Ceymi Oberdik, Pensilvaniya Dövlət Universiteti

Stephanie Baum tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Bu illüstrasiya, yeni bir süni intellekt modeli olan ZENN-in kompüterlərə qarışıq, real dünya məlumatlarını anlamağa necə kömək etdiyini göstərir. Axan, çoxrəngli səth, hətta bu məlumatlar çox fərqli formalarda olsa belə, mürəkkəb məlumatların içərisində gizlənən bir çox mümkün nümunələri təmsil edir. Şəkillər, yazılı mətn və yer məlumatları – altındakı nişanlar ilə göstərilən – hamısı ortaq bir şəklə birləşdirilir. Bu fərqli mənbələri bir araya gətirməklə, ZENN mənalı nümunələri aşkar edə və uyğunsuz və ya qeyri-kamil məlumatlarla mübarizə aparan ənənəvi modellərdən daha yaxşı proqnozlar verə bilər. Müəllif: Jennifer M. McCann

Süni intellekt (Sİ) tibbi görüntüləri, material məlumatlarını və elmi ölçmələri təhlil etmək üçün getdikcə daha çox istifadə olunur, lakin bir çox sistem real dünya məlumatları ideal şərtlərə uyğun gəlmədikdə çətinlik çəkir. Müxtəlif alətlərdən, təcrübələrdən və ya simulyasiyalardan toplanan ölçmələr tez-tez qətnamə, səs-küy və etibarlılıq baxımından çox dəyişir. Ənənəvi maşın öyrənmə modelləri adətən bu fərqlərin əhəmiyyətsiz olduğunu fərz edir – bu fərziyyə dəqiqliyi və etibarlılığı məhdudlaşdıra bilər.

   Öz-özünə konfiqurasiya edən optik cihazlar işığı necə ayırmağı avtomatik olaraq öyrənirPlay Video

Bu problemi həll etmək üçün Penn State tədqiqatçıları Alzheimer xəstəliyi tədqiqatlarından tutmuş qabaqcıl material dizaynına qədər müxtəlif sahələr üçün potensial təsirləri olan yeni bir süni intellekt çərçivəsi hazırlayıblar. ZENN adlanan və Milli Elmlər Akademiyasının materiallarında nümayiş etdirilən bir araşdırmada ətraflı təsvir edilən bu yanaşma , süni intellekt modellərinə məlumatların keyfiyyətindəki gizli fərqləri görməməzlikdən gəlmək əvəzinə onları tanımağı və uyğunlaşmağı öyrədir.

Zentropiya ilə Yerləşdirilmiş Neyron Şəbəkələrinin qısaltması olan ZENN, materialşünaslıq və mühəndislik üzrə doktoranturadan sonrakı alim Şun Vanq; riyaziyyat professoru Venrui Hao, materialşünaslıq və mühəndislik professoru Zi-Kui Liu və materialşünaslıq və mühəndislik üzrə tədqiqat professoru Şunli Şanq tərəfindən hazırlanmışdır.

ZENN-in yanaşmasının arxasındakı elm

Zentropiya , Lyunun inkişaf etmiş entropiya nəzəriyyəsidir və sistemlərin nizamı qorumaq üçün enerji olmadığı təqdirdə nizamsızlığa doğru hərəkət etdiyini irəli sürür. Bu daha dərin entropiya nəzəriyyəsi kvant mexanikasını, termodinamikanı və statistik mexanikanı vahid proqnozlaşdırıcı modelə birləşdirir. Tədqiqatçılar bu yanaşmadan istifadə edərək, termodinamikadan prinsipləri birbaşa neyron şəbəkələrinə – insan beyninin informasiyanı elmə əsaslanaraq necə emal etdiyini təqlid edən bir növ süni intellektə – yerləşdirdilər və modellərə mənalı siqnalları qeyri-müəyyənlik və səs-küydən ayırmağa imkan verdilər.

Hao dedi: “Maşın öyrənmə metodlarının əksəriyyəti bütün məlumatların homojen olduğunu fərz edir. Lakin real dünya məlumatları təbiətcə heterojendir. Əgər süni intellektin elmi kəşflər üçün faydalı olmasını istəyiriksə, bunu nəzərə almalıdır.”

Ənənəvi neyron şəbəkələri, modelin proqnozlarının düzgün cavablardan nə qədər uzaq olduğunu ölçmək üçün çarpaz entropiya itkisi adlanan riyazi texnikadan istifadə edərək öyrədilir. Hao bildirib ki, bu yanaşma təlim məlumatları təmiz, etibarlı və ardıcıl olduqda yaxşı işləyir.

Modellərdən heterojen məlumatları, məsələn, dəqiq kompüter simulyasiyalarını daha səs-küylü eksperimental və ya sensor ölçmələri ilə birləşdirmək istənildikdə problemlər yaranır. ZENN, məlumatların xüsusiyyətlərini iki hissəyə bölməklə termodinamikdən ilhamlanan fərqli bir yanaşma tətbiq edir.

“Enerji” adlanan bir hissə məlumatlardakı mənalı nümunələri və ya siqnalları ələ keçirir. “Daxili entropiya” adlanan digər hissə isə ölçmələrdəki səs-küyü, qeyri-müəyyənliyi və ya pozğunluğu ələ keçirir. Model həmçinin tənzimlənə bilən “temperatur” parametrindən istifadə edir ki, bu da məlumatların dəqiq simulyasiyalardan və ya daha səs-küylü təcrübələrdən qaynaqlanıb-gəlməməsi kimi gizli fərqləri tanımağa kömək edir. Bu, ZENN-ə dəyişən məlumat keyfiyyətini nəzərə alarkən əsl siqnala diqqət yetirməyə imkan verir.

Vanq bu ideyanı qeyri-kamil sənədləri oxumaqla müqayisə etdi.

Vanq dedi: “Əgər ləkələr və ləkələr olan əlyazma qeyd oxuyursunuzsa, hansı işarələrin mənalı, hansılarının isə sadəcə səs-küy olduğunu bilirsiniz. Ənənəvi süni intellekt tez-tez hər şeyə eyni yanaşır. ZENN fərqi görmək üçün hazırlanmışdır.”

Real həyatda sınaq və tətbiqlər

Testlərdə tədqiqatçılar ZENN-in məlumatların keyfiyyəti dəyişdikdə daha güclü qalarkən daha böyük və daha mürəkkəb neyron şəbəkələrinin performansına uyğunlaşdığını aşkar etdilər. Komandanın sözlərinə görə, eyni dərəcədə vacib olan odur ki, çərçivə yalnız hansı nəticənin gözlənildiyini deyil, həm də sistemin niyə müəyyən bir şəkildə davrandığını anlamağa imkan verir.

Onlar çərçivəni materialşünaslıq üzrə bir araşdırmada sınaqdan keçirdilər. Bu ərintinin qızdırıldıqda büzülmə xüsusiyyəti nadirdir. Komanda ZENN-dən istifadə edərək materialın sərbəst enerji mənzərəsini yenidən qurdu və onun qeyri-adi mənfi istilik genişlənməsinin arxasındakı termodinamik mexanizmləri aşkar etdi.

“Bir çox süni intellekt modeli qara qutular kimi hərəkət edir”, – deyə Liu bildirib. “Onlar proqnozlar verə bilərlər, lakin onların arxasındakı fizikanı izah etmirlər. ZENN davranışı idarə edən mexanizmləri aşkar etməyə kömək edir.”

Tədqiqatçılar bu çərçivənin biotibbi tədqiqatlarda xüsusilə dəyərli ola biləcəyini söyləyirlər. Alzheimer xəstəliyi kimi xəstəliklər beyin görüntüləməsi, genetik məlumatlar, molekulyar markerlər və digər klinik qeydlər daxil olmaqla mürəkkəb, heterojen məlumatları əhatə edir. ZENN, xəstəlik alt tiplərini müəyyən etmək, irəliləməni izləmək və potensial olaraq proseslərdə əsas keçid nöqtələrini müəyyən etmək üçün bu məlumat dəstlərini inteqrasiya etməyə kömək edə biləcəyini söylədilər.

Komandanın bildirdiyinə görə, oxşar üstünlüklər amiloidlərin krio-elektron mikroskopiyası tədqiqatlarına, iqlim tədqiqatlarında istifadə olunan fosil polen dənələrinin təhlilinə və coğrafi informasiya sistemi məlumatlarını PM2.5 indeksləri, mənzil qiyməti və ruhi sağlamlıq kimi sensor ölçmələri ilə birləşdirən qabaqcıl görüntüləmə sistemlərinə tətbiq oluna bilər. Penn State Universitetində bir çox sahə üzrə geniş əməkdaşlıq qurulur.

Gələcək istiqamətlər və daha geniş təsir

Liunun sözlərinə görə, materialşünaslıq və mühəndislik sahəsində ZENN ideal kompüter simulyasiyaları ilə real dünya təcrübələri arasındakı boşluğu aradan qaldırmağa kömək edə bilər. Hər ikisindən öyrənərək, çərçivə yalnız nəzəri cəhətdən perspektivli deyil, həm də istehsal edilə bilən materialların dizaynına rəhbərlik edə bilər. Potensial tətbiqləri sümük bərpası üçün tibbi implantlardan tutmuş böyük, mürəkkəb məlumat dəstlərini idarə edən və təhlil edən ULTERA kimi qabaqcıl məlumat platformalarına qədər dəyişə bilər.

Liu həmçinin qeyd etdi ki, bu yanaşma, qeyri-müəyyənliyin qüsur deyil, fundamental xüsusiyyət olduğu kvant hesablamaları kimi inkişaf etməkdə olan sahələrdə də faydalı ola bilər. Zentropiyaya əsaslanan düşüncə tərzinin süni intellekt modellərinə daxil edilməsi kvant məlumatlarını şərh etmək və idarə etmək üçün yeni vasitələr təklif edə bilər.

Xüsusilə metodun son dərəcə böyük və ya mürəkkəb sistemlərə tətbiqində çətinliklər qalsa da, Liu işin süni intellektin elmə necə dəstək verə biləcəyi ilə bağlı daha geniş bir dəyişikliyi əks etdirdiyini söylədi.

“Süni intellektdən yalnız nümunələri tapmaq üçün istifadə etmək əvəzinə, onun mexanizmləri anlamağımıza kömək etməsini istəyirik”, – deyə Liu bildirib. “Elmi biliklərin irəliləməsinə imkan verən də məhz budur.”

Daha çox məlumat: Shun Wang və digərləri, ZENN: Heterogen məlumatlara əsaslanan modelləşdirmə üçün termodinamikdən ilhamlanan hesablama çərçivəsi, Milli Elmlər Akademiyasının materialları (2026). DOI: 10.1073/pnas.2511227122

Jurnal məlumatları: Milli Elmlər Akademiyasının materialları Pensilvaniya Dövlət Universiteti tərəfindən təmin edilir