Ponsel pelacak wajah, chip AI analog, dan akselerator partikel yang dipercepat – TechCrunch

Technology

Penelitian tentang pembelajaran mesin dan kecerdasan buatan, yang sekarang menjadi teknologi utama di hampir setiap industri dan perusahaan, terlalu banyak untuk dibaca semua orang. Tujuan kolom ini, Perceptron, adalah untuk mengumpulkan beberapa penemuan dan makalah terbaru yang paling relevan – terutama dalam, tetapi tidak terbatas pada, kecerdasan buatan – dan menjelaskan mengapa itu penting.

Sebuah “telepon” yang menggunakan sonar untuk membaca ekspresi wajah adalah salah satu proyek yang menarik perhatian kami dalam beberapa minggu terakhir. Juga ProcTHOR, kerangka kerja dari Institut Allen untuk Kecerdasan Buatan (AI2) yang secara prosedural menciptakan lingkungan yang dapat digunakan untuk melatih robot dunia nyata. Di antara sorotan lainnya, Meta mengembangkan sistem kecerdasan buatan yang dapat memprediksi struktur protein yang diberi urutan asam amino tunggal. Dan peneliti MIT telah mengembangkan perangkat keras baru yang mereka klaim akan memberikan komputasi yang lebih cepat untuk kecerdasan buatan dengan lebih sedikit energi.

Dikembangkan oleh tim di Cornell, “ponsel” ini terlihat seperti sepasang headphone besar. Speaker mengirimkan sinyal audio ke sisi wajah pengguna, sementara mikrofon menangkap gema yang tidak terdeteksi yang diciptakan oleh hidung, bibir, mata, dan fitur wajah lainnya. “Profil gema” ini memungkinkan telinga untuk menangkap gerakan seperti mengangkat alis dan mengarahkan mata, yang diubah oleh algoritme AI menjadi ekspresi wajah penuh.

Kecerdasan buatan telinga

Kredit gambar: Cornell

Anting-anting memiliki beberapa keterbatasan. Itu hanya bertahan tiga jam dengan baterai dan harus memindahkan pemrosesan ke smartphone, dan algoritme AI penerjemahan gema harus melatih 32 menit data wajah sebelum dapat mengenali ekspresi. Tetapi para peneliti percaya pengalaman itu jauh lebih bergaya daripada perekam yang secara tradisional digunakan dalam film, televisi, dan animasi video game. Misalnya, untuk game misteri LA Noire, Rockstar Games membuat rig dengan 32 kamera yang dipasang di wajah setiap aktor.

Mungkin suatu saat kernel ear akan digunakan untuk membuat animasi robot humanoid. Tapi robot-robot ini harus terlebih dahulu belajar bagaimana bergerak di sekitar ruangan. Untungnya, ProcTHOR AI2 mengambil langkah (tidak ada permainan kata-kata) ke arah ini, menciptakan ribuan adegan khusus, termasuk ruang kelas, perpustakaan, dan kantor, di mana robot simulasi harus melakukan tugas seperti mengambil benda dan bergerak di sekitar furnitur.

Ide di balik layar, yang menampilkan pencahayaan simulasi dan mencakup subset dari susunan besar bahan permukaan (misalnya, kayu, ubin, dll.) dan benda-benda rumah tangga, adalah untuk mengekspos robot simulasi sebanyak mungkin. . Ini adalah teori mapan dalam kecerdasan buatan bahwa kinerja dalam lingkungan simulasi dapat meningkatkan kinerja sistem dunia nyata. Perusahaan mobil otonom seperti Waymo dari Alphabet mensimulasikan seluruh lingkungan untuk menyempurnakan perilaku mobil mereka di dunia nyata.

ProcTHOR AI2

Kredit gambar: Institut Allen untuk Kecerdasan Buatan

Adapun ProcTHOR, AI2 mengklaim dalam sebuah makalah bahwa penskalaan jumlah lingkungan pelatihan secara konsisten meningkatkan kinerja. Ini bagus untuk robot yang bekerja di rumah, tempat kerja, dan tempat lainnya.

Tentu saja, melatih sistem jenis ini membutuhkan banyak daya komputasi. Tapi mungkin tidak selamanya seperti ini. Peneliti MIT mengatakan mereka telah menciptakan prosesor “analog” yang dapat digunakan untuk membuat jaringan “neuron” dan “sinapsis” ultra-cepat, yang pada gilirannya dapat melakukan tugas-tugas seperti pengenalan gambar, terjemahan bahasa, dan banyak lagi. untuk digunakan.

Prosesor para peneliti menggunakan “resistor proton yang dapat diprogram” yang disusun dalam susunan untuk “mempelajari” keterampilan. Meningkatkan dan menurunkan konduktivitas listrik resistensi, meniru penguatan dan melemahnya sinapsis antara neuron di otak, adalah bagian dari proses pembelajaran.

Konduktivitas dikendalikan oleh elektrolit yang mengontrol pergerakan proton. Ketika lebih banyak proton didorong ke dalam saluran di resistor, konduktansi meningkat. Ketika proton dihilangkan, konduktivitas menurun.

Papan sirkuit komputer

Prosesor pada papan sirkuit komputer

Sebuah mineral, kaca fosfosilikat, membuat prosesor tim MIT begitu cepat karena mengandung pori-pori berukuran nanometer yang permukaannya menyediakan jalur yang sangat baik untuk difusi protein. Sebagai keuntungan tambahan, kaca dapat dioperasikan pada suhu kamar dan tidak rusak oleh pergerakan protein di sepanjang pori-pori.

“Begitu Anda memiliki prosesor analog, Anda tidak lagi melatih jaringan yang sedang dikerjakan orang lain,” kata penulis senior Morat Onen, seorang rekan postdoctoral MIT, dalam sebuah pernyataan. “Anda akan melatih jaringan dengan kompleksitas yang belum pernah ada sebelumnya yang tidak dapat ditangani oleh orang lain, sehingga Anda akan secara dramatis mengungguli semuanya. Dengan kata lain, ini bukan mobil yang lebih cepat, ini adalah pesawat luar angkasa.”

Berbicara tentang akselerasi, pembelajaran mesin sekarang digunakan, setidaknya secara eksperimental, untuk mengelola akselerator partikel. Di Laboratorium Nasional Lawrence Berkeley, dua tim telah menunjukkan bahwa simulasi seluruh mesin dan balok berbasis ML memberi mereka prediksi yang sangat akurat hingga 10 kali lebih baik daripada analisis statistik konvensional.

Kredit gambar: Thor Swift/Berkeley Lab

“Jika Anda dapat memprediksi sifat balok dengan akurasi yang melebihi fluktuasinya, Anda dapat menggunakan prediksi itu untuk meningkatkan kinerja akselerator,” kata Daniele Filipto dari lab. Mensimulasikan semua fisika dan peralatan yang terlibat bukanlah tugas kecil, tetapi yang mengejutkan, upaya awal oleh berbagai tim untuk melakukannya membuahkan hasil yang menjanjikan.

Dan di Laboratorium Nasional Oak Ridge, platform bertenaga AI memungkinkan mereka melakukan computed tomography hiperspektral menggunakan hamburan neutron dan menemukan yang optimal… Mungkin kita harus membiarkan mereka menjelaskan.

Dalam dunia medis, ada aplikasi baru analisis gambar berbasis pembelajaran mesin di bidang neurologi, di mana para peneliti University College London telah melatih model untuk mendeteksi tanda-tanda awal lesi otak yang menyebabkan epilepsi.

Brain MRI digunakan untuk melatih algoritma UCL.

Penyebab umum epilepsi yang resistan terhadap obat adalah apa yang dikenal sebagai displasia kortikal fokal, area otak yang tumbuh secara tidak normal tetapi untuk alasan apa pun tidak terlihat jelas abnormal pada MRI. Deteksi dini bisa sangat membantu, sehingga tim UCL melatih model pemeriksaan MRI yang disebut Deteksi Lesi Epilepsi Multisenter pada ribuan sampel dari daerah otak yang sehat dan terpengaruh FCD.

Model tersebut mampu mendeteksi dua pertiga dari FCD yang ditampilkan, yang sebenarnya cukup bagus karena gejalanya sangat halus. Bahkan, ditemukan 178 kasus di mana dokter tidak dapat menemukan FCD tetapi bisa. Secara alami, kata terakhir ditujukan kepada para ahli, tetapi komputer yang mengisyaratkan bahwa ada sesuatu yang salah terkadang bisa menjadi semua yang Anda butuhkan untuk melihat lebih dekat untuk mendapatkan diagnosis yang andal.

Kami berfokus pada pembuatan algoritme AI yang dapat ditafsirkan dan dapat membantu dokter membuat keputusan. Mathilde Ripart dari UCL mengatakan: “Menunjukkan bagaimana algoritma MELD membuat prediksi kepada dokter adalah bagian penting dari proses.


Source link

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.