Shrnutí umělých neuronových sítí: Jak se mění přílohy …
Můžete použít ANN pro počítačové vidění, ale věděli jste, že dokážete předpovědět počasí, sledovat chování zvířat a odhalit tajemství kosmologie?
Umělé neuronové sítě (ANN) nacházejí vzory, vztahy a vztahy v souborech dat, stejně jako lidé. ANN jsou důležité stavební kameny, které pomáhají vědcům a výzkumným pracovníkům využívat schopností AI. Jak název napovídá, ANN jsou modelovány podle neuronových sítí v mozku, aby strojům poskytly schopnost učit se podobným způsobem, jako to dělají lidé.
V minulosti jsme tvrdili, že umělé neuronové sítě (ANN) mohou být chybějícím článkem v umělé inteligenci. ANNs se používají ve známých aplikacích, jako je strojové vidění a lékařská diagnostická technologie pro autonomní vozidla, ale ANNs lze použít také v jiných oblastech výzkumu kvůli jejich schopnosti najít vzory, vztahy a asociace v sadách. data. .
Biologická neurální síť na horním obrázku slouží jako model pro umělou neuronovou síť viděnou na dolním obrázku. Obrázek s laskavým svolením Ying Nian Wu prostřednictvím UCLA.
V posledních letech vědci využili pokročilé strojové učení ANN k získání nových poznatků o oblastech, které nemohou spojit s AI. Pojďme se podívat na to, jak nám ANN pomáhají předpovídat povětrnostní podmínky, chránit zranitelné populace ptáků a porozumět temné hmotě ve vesmíru.
Konvoluční neuronové sítě v meteorologii
Konvoluční neuronové sítě (CNN) pořizují vstupní obrazy a umožňují modelu rozlišovat obrazy tím, že věnují pozornost různým vlastnostem obrazu. V meteorologii se objevila nová aplikace CNN.
Vědci dokázali rozpoznat krupobití pomocí programů srovnatelných se softwarem pro rozpoznávání obličeje. Stejně jako počítač dokáže rozpoznat rysy obličeje pro odemknutí telefonu, vědci použili podobné funkce k pochopení toho, jak vypadá krupobití, které nakonec slouží jako varování před nadcházejícími bouřkami.
Vědec o strojovém učení David John Gagne z Národního centra pro výzkum atmosféry (NCAR) použil CNN k trénování modelu hlubokého učení tím, že ukázal tomuto modelu velké množství dat o bouřích. Gagneův model může účinně určit, zda „bouře způsobí krupobití“.
MistNet pro sledování migrace ptáků
Další aplikací konvolučních neuronových sítí je monitorování migračních vzorů milionů ptáků prostřednictvím radarových záznamů. Vědci z University of Massachusetts Amherst a Cornell Ornithology Laboratory vyvinuli nástroj pro strojové učení s názvem MistNet, který používá hluboké CNN k oddělení deště od ptáků v radarových skenech.
Protože MistNet je plně automatizovaný a lze jej použít k interpretaci velkého množství dat z radarových skenů, může být užitečný pro aplikace, jako je mapování kontinentálního měřítka a analýza využití vzdušného prostoru.
Kumulativní imigrační provoz v USA v letech 1999 až 2018 Obrázek s laskavým svolením autorů a Kyle G. Hortona.
MistNet může odhalit změny v podnebí, stanovištích a migračních vzorcích a pomoci ekologům určit špičkové časy pohybu. Ve výsledku mohou být tato data použita k určení, kdy ptáci aktivně migrují, a k tomu, aby ochránci přírody mohli oznámit metody, které zajistí bezpečnější migrační trasy pro hejna.
Model MistNet i zdrojový kód jsou k dispozici na GitHubu.
Měření temné hmoty
Temná hmota spojuje vesmír; vědět a měřit, kolik toho existuje, však může být obtížné, protože to fyzicky nevidíme. Veškerá hmota (včetně temné hmoty) však může být detekována pomocí gravitačních čoček, protože hmota vytváří zkreslené obrazy mírným ohýbáním dráhy světelných paprsků, které se dostanou na Zemi z jiných galaxií.
Kosmologové poté porovnají mapy zkreslených obrazů s teoretickými předpovědi, aby zjistili, který model nejlépe vyhovuje datům. Tato analýza dat byla provedena pomocí korelačních funkcí (statistická analýza vytvořená člověkem), která dříve popisovala, jak různé části mapy souvisejí.
Letos tým fyziků a počítačových vědců na ETH Curych zefektivnil proces mapování trénováním neuronových sítí s počítačem generovanými daty, která simulují vesmír. Neuronová síť učila hledat určité vlastnosti temné hmoty a učit se kosmologické parametry a podstatně zlepšila schopnost najít temnou hmotu.
Část mapy temné hmoty CG, kterou vědci ETH v Curychu používají k trénování neuronových sítí. Obrázek s laskavým svolením ETH Curych
Při hodnocení výkonu neuronové sítě zjistil tým ETH v Curychu, že hodnoty sítě byly o 30% přesnější než při použití statistické analýzy.
Jak mění přílohy změnu způsobu práce inženýrů?
Vědci hledají nové způsoby použití ANN v elektrotechnice: předpovídání chování elektronických obvodů, energetických systémů a lékařského zobrazování. ANN vám může pomoci efektivněji řešit složité problémy a dosáhnout lepšího výkonu, ale ne všechny problémy to vyžadují.
V neuronových sítích existuje několik omezení, která si zaslouží být zvážena. ANN mají tendenci vyžadovat k trénování více dat, času a výpočetní síly než tradiční algoritmus strojového učení. Při použití hlubokých neuronových sítí (DNN) může být pro uživatele obtížné pochopit, proč získají konkrétní výsledek, kvůli složitosti modelů zahrnujících stovky tisíc faktorů.
I když mají neuronové sítě mnoho výhod, hlavní je, že mohou překonat tradiční algoritmy strojového učení a ve většině případů ne každý problém, se kterým se inženýr setká, vyžaduje neurální síť. Jednoduchá tradiční řešení jsou stále cenná a mohou ušetřit čas a výpočetní výkon.
Zatímco mnoho vědců implementuje ANN přímo prostřednictvím softwaru, je také možné navrhovat hardwarové neuronové sítě (HNN) bez použití softwaru. V posledních dvou desetiletích došlo k výraznému pokroku a zájmu o hardwarové neuronové sítě. ANN nebo HNN, elektrotechnici budou hrát roli při jeho vývoji a implementaci při řešení vhodných problémů.
Ovlivnily ANN vaše práce? Řekněte nám, jak na to v komentářích níže.
Doporučený obrázek s laskavým svolením Colin ML Burnett [CC BY-SA 3.0].
