Tagمحققین را

محققین می خواهند «طعم نوشیدنی ها» را از طریق داده های اینترنتی ارسال کنند

محققین می خواهند «طعم نوشیدنی ها» را از طریق داده های اینترنتی ارسال کنند

حتماً تاکنون برای شما هم پیش آمده که تصویر نوشیدنی جذابی را مشاهده کرده باشید و از خود بپرسید آیا به اندازه زیبایی ظاهرش خوش طعم هست یا خیر.

جالب است بدانید محققین به روشی دست یافته اند که نیاز مراجعه به فروشگاه ها یا منزل آشنایان را مرتفع کرده است؛ به این صورت که طعم نوشیدنی مورد نظر از طریق داده های اینترنتی ارسال شده و در مقصد شبیه سازی می گردد.

برای این منظور رنگ و طعم و به طور کلی ماهیت نوشیدنی توسط سنسورهای اسیدیته و شناسایی رنگ تشخیص داده شده و داده های آن به مقصد ارسال می شود؛ لیوان مخصوص هدف با روشن شدن LED های بدنه رنگ نوشیدنی ارسالی را تداعی کرده و تزریق الکترودهایی، طعم و تُرش بودن آن را شبیه سازی می نماید.

در حال حاضر اندیشمندان مورد بحث از نوشیدنی لیموناد استفاده کرده اند؛ چراکه بسیار ساده و قابل شبیه سازی هستند، اما این آغازگر راه خواهد بود و قصد دارند به زودی انواع و اقسام نوشیدنی را مورد آزمایش قرار دهند.

گفتنی است نتایج اولیه این آزمون چندان رضایت بخش نبوده، اما محققین باور دارند می توان به زودی نه فقط طعم را با دقتی معادل بر 99 درصد از طریق اینترنت ارسال کرد، بلکه شبیه سازی بوی نوشیدنی ها نیز در دستور کار قرار دارد. یقیناً چنین سیستمی که البته سال های متمادی دیگری نیاز به تحقیق و توسعه دارد، کمک شایانی به فروشگاه های اینترنتی خواهد کرد.

شاید به خواندن این خبرها علاقه مند باشید

The post appeared first on .

محققین می خواهند «طعم نوشیدنی ها» را از طریق داده های اینترنتی ارسال کنند

محققین MIT روش تولید مقاوم ترین فیبر کربن را یافتند

محققین MIT روش تولید مقاوم ترین فیبر کربن را یافتند

ماده فیبر کربن به لطف سبکی و استحکام زیاد کاربردهای زیادی در صنایع مختلف همچون هوافضا تا خودروسازی دارد، اما هنوز دانسته های ما در خصوص این ماده چندان زیاد نیست. محققین دانشگاه MIT در صدد رفع این نقص برآمده اند.

دو سوال اساسی در زمینه تولید مستحکم ترین و مرغوب ترین نوع فیبر کربن وجود دارد: دمای پخت ایدآل و بهترین سطح بی نظمی اتم های کربن. تحقیقات جدید دانشمندان دانشگاه MIT نشان می دهد که یک نوع رابطه معنادار میان تعداد اتم های تصادفی در رزین پخته شده با میزان چگالی و استحکام فیبر تولیدی وجود دارد.

از این طریق می توان دمای ایدآل برای ایجاد بالاترین سطح از بی نظمی اتم های کربن را به دست آورد و در نتیجه سبک ترین و در عین حال مقاوم ترین نوع فیبر کربن را به تولید رساند.

تحقیقات این گروه نشان می دهد که کربن آزاد در رزین «فنول-فرمالدئید» می تواند ساختارهای سه بعدی مستحکمی را ایجاد نمایند، بنابراین می توان بدون افزایش سطح کربن – که منجر به افزایش وزن ماده نهایی می شود – به بیشترین مقاومت در برابر شکستگی دست یافت.

بر این اساس اگر رزین مورد اشاره در دماهایی بالاتر از ۱۸۳۲ فارنهایت (۱۰۰۰ درجه سانتی گراد) پخته شود سطح اتم های کربن بی نظم آن کاهش یافته و در نتیجه ماده نهایی ضعیف تر خواهد بود.

با استفاده از یافته جدید می توان کاربردهای این ماده با ارزش را بیش از این افزایش داد و دامنه استفاده از آن را به سایر صنایع گسترده کرد.

The post appeared first on .

محققین MIT روش تولید مقاوم ترین فیبر کربن را یافتند

محققین گوگل قصد دارند هوش مصنوعی را از دام تبعیض های انسانی نجات دهند

محققین گوگل قصد دارند هوش مصنوعی را از دام تبعیض های انسانی نجات دهند

ورودی زباله، خروجی زباله را در پی خواهد داشت. این اصل که به GIGO مشهور است، قانون اصلی محاسبات به شمار می رود و می گوید اگر داده های نامعتبر به سیستم وارد شود، خروجی به دست آمده نیز نامعتبر خواهد بود. سیستم های یادگیری ماشینی نیز از این قاعده مستثنی نیستند.

هوش مصنوعی پایه و ابتدایی، تنها چیزهایی را می داند که ما در اختیارش قرار می دهیم، و اگر داده های ورودی به هر شکل سودار باشند، سیستمی که بر اساس آنها آموزش می یابد نیز جهت گیری تبعیضی خواهد داشت. ظاهراً گوگل به دنبال پیشگیری از بروز این وضعیت نامطلوب است، و بدین منظور از روشی تحت عنوان «برابری فرصت» بهره می گیرد.

گوگل با الگوریتم «برابری فرصت» قصد دارد تبعیض در یادگیری ماشینی از بین ببرد

سیستم های یادگیری ماشینی اساساً موتورهای پیش بین هستند که خصیصه های مجموعه داده های مختلف را آموخته، سپس با دریافت اطلاعات جدید، آنها را در یکی از چند دسته مورد نظر جای می دهند. مثلاً سیستم تشخیص تصویر می تواند ویژگی ها و تفاوت های انواع خودرو را بشناسد و آنها را در دسته های سدان، پیکاپ، اتوبوس و غیره جای دهد.

البته در این میان، اشتباهاتی هم رخ می دهند. مثلاً هوش مصنوعی قادر به تشخیص خودروهای نه چندان معروفی همچون BRAT یا El Camino نیست، چون اطلاعات کافی در مورد آنها در اختیار ندارد، بنابراین می تواند آنها را در هر دسته ای که بخواهد جای دهد، ضمن اینکه نمی توان به دسته بندی نهایی خرده گرفت.

اگرچه اشتباه در دسته بندی خودرو چندان اهمیتی ندارد، اما وضعیتی را تصور کنید که سیستم کامپیوتری مبتنی بر هوش مصنوعی بخواهد افراد حقیقی را بر مبنای ریسک پذیری دریافت وام، دسته بندی نماید. در این عملیات، اشخاصی که با ضوابط موجود مطابقت نداشته باشند، شانس دریافت تسهیلات را از دست خواهند داد.

«مورتیز هارت» مدیر بخش Google Brain در این رابطه می گوید:

زمانی که عضویت در گروه های خاص بر اساس ویژگی های خاصی همچون نژاد، جنسیت، توانایی جسمی یا اعتقادات دینی انجام گیرد، طبیعتاً با ناداوری و تبعیض روبرو خواهیم بود. علی رغم آگاهی نسبت به این موضوع، هنوز روشی در اختیار نداریم که بتوانیم یادگیری ماشینی را از چنین بی عدالتی روی خصیصه های حساس دور نماییم.

«هارت» و همکارانش مقاله ای نوشتند که روشی را برای پیشگیری از این وضعیت پیشنهاد می دهد. در این رویکرد، زمانی که هدف مطلوبی وجود داشته، و احتمال آن برود که یکی از این خصیصه های تعریف شده برای سیستم به اشتباه، فردی را از رسیدن به آن نتیجه باز دارد، الگوریتم به گونه ای خودش را تغییر می دهد که تأثیر ویژگی مورد نظر را از بین برده و شانس دستیابی به آن هدف را به صورت مساوی بین تمامی اعضا توزیع نماید.

رویکرد جدید گوگل برای یادگیری ماشینی، توازن بین خصیصه ها را رعایت می کند.

طراحی چنین سیستمی برای کامپیوتر چندان مشکل نیست، زیرا می توان آن را به گونه ای آموزش داد که توازن بین خصیصه های مختلف رعایت گردد. البته رویکرد فوق بدین معنا نیست که داده ها را به دلخواه تغییر دهیم، اما به گفته دانشمندان این گروه تحقیقاتی، نتیجه این مدل بسیار دقیق تر از پیش بینی های قبلی خواهد بود.

اجرای این تحقیقات فوق از سوی گوگل بسیار امیدوار کننده است، و با در نظر گرفتن اینکه نقش هوش مصنوعی و یادگیری ماشینی در زندگی روزمره هر روز پررنگ تر از قبل می شود، بهتر است از محدودیت ها و ریسک های مربوط به این فناوری های نوین آگاهی بیشتری پیدا کنیم.

The post appeared first on .

محققین گوگل قصد دارند هوش مصنوعی را از دام تبعیض های انسانی نجات دهند

ورودی زباله، خروجی زباله را در پی خواهد داشت. این اصل که به GIGO مشهور است، قانون اصلی محاسبات به شمار می رود و می گوید اگر داده های نامعتبر به سیستم وارد شود، خروجی به دست آمده نیز نامعتبر خواهد بود. سیستم های یادگیری ماشینی نیز از این قاعده مستثنی نیستند.

هوش مصنوعی پایه و ابتدایی، تنها چیزهایی را می داند که ما در اختیارش قرار می دهیم، و اگر داده های ورودی به هر شکل سودار باشند، سیستمی که بر اساس آنها آموزش می یابد نیز جهت گیری تبعیضی خواهد داشت. ظاهراً گوگل به دنبال پیشگیری از بروز این وضعیت نامطلوب است، و بدین منظور از روشی تحت عنوان «برابری فرصت» بهره می گیرد.

گوگل با الگوریتم «برابری فرصت» قصد دارد تبعیض در یادگیری ماشینی از بین ببرد

سیستم های یادگیری ماشینی اساساً موتورهای پیش بین هستند که خصیصه های مجموعه داده های مختلف را آموخته، سپس با دریافت اطلاعات جدید، آنها را در یکی از چند دسته مورد نظر جای می دهند. مثلاً سیستم تشخیص تصویر می تواند ویژگی ها و تفاوت های انواع خودرو را بشناسد و آنها را در دسته های سدان، پیکاپ، اتوبوس و غیره جای دهد.

البته در این میان، اشتباهاتی هم رخ می دهند. مثلاً هوش مصنوعی قادر به تشخیص خودروهای نه چندان معروفی همچون BRAT یا El Camino نیست، چون اطلاعات کافی در مورد آنها در اختیار ندارد، بنابراین می تواند آنها را در هر دسته ای که بخواهد جای دهد، ضمن اینکه نمی توان به دسته بندی نهایی خرده گرفت.

اگرچه اشتباه در دسته بندی خودرو چندان اهمیتی ندارد، اما وضعیتی را تصور کنید که سیستم کامپیوتری مبتنی بر هوش مصنوعی بخواهد افراد حقیقی را بر مبنای ریسک پذیری دریافت وام، دسته بندی نماید. در این عملیات، اشخاصی که با ضوابط موجود مطابقت نداشته باشند، شانس دریافت تسهیلات را از دست خواهند داد.

«مورتیز هارت» مدیر بخش Google Brain در این رابطه می گوید:

زمانی که عضویت در گروه های خاص بر اساس ویژگی های خاصی همچون نژاد، جنسیت، توانایی جسمی یا اعتقادات دینی انجام گیرد، طبیعتاً با ناداوری و تبعیض روبرو خواهیم بود. علی رغم آگاهی نسبت به این موضوع، هنوز روشی در اختیار نداریم که بتوانیم یادگیری ماشینی را از چنین بی عدالتی روی خصیصه های حساس دور نماییم.

«هارت» و همکارانش مقاله ای نوشتند که روشی را برای پیشگیری از این وضعیت پیشنهاد می دهد. در این رویکرد، زمانی که هدف مطلوبی وجود داشته، و احتمال آن برود که یکی از این خصیصه های تعریف شده برای سیستم به اشتباه، فردی را از رسیدن به آن نتیجه باز دارد، الگوریتم به گونه ای خودش را تغییر می دهد که تأثیر ویژگی مورد نظر را از بین برده و شانس دستیابی به آن هدف را به صورت مساوی بین تمامی اعضا توزیع نماید.

رویکرد جدید گوگل برای یادگیری ماشینی، توازن بین خصیصه ها را رعایت می کند.

طراحی چنین سیستمی برای کامپیوتر چندان مشکل نیست، زیرا می توان آن را به گونه ای آموزش داد که توازن بین خصیصه های مختلف رعایت گردد. البته رویکرد فوق بدین معنا نیست که داده ها را به دلخواه تغییر دهیم، اما به گفته دانشمندان این گروه تحقیقاتی، نتیجه این مدل بسیار دقیق تر از پیش بینی های قبلی خواهد بود.

اجرای این تحقیقات فوق از سوی گوگل بسیار امیدوار کننده است، و با در نظر گرفتن اینکه نقش هوش مصنوعی و یادگیری ماشینی در زندگی روزمره هر روز پررنگ تر از قبل می شود، بهتر است از محدودیت ها و ریسک های مربوط به این فناوری های نوین آگاهی بیشتری پیدا کنیم.

The post appeared first on .

محققین گوگل قصد دارند هوش مصنوعی را از دام تبعیض های انسانی نجات دهند

محققین دانشگاه جورجیا کوچکترین قطعه الکترونیکی جهان را با استفاده از مولکول DNA توسعه دادند

محققین دانشگاه جورجیا کوچکترین قطعه الکترونیکی جهان را با استفاده از مولکول DNA توسعه دادند

گروهی از محققین دانشگاه های جورجیا و Ben-Gurion با همکاری یکدیگر یک قطعه الکترونیکی مشابه توسعه داده اند که حتی زیر میکروسکوپ های معمول نیز قابل مشاهده نخواهد بود. این دیود قادر است جریان الکتریسیته را در جهت مورد نظر انتقال دهد و کوچک بودن آن تا این حد به این دلیل است که محققین یک مولکول DNA را برای ساختش مورد استفاده قرار داده اند.

البته بد نیست اشاره کنیم که دانشمندان این مولکول DNA را تنها برای مقاصد تحقیقاتی و با استفاده از تنها 11 ساخته اند و به همین دلیل است که مارپیچ تشکیل شده تا این اندازه کوچک است، در حالی که تعداد جفت باز ها در ژن انسان حدوداً به 3 میلیارد عدد خواهد رسید.

ضمناً لازم به ذکر است که محققین برای اینکه عبور جریان از درون DNA امکان پذیر باشد، یک مولکول موسوم به Coralyne را درون مارپیچ آن قرار داده اند و همین موضوع باعث شده ولتاژ های منفی 15 برابر از ولتاژ های مثبت قوی تر شود و رشته ،DNA عملکردی مشابه دیود را از خود نشان دهد.

به گفته Bingqian Xu که هدایت این پروژه تحقیقاتی را بر عهده دارد، ساخت قطعات الکترونیکی بسیار کوچک به این دلیل با مولکول DNA مورد استفاده قرار گرفته که در این اندازه امکان استفاده از سیلیکون (ماده حیاتی در تولید قطعات الکترونیکی) امکان پذیر نخواهد بود.

وی می گوید: «روند افزایش قدرت پردازش چیپ های الکترونیکی در عین کاهش اندازه آنها در تمام 50 سال اخیر ادامه داشته و اکنون در حال نزدیک شدن به نهایت توان فیزیکی سیلیکون برای این منظور هستیم، چرا که اگر چیپ های ساخته شده از سیلیکون کوچکتر از آنچه امروز مشاهده می کنیم تولید شوند، عملکرد آنها غیر قابل پیشبینی و ناپایدار خواهد بود.»

در پایان لازم است اشاره کنیم که فعالیت های تیم تحت رهبری آقای Xu از این جهت مورد اهمیت است که می تواند در آینده به ساخت قطعات الکترونیکی کوچکتر منجر شود. علاوه بر این باید توجه داشت که کوچکتر شدن قطعات الکترونیکی به این معناست که سازندگان قادر خواهند بود بخش های بیشتری را در ابزارهای ساخت خود تعبیه نمایند و همین موضوع می تواند به افزایش کارکرد و قابلیت های محصولات آینده نیز منجر گردد.

The post appeared first on .

محققین دانشگاه جورجیا کوچکترین قطعه الکترونیکی جهان را با استفاده از مولکول DNA توسعه دادند

(image)

گروهی از محققین دانشگاه های جورجیا و Ben-Gurion با همکاری یکدیگر یک قطعه الکترونیکی مشابه توسعه داده اند که حتی زیر میکروسکوپ های معمول نیز قابل مشاهده نخواهد بود. این دیود قادر است جریان الکتریسیته را در جهت مورد نظر انتقال دهد و کوچک بودن آن تا این حد به این دلیل است که محققین یک مولکول DNA را برای ساختش مورد استفاده قرار داده اند.

البته بد نیست اشاره کنیم که دانشمندان این مولکول DNA را تنها برای مقاصد تحقیقاتی و با استفاده از تنها 11 ساخته اند و به همین دلیل است که مارپیچ تشکیل شده تا این اندازه کوچک است، در حالی که تعداد جفت باز ها در ژن انسان حدوداً به 3 میلیارد عدد خواهد رسید.

ضمناً لازم به ذکر است که محققین برای اینکه عبور جریان از درون DNA امکان پذیر باشد، یک مولکول موسوم به Coralyne را درون مارپیچ آن قرار داده اند و همین موضوع باعث شده ولتاژ های منفی 15 برابر از ولتاژ های مثبت قوی تر شود و رشته ،DNA عملکردی مشابه دیود را از خود نشان دهد.

به گفته Bingqian Xu که هدایت این پروژه تحقیقاتی را بر عهده دارد، ساخت قطعات الکترونیکی بسیار کوچک به این دلیل با مولکول DNA مورد استفاده قرار گرفته که در این اندازه امکان استفاده از سیلیکون (ماده حیاتی در تولید قطعات الکترونیکی) امکان پذیر نخواهد بود.

وی می گوید: «روند افزایش قدرت پردازش چیپ های الکترونیکی در عین کاهش اندازه آنها در تمام 50 سال اخیر ادامه داشته و اکنون در حال نزدیک شدن به نهایت توان فیزیکی سیلیکون برای این منظور هستیم، چرا که اگر چیپ های ساخته شده از سیلیکون کوچکتر از آنچه امروز مشاهده می کنیم تولید شوند، عملکرد آنها غیر قابل پیشبینی و ناپایدار خواهد بود.»

در پایان لازم است اشاره کنیم که فعالیت های تیم تحت رهبری آقای Xu از این جهت مورد اهمیت است که می تواند در آینده به ساخت قطعات الکترونیکی کوچکتر منجر شود. علاوه بر این باید توجه داشت که کوچکتر شدن قطعات الکترونیکی به این معناست که سازندگان قادر خواهند بود بخش های بیشتری را در ابزارهای ساخت خود تعبیه نمایند و همین موضوع می تواند به افزایش کارکرد و قابلیت های محصولات آینده نیز منجر گردد.

The post appeared first on .

محققین دانشگاه جورجیا کوچکترین قطعه الکترونیکی جهان را با استفاده از مولکول DNA توسعه دادند