیکنان انسانی و حتی می توانند مالیات های شما را پرداخت کنند. برخی از آنها قادرند تا رفتارهای مرتبط با افکار خودکشی در انسان ها را تشخیص دهند یا تشخیص دهند انجام چه کاری قانونی یا غیر قانونی است.

تمامی پیشرفت های ذکر شده را مدیون قابلیت یادگیری سیستم های هوش مصنوعی هستیم. تنها محدودیت موجود زمان و میزان داده ای است که باید برای یک سیستم هوشمند صرف شود تا به بهره برداری مناسبی برسد. با وجود طراحی memristor فرآیند یادگیری به طور چشم گیری افزایش خواهد یافت. البته کار بر روی این سیناپس ادامه دارد و هدف بعدی، ارتقاء آن برای عملکرد سریعتر و بهتر خواهد بود. نتایج تحقیقات این تیم تحقیقاتی در ژورنال Nature Communication به چاپ رسیده است.

#machinelearning #artificialintelligence #neural #network #memristor #brain

@pythonicAI