نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

24 مهر 1403 10:38 ق.ظ

محققان و چرا یی کارامدی شبکه های عصبی در پیش بینی های خود

machine learn

4 سپتامبر 2020توسط Universitat Rovira i Virgili

هوش مصنوعی ، یادگیری ماشینی و شبکه های عصبی اصطلاحاتی هستند که به طور فزاینده ای در زندگی روزمره مورد استفاده قرار می گیرند. تشخیص چهره ، تشخیص اشیا و طبقه بندی و تقسیم بندی افراد از وظایف معمول الگوریتم های یادگیری ماشینی است که اکنون مورد استفاده گسترده قرار گرفته است. زیربنای تمام این فرایندها یادگیری ماشینی است ، به این معنی که رایانه ها می توانند خصوصیات اساسی یا خصوصیات اصلی فرایندهایی را که روابط بین اشیا راکه بسیار پیچیده است ، به دست آورند. روند یادگیری شامل مثالهای خوب و بد است و هیچ ارتباطی با دانش قبلی در مورد اشیا یا قوانین اساسی فیزیک ندارد.

با این حال ، از آنجا که این یک فرایند بهینه سازی کور است ، یادگیری ماشینی همانند یک جعبه سیاه است: رایانه ها تصمیماتی را می گیرند که آنها را معتبر می دانند اما دلیل اینکه یک تصمیم گرفته می شود و دیگری تصمیم گرفته نمی شود و  بنابراین مکانیسم داخلی روش تصمیم گیری هنوز مشخص نیست. در نتیجه ، پیش بینی های انجام شده توسط یادگیری ماشینی برای شرایط بحرانی خطرناک است و به هیچ وجه قابل اعتماد نیست زیرا نتایج می تواند فریبنده باشد.

در این مطالعه ، گروه تحقیقاتی متشکل از ولادیمیر باولین ، از گروه مهندسی شیمی URV ، مارک ورنر (موسسه تحقیقات پلیمر لایب نیتس در درسدن) و یاچونگ گو (دانشگاه نانجینگ ، چین) پیش بینی های یک شبکه عصبی را آزمایش کرده تا بررسی کنند که آیا آنها با نتایج واقعی همخوانی دارند یا خیر. برای این منظور ، آنها یک مثال عملی کاملاً مشخص را انتخاب کردند. بر این اساس شبکه عصبی مجبور شد یک مولکول پلیمری را طراحی کند که در کمترین زمان ممکن از غشا ء چربی عبور کند. غشای لیپیدی یک مانع طبیعی است که از سلول ها در برابر آسیب و اجزای خارجی محافظت می کند. برای نظارت بر پیش بینی شبکه عصبی ، محققان یک روش عددی جدید را ایجاد کردند که از یک سیستم شمارش جامع استفاده می کند که با برنامه ریزی مستقیم کارت های گرافیک با کارایی بالا در محاسبات موازی ، تمام امکانات ترکیب پلیمر را تعیین می کند.

ولادیمیر باولین توضیح می دهد: “پردازشگر سنتی رایانه می تواند حداکثر 12-24 هسته برای محاسبات داشته باشد ، اما کارت های گرافیک برای محاسبه موازی پیکسل های تصویر و ویدئو طراحی شده اند و هزاران هسته محاسبات بهینه شده برای محاسبات موازی دارند.” . این قدرت محاسباتی عظیم ، هزاران میلیون ترکیب پلیمر را فقط در چند ثانیه یا چند دقیقه تولید می کند. به این ترتیب می توان نقشه ای تولید کرد که شامل تمام ترکیبات ممکن باشد و بنابراین ،  بر اینکه چگونه شبکه عصبی نتیجه صحیح را انتخاب می کند ، می توان نظارت کرد.

باولین اشاره می کند: “آنچه تعجب آور است این است که چنین شبکه ساده و حداقل شبکه عصبی می تواند ترکیب یک مولکول را پیدا کند.” “این احتمالاً به این دلیل است که سیستم های فیزیکی از قوانین طبیعت پیروی می کنند ، که از لحاظ ذاتی متقارن و مشابه خود هستند. این به شدت تعداد ترکیب پارامترهای احتمالی را که بعدا توسط شبکه های عصبی در نظرگرفته می شوند ، کاهش می دهد.”

بنابراین ، مقایسه نتیجه گیری شبکه عصبی با نتیجه واقعی نه تنها بررسی در خصوص صحت پیش بینی را ممکن می کند بلکه نشان می دهد که در صورت تغییر کار ، پیش بینی ها چگونه تکامل می یابند. و به نوبه خود ، این نشان می دهد که شبکه های عصبی چگونه تصمیم می گیرند و چگونه “فکر می کنند”.

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *