نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

10 فروردین 1403 11:17 ق.ظ

کوچکترین بازوی رباتیکی که می توانید تصور کنید توسط هوش مصنوعی کنترل می شود

7 دسامبر 2022 -توسط دانشگاه آلتو -اعتبار: دانشگاه آلتو

محققان از یادگیری تقویتی عمیق برای هدایت اتم ها به شکل شبکه ای با هدف ساخت مواد جدید یا نانووسایل استفاده کردند.در یک محفظه خلاء بسیار سرد، تک اتم های نقره شبکه ای ستاره مانند را تشکیل می دهند. شکل گیری دقیق تصادفی نیست و مستقیماً توسط دست انسان نیز ساخته نشده است. محققان از نوعی هوش مصنوعی به نام یادگیری تقویت شده عمیق استفاده کردند تا اتم ها را که هر کدام کسری از نانومتر اندازه دارند، به شکل شبکه هدایت کنند. این فرآیند شبیه به حرکت دادن تیله ها در اطراف یک تخته چکرز چینی است، اما با موچین های بسیار ریزی که هر اتم را در جای خود گرفته و می کشد.

I-Ju Chen محقق فوق دکترا می گوید: کاربرد اصلی برای یادگیری تقویتی عمیق در رباتیک است. او توضیح می‌دهد: «ما همچنین در حال ساخت بازوهای رباتیک با یادگیری عمیق هستیم، اما برای حرکت اتم‌ها. یادگیری تقویتی در مواردی مانند بازی شطرنج یا بازی های ویدئویی موفقیت آمیز است، اما ما از آن برای حل مشکلات فنی در مقیاس نانو استفاده کرده ایم.”

چرا دانشمندان علاقه مند به حرکت دقیق اتم ها هستند؟ ساخت دستگاه‌های بسیار کوچک بر اساس اتم‌های منفرد برای نانودستگاه‌هایی مانند ترانزیستور یا حافظه مهم است. چن می‌گوید آزمایش چگونگی و اینکه آیا این دستگاه‌ها در حد مطلق خود کار می‌کنند، یکی از کاربردهای این نوع دستکاری اتمی است. ساختن مواد جدید اتم به اتم، به جای تکنیک‌های شیمیایی سنتی، ممکن است ویژگی‌های جالب مربوط به ابررسانایی یا حالت‌های کوانتومی را نشان دهد.

شبکه ستاره نقره ای ساخته شده توسط چن و همکارانش در مرکز فنلاند برای هوش مصنوعی FCAI و دانشگاه آلتو، نمایشی است از آنچه یادگیری تقویتی عمیق می تواند به دست آورد. چن می گوید: حرکت دقیق اتم ها حتی برای متخصصان انسانی نیز سخت است.

ما یادگیری تقویتی عمیق موجود را برای این منظور تطبیق دادیم. یادگیری الگوریتم به ترتیب یک روز و سپس ساخت شبکه حدود یک ساعت طول کشید. بخش تقویتی این نوع یادگیری عمیق به نحوه هدایت هوش مصنوعی از طریق پاداش برای اقدامات یا خروجی های صحیح اشاره دارد. “به آن هدف بدهید و آن را انجام خواهد داد. می تواند مشکلاتی را حل کند که انسان ها نمی دانند چگونه آنها را حل کنند.”

به کارگیری این رویکرد در دنیای مواد نانو علم جدید است. چن می‌گوید نانوتکنیک‌ها می‌توانند با تزریق یادگیری ماشین قدرتمندتر شوند، زیرا می‌توانند انتخاب پارامتر و آزمون و خطا را که معمولاً توسط یک فرد انجام می‌شود تسریع کنند.چن نتیجه می گیرد: «ما نشان دادیم که این کار را می توان از طریق یادگیری تقویتی به خوبی تکمیل کرد. تحقیقات این گروه به رهبری پروفسورهای آدام فاستر و پیتر لیلجروت اخیراً در Nature Communications منتشر شده است.

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

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