محققین دانشگاه راتگرز مدلی از هوش مصنوعی طراحی و معرفی کرده‌اند که نه تنها از شبکه‌های عصبی استفاده می‌کند بلکه شامل آستروسیت‌ها نیز می‌شوند که تغذیه و حفاظت یاخته‌های عصبی را بر عهده دارد. این اتفاق رویکردی تازه در زمینه آموزش ربات‌ها (الهام گرفته شده از مغز انسان) خواهد بود.

دانشمندان از مسیر جدیدی برای طراحی نورومورفیک (محاسبات عصبی) استفاده کرده‌اند. آنها با تقلید از ساختار مغز انسان به طور کامل و نه فقط متمرکز روی کار اعصاب، به آنالوگی از آستروسیت‌ها دست یافته‌اند که می‌تواند عملکرد یک ارگان یا سلول‌ها را تنظیم کنند. محققین اشاره دارند که این نخستین بار است که در توسعه مدل‌ها نورون‌ها تنها واحد‌های پردازشگر مغز انسان برای الگوبرداری در علوم در نظر گرفته نشده‌اند.

مهندسین مدل‌های محاسبه‌گری طراحی کرده‌اند که آنچه در تماس یک آستروسیت با نورون‌ها در جریان دریافت و ارسال نبض اتفاق می‌افتد را توصیف می‌کند. آنها سپس از این مدل‌ها برای ساخت بلوک‌های ساختاری و شبکه‌های آستروسیت عصبی استفاده کردند، که منجر به طراحی چیپ‌های نورومورفیک با امکان کنترل ربات شده است.
دانشمندان در یادداشت خود ذکر کرده‌اند: «از آنجایی که آستروسیت‌ها نقش مهمی در مغز بازی می‌کنند، مطالعات و پیاده‌سازی آنها در یک ماشین بسیار هیجان‌انگیز و البته مفید خواهد بود. هدف اصلی ما از این تحقیقات این است که بفهمیم نورون‌ها و آستروسیت‌ها چگونه با یکدیگر ارتباط برقرار کرده و الگوریتم‌هایی می ‌سازند که به بدن اجازه می‌دهد خیلی از فعالیت‌ها را انجام دهد.»

آستروسیت‌ها می‌توانند فعالیت‌های عصبی و رفتار ربات‌ها را دست‌خوش تغییر کنند. این مدل از انتقال نبض توسط نورون‌ها، به شکل بنیادین با الگوریتم‌های یادگیری که فقط می‌توانند ساختار شبکه را تغییر دهند متفاوت است. بنابراین این محققین اولین افرادی بودند که از سلول‌هایی با توانایی آموزش رفتار پیچیده‌تر به ربات‌ها صحبت به میان آوردند.

این تیم عملکرد و بهره‌وری مدل طراحی شده را با کنترل کردن یک ربات با شش بازو در محیط به نمایش گذاشته‌اند. این سیستم به ربات مورد بحث اجازه داده تا سرعت‌های مختلف را تجربه کند و به صورت خودکار از موانع عبور کند. بدون شک مجموعه تحقیقات انجام شده فرصت‌ها و افق وسیعی را پیش روی محققین شاخه هوش مصنوعی قرار داده است.

⭐️ویژگی جدید Union types
با استفاده از این ویژگی، می‌توانید به راحتی برای پارامتر ورودی تابع خود، چندین نوع داده (type) تعریف کنید که در نهایت یکی از آن‌ها اعمال شود.

⭐️کامپایلر JIT (مخفف کلمات Just In Time) به افزایش و بهبود کارایی سرعت پروژه ها بصورت غیرمستقیم کمک می‌کند.

⭐️آرگومان‌های نام گذاری یا Name argumentها به ما ‌این امکان را می‌دهند با آوردن نام پارامترها، پارامترهای یک تابع را بدون ترتیب نیز مقدار دهی کنیم و مجبور به مقداردهی تمامی پارامترها به ترتیب تعریف شده نباشیم.

⭐️بهبود ویژگی تابع constructor در شی گرایی

⭐️برگرداندن(return) نوع جدید static

⭐️قابلیت throw expression
قبل از PHP 8 این امکان نبود که شما یک exception را در کد تک خطی‌تان که ممکن بود یک exception رخ دهد را throw کنید. اما اکنون با آمدن نسخه‌‌ی جدید PHP 8 شما می‌توانید با تمامی عبارت‌ها یا expressionها یک exception را Throw کنید.

⭐️قابلیت Non-capturing catches
شما می‌توانید بدون آوردن متغیر، Exception خود را استفاده کنید.

فایل لایو بالا


#linux #network #live

محققان در ایالات متحده آمریکا توانسته‌اند مشکل حمله هکرها به مدل‌های هوش مصنوعی را برطرف کنند. آن‌ها برای دستیابی به این هدف، از مدل دیگری برای فریب شبکه عصبی و اجبار برای تحلیل تصاویر ویرایش شده استفاده کردند.

بنابر گزارش MIT Technology Review، محققان در دانشگاه «ایلینوی» اعلام کرده‌اند یکی از بزرگترین نقص‌ها در آموزش هوش مصنوعی، آسیب‌پذیری آن‌ها در برابر حملات هکرها است. در این زمینه سیستم‌های تشخیص عکس یا بازسازی تصاویر با بیشترین حملات مواجه می‌شوند.

حملات گسترده به این سیستم‌ها زنگ خطری برای مقامات در بخش مراقبت‌های پزشکی محسوب می‌شود، جایی که اغلب این روش برای بازسازی تصاویر پزشکی مورد استفاده قرار می‌گیرد. در صورتی که هوش مصنوعی تصویر اشتباهی دریافت کند، نتیجه آن تشخیص غلط نوع بیماری خواهد بود.

برای جلوگیری از چنین مشکلی، دانشمندان روش جدیدی برای آموزش سیستم‌های یادگیری عمیق ارائه کرده‌اند که آن‌ها را در برابر خطا مقاوم‌تر می‌کند و همچنین آن‌ها را در زمانی که مسائل امنیتی اهمیت بالایی دارند، قابل اطمینان‌تر می‌کند.
محققان برای دستیابی به این روش، شبکه عصبی مسئول بازسازی تصاویر را به یک مدل با امکان تولید نمونه‌های رقابتی (تصاویر با تفاوت‌های اندک نسبت به عکس‌های اصلی) متصل کردند. در طی آموزش، یکی از هوش‌های مصنوعی بدنبال فریب دیگری با نمایش تصاویر متفاوت نسبت به نمونه‌های اصلی بود.

در طی این آزمایش، مدل مخصوص بازسازی تصاویر دائما در حال تحلیل تصاویر بود تا بتواند تغییرات در آن‌ها را تشخیص دهد و متوجه شود با یک تصویر ویرایش شده روبه‌رو است یا خیر. در نهایت این سیستم توانست تمام تصاویر ویرایش شده را شناسایی کند که از عملکرد بهتر آن نسبت به سایر شبکه‌های عصبی خبر می‌دهد.

دانشمندان در هنگام آزمایش‌ها سعی کردند به صورت دستی سیستم را هک کرده و تصاویر ویرایش شده را به آن نشان دهند که تمام آن‌ها از سوی هوش مصنوعی رد شدند.

#hack #ai #deep_learning #deeplearning

Enable Sysadmin's very best of November 2020Stack your plate with all the of our best content from November 2020.tcarriga Tue, 12/1/2020 at 9:46pmImagethanksgiving dinnerPhoto by Karolina Grabowska via PexelsThis past month was a fantastic time for the Enable Sysadmin community. We published 34 new articles, garnered 467k page views, saw more than 308k unique visitors, and grew our community of writers. Needless to say, we have a lot to be thankful for this year. In case you missed any of the great guides and tutorials from November, take a look back at our top 10 performers from the month. You will find Linux command line help for beginners, using Ansible to automate configurations and server deployments, interpreting Wireshark, and much more.Topics:   Linux  

via Enable Sysadmin https://ift.tt/2I0PNn9

مهندسین آمریکایی موفق شده‌اند هوش مصنوعی جدیدی طراحی کنند که می‌تواند پهپادها را در فضایی ناشناخته یا اتاق‌های کوچک و تنگ هدایت و کنترل نماید. محققان مطمئن هستند گجت‌های مبتنی بر هوش مصنوعی یاد شده حتی در محیط‌هایی بسیار کوچک تصادفی نخواهند داشت و به یکدیگر صدمه وارد نمی‌کنند.
محققین موسسه تکنولوژی کالیفرنیا در واقع راه جدیدی برای پرواز پهپادها طراحی کرده‌اند تا بتوان از آنها برای پرواز در نقاط ناشناخته و پیش بینی نشده نیز استفاده کرد. این سیستم در واقع از الگوریتم یادگیری ماشین پیروی می‌کند که اجازه می‌دهد پهپادها در محیط‌هایی ناآشنا و تنگ به صورت خودکار مسیریابی کنند. در حقیقت این مکانیزم به نوعی به هر کدام از پهپادها تا حدودی استقلال می‌دهد تا اجازه داشته باشد خودشان را با محیط همگام سازند.
به عبارت دیگر این پهپادها به جای اینکه متکی بر نقشه‌ها و مسیرهای از پیش تعیین شده باشند، دارای مدلی خواهند بود که می‌توانند به صورت مستقل و آزادانه در فضای ارائه شده بگردند، حتی اگر اجسام پرنده دیگری در آن محدوده حضور داشته باشند. مدل غیرمتمرکز طراحی شده برای این سیستم اجازه می‌دهد پهپادها بداهه پردازی کرده و در مواجهه با سایر اجسام پرنده واکنش منطقی نشان دهند.
یک کنترلر دنبال کننده جانبی هم می‌تواند به این دست از پهپادها در زمینه حفظ تعادل و تعاملات آیرودینامیکی کمک کند. طی آزمایش‌های اولیه، استفاده از این کنترلر بهره‌وری کلی پهپادها را به اندازه قابل توجهی بهبود بخشید.
از این تکنیک می‌توان در عملیات‌های جستجو و نجات استفاده کرد، چراکه پهپادها قادر خواهند بود به شکلی ایمن در فضای پیرامون مورد نظر گشته و در عین حال به خاطر تجهیز به سیستم خودکار هوش مصنوعی از برخورد با موانع و سایر اجسام پرنده خودداری کنند. محققین معتقدند این متد همچنان نیاز به مطالعات آزمایشگاهی بیشتری داشته، اما طی چند سال آینده می‌تواند به فاز بهره‌برداری برسد.

یک کمیسیون فدرال ایالات متحده آمریکا که توسط مدیرعامل سابق گوگل، «اریک اشمیت» و قائم مقام سابق وزارت دفاع این کشور، «رابرت او. ورک» مدیریت می‌شود، بدنبال تاسیس یک دانشگاه برای آموزش نسل آینده برنامه‌نویس‌های دولتی است.

به گزارش Medium، این دانشگاه که «U.S. Digital Service Academy» نامگذاری می‌شود، یک مرکز آموزشی معتبر خواهد بود که به دانشجویان خود مدرک می‌دهد و افراد در زمینه‌های مختلف مانند امنیت سایبری و هوش مصنوعی آموزش می‌بینند. در این دانشگاه، دانشجویان یکسال تحصیلی خواهند داشت و در طول تابستان در بخش‌ دولتی و خصوصی دوره‌های کارآموزی را طی خواهند کرد.

این دانشگاه نسل جدید برنامه‌نویسان را پرورش می‌دهد و با مراکز مطرح، MIT و استنفورد رقابت می‌کند. اغلب فارغ‌التحصیلان این دانشگاه‌ها بخش‌های خصوصی را برای کار انتخاب می‌کنند، البته می‌توانند در بخش‌های دولتی نیز مشغول به کار شوند.

این کمیسیون تاسیس یک موسسه جدید با نام «کمیسیون امنیت ملی هوش مصنوعی» «NSCAI» را پیشنهاد داده بود که کنگره در سال ۲۰۱۸ آن را با هدف مقابله با سرمایه‌گذاری گسترده چین در هوش مصنوعی تاسیس کرد. به گفته کمیسر NSCAI و رئیس سابق FCC، هر سازمانی که کنگره ایجاد کرده باید تلاش کند تا در زمینه استخدام موفق باشد:

«استعدادها در اشکال مختلف و از محل‌های متفاوت می‌آیند و اگر استخدام تنها در محل‌هایی که مسیر هموار است، انجام شود، فرصت‌ها و استعدادهای زیادی را از دست داده‌اید.»

در حال حاضر دانشگاه‌های MIT و استنفورد که موسسان گوگل در آن تحصیل کرده‌اند، اولین مقصد استعدادها در سراسر جهان محسوب می‌شوند. دانشگاه جدید باید با این مراکز آموزشی رقابت کند، اما احتمالا تبدیل به سومین مقصد می‌شود و دانشجویان آن پس از فارغ‌التحصیلی در شغل‌های دولتی کار خود را ادامه می‌دهند.

اریک اشمیت از سال ۲۰۰۱ تا ۲۰۱۱ مدیرعامل گوگل بود و در فوریه امسال از سمت خود به عنوان مشاور فنی کناره‌گیری کرد. دلیل استعفای اشمیت مشخص نشده، اما به نظر می‌رسد این کار با هدف افزایش فعالیت‌های وی در زمینه نظامی و دولتی صورت گرفته است.

محققان در دانشگاه MIT، آزمایشگاه هوش مصنوعی «MIT-IBM Watson»، کالج بین‌المللی «Underwood» و دانشگاه «Brasilia» به این موضوع پی برده‌اند که در حال نزدیک شدن به محدودیت‌های محاسباتی برای یادگیری عمیق هستیم.

در این تحقیق جدید اعلام شده که پیشرفت در یادگیری عمیق با اشتهای بی‌پایان ما برای قدرت محاسباتی همراه است و توسعه بیشتر نیاز به روش‌های محاسباتی بسیار کارآمدتر دارد. یکی از نویسندگان این مقاله نوشته:

«یادگیری عمیق به طور تصادفی گران نیست، بلکه طراحی باعث چنین موضوعی می‌شود. انعطاف‌پذیری یادگیری عمیق، مدل‌سازی پدیده‌های مختلف و کنار زدن مدل‌های دیگر را در پی دارد که بطور چشمگیری محاسبات را گران‌تر می‌کند.»

محققان ۱۰۵۸ تحقیق و سایر منابع را برای مقاله خود مورد بررسی قرار دادند. هدف از این کار، اطلاع از میزان وابستگی عملکرد یادگیری ماشینی به قدرت محاسباتی در زمینه‌های مختلف شامل طبقه‌بندی تصاویر، شناسایی اشیاء، پاسخ به سوالات، تشخیص نام و ترجمه ماشینی بوده. محققان برای پی بردن به این موضوع که چرا یادگیری عمیق از نظر محاسباتی گران است، مقیاس‌پذیری آماری و محاسباتی آن‌ها را به صورت تئوری تحلیل کردند.
آن‌ها چنین کاری را با دو تحلیل جداگانه از الزامات محاسباتی انجام دادند:

تعداد عملیات‌های نقطه شناور موردنیاز برای یک گذر در شبکه
توانایی محاسباتی سخت افزار مورد استفاده در آموزش مدل
محققان پس از تحلیل خود به این موضوع پی بردند که تنها سه سال بهبود الگوریتمی معادل افزایش ۱۰ برابری قدرت محاسباتی است. اگر پیشرفت در این زمینه با چنین سرعتی دنبال شود، الزامات محاسباتی یادگیری عمیق از نظر فنی، اقتصادی و محیط زیستی به سرعت تبدیل به مانع می‌شوند. با این وجود شاید سخت افزارها نیز بهبود پیدا کنند:

«ما متوجه شدیم که بار محاسباتی واقعی مدل‌های یادگیری عمیق مقیاس‌پذیری سریع‌تری نسبت به مرزهای پایینی در تئوری دارند که نشان‌دهنده امکان پیشرفت‌های اساسی در این بخش است.»

به گفته محققان، پیشرفت‌های یادگیری عمیق در سطح الگوریتمی همیشه در حال رخ دادن است که برخی از آن‌ها شامل شتاب‌دهنده سخت افزاری می‌شود. با گذر زمان متوجه می‌شویم که هزینه‌های یادگیری عمیق کاهش پیدا می‌کند یا فناوری جدیدی جایگزین آن می‌شود.

Data ---> information --> knowledge --> ...


داده ——> اطلاعات —-> دانش ——> بینش —-> خرد ——> و شگفتی

ارتش ایالات متحده رسما از توسعه سیستمی دیالوگ محور مبتنی بر هوش مصنوعی خبر می‌دهد که در واقع امکان مکالمه بین انسان‌ها و ربات‌ها را فراهم می‌کند.

به ادعای ارتش، این سیستم جدید اجازه می‌دهد «ارتباطی روان» بین سربازان و هوش مصنوعی ایجاد شده و از طریق رابط دیالوگ (JUDI) به آنها قابلیت درک و فهم متقابل را ببخشد. با برقراری ارتباط بین انسان‌ها و ماشین، مقامات می‌گویند همه چیز می‌تواند «با سرعت عملیاتی و بهتری» صورت گیرد.

بدون شک «گفت‌و‌گو» راه معمول برقراری ارتباط بین انسان‌هاست؛ اما ماشین‌ها غالبا روش‌های متفاوتی برای برقراری ارتباط دارند و به همین ترتیب نمی‌توانند به سادگی با انسان‌ها تعامل داشته باشند. مکالمه با هوش مصنوعی با روش‌های فعلی نیازمند زمان و مهارت بالایی است و در میدان نبرد دردسرساز خواهد شد، به همین خاطر متخصصان ارتش آمریکا دست به کار شده و سیستم هوش مصنوعی JUDI را طراحی کرده‌اند.
این رابط مکالمه توسط مجموعه آزمایشگاه‌های نظامی ایالات متحده و توسط متخصصین واحد فناوری‌های خلاقانه دانشگاه کالیفرنیا توسعه یافته است. دکتر «متیو مارج» محقق ارشد پروژه در این رابطه توضیح می‌دهد: «این تکنولوژی سربازان را قادر می‌سازد تا با سیستم‌های خودکار از طریق مکالمه و دیالوگ‌های انسانی ارتباط برقرار کرده و از آن برای دستور و کنترل ربات‌های متحرک و ماموریت‌های تاکتیکی استفاده کرد. در سوی مقابل ربات هم از کاربر می‌خواهد تا جزئیات کامل امور را با استفاده از مکالمه معمولی ارائه کند و در هر لحظه از ماموریت به‌روزرسانی‌های اطلاعاتی را در اختیار هوش مصنوعی قرار دهد.»

«در حقیقت با بهره‌گیری از این فناوری به جای اتکا بر اطلاعات از پیش تعیین شده و احتمالا تاریخ گذشته در مورد یک ماموریت، سیستم دیالوگ می‌تواند نیازهای سیستم کلی را جهت درک بهتر از دنیا و انسان‌های پیرامون را برطرف کند.»

ارتش آمریکا تاکید دارد که JUDI برای استفاده در ربات‌هایی که مصارف محیطی دارند طراحی شده و قرار نیست مشابه با دستیارهای صوتی سیری یا گوگل عمل کند. در حقیقت رابط مورد بحث جهت تسهیل تعامل انسان‌ها با ربات‌هایی که به شبکه‌های ابری متصل نیستند ساخته شده است.

محققان ماده نوآورانه‌ای کشف کرده‌اند که می‌توان از آن برای ادغام هوش مصنوعی با مغز استفاده کرد. به گفته محققان کشف این ماده گام بزرگی در مسیر یکپارچه سازی قطعات الکترونیکی با بدن برای تولید انسان ماشینی یا «سایبورگ» است.
اتصال قطعات الکترونیکی به بافت انسانی یکی از بزرگ ترین چالش‌هایی است که محققان با آن روبرو هستند، چرا که ایمپلنت‌های تشکیل شده از موادی مثل طلا، سیلیکون یا فلز به بافت آسیب می‌زنند. این ایمپلنت‌ها علاوه بر آسیب زدن به بافت‌ها در سیگنال‌های الکتریکی بین کامپیوتر با ماهیچه یا بافت مغز اختلال ایجاد می‌کنند. حال محققان دانشگاه «دلاوِر» (Delaware) با کشف پلیمری جدید موفق به از میان بردن این محدودیت شدند.
این پلیمر که Pedot نام دارد، خصوصیات لازم برای اتصال سخت افزار الکترونیکی با بافت انسانی بدون زخم کردن را داشته و به طور قابل توجهی عملکرد ایمپلنت‌های پزشکی را ارتقا می‌دهد. پلیمر Pedot که کاربردهای متنوعی دارد، اخیراً به دلیل قابلیت بالا در نفوذ به مواد خلل و فرج دار و رسانایی الکتریکی برای ذخیره برق در آجر ساختمان سازی به کار رفت.
محققان در این تحقیق لایه نازکی از پلیمر Pedot را با پادتنی استفاده کردند که رشد رگ‌های خونی پس از جراحت را تحریک کرده و می‌توان از آن برای تشخیص رشد مراحل تومور مغزی در بدن استفاده کرد. از پلیمرهای Pedot همچنین می‌توان برای درمان مغز یا مشکلات سیستم عصبی استفاده کرد و از لحاظ تئوری امکان اتصال پپتیدها، آنتی بادی‌ها و DNA را دارد. پژوهشگران با استفاده از دوپامین پلیمری ساختند که می‌توان از آن برای درمان رفتارهای معتاد کننده استفاده کرد.
چندین شرکت و مؤسسه تحقیقاتی به دنبال اتصال مغز با کامپیوتر هستند. شرکت «نورالینک» (Neuralink) که توسط ایلان ماسک تأسیس شده در این زمینه پیشرو بوده و احتمالاً به زودی از محصول تجاری رونمایی می‌کند. ماسک مدعی شده فناوری نورالینک استریم مستقیم موزیک به مغز و درمان اعتیاد و افسردگی را امکان‌پذیر می‌کند.