머신러닝과 인공지능 분야의 연구는 이제 거의 모든 산업과 기업에서 중요한 기술이 되고 있지만, 그 모든 것을 읽으려면 엄청난 양의 연구가 이루어지고 있습니다. 이 칼럼, 퍼셉트론은 가장 관련성이 높은 최근의 발견과 논문의 일부를 수집하는 것을 목적으로 하고 있으며, 특히 인공지능에 한정되지 않지만, 그들이 중요한 이유를 설명합니다.

소나를 사용하여 표정을 읽는 “earable”은 지난 몇 주 동안 주목받은 프로젝트 중 하나입니다. ProcTHOR는 실제 세계 로봇 교육에 사용할 수 있는 환경을 절차적으로 생성하는 AI2(Allen Institute for AI)의 프레임워크입니다. 다른 하이라이트 중에서도 Meta는 단일 아미노산 서열로부터 단백질의 구조를 예측할 수 있는 AI 시스템을 만들었습니다. 또한 MIT 연구원은 보다 적은 에너지로 AI 계산을 가속화할 수 있다고 주장하는 새로운 하드웨어를 개발했습니다.

Cornell의 팀이 개발한 “earable”은 부피가 큰 헤드폰처럼 보입니다. 스피커는 착용자의 얼굴 측면에 음향 신호를 보내고 마이크는 코, 입술, 눈 및 기타 얼굴의 특징에 의해 생성되는 간신히 감지할 수 있는 에코를 선택합니다. 이러한 “에코 프로파일”을 통해 이어러블은 눈썹을 올리거나 눈 움직임과 같은 움직임을 캡처할 수 있습니다. 이러한 움직임은 AI 알고리즘에 의해 완전한 표정으로 변환됩니다.

이미지 크레딧: 코넬

earable에는 몇 가지 제한 사항이 있습니다. 배터리에서 3시간만 지속되며 스마트폰으로 처리를 오프로드해야 하며 에코 번역 AI 알고리즘은 얼굴 인식을 시작하기 전에 32분간 얼굴 데이터로 교육해야 합니다. 그러나 연구자들은 영화, 텔레비전 및 비디오 게임 애니메이션에서 기존에 사용되었던 레코더보다 훨씬 정교한 경험이라고 주장합니다. 예를 들어, 미스터리 게임 LA Noire의 경우 Rockstar Games는 각 배우의 얼굴에 32 대의 카메라를 트레이닝하는 리그를 구축했습니다.

어쩌면 언젠가 Cornell의 이어러블은 휴머노이드 로봇의 애니메이션을 만드는 데 사용됩니다. 그러나 그 로봇은 먼저 방을 이동하는 방법을 배워야합니다. 다행히 AI2의 ProcTHOR는 이 방향으로 (멋지지 않고) 한 걸음 내딛고, 시뮬레이션된 로봇이 물체를 집어들거나 가구 주위를 이동하는 등의 태스크를 완료할 필요가 있는 교실, 도서관, 사무실 등 수천 개의 사용자 정의 장면을 만듭니다.

조명을 시뮬레이트하고 대량의 표면 소재(목재, 타일 등)와 가정용 개체의 하위 집합을 포함한 무대 뒤의 아이디어는 시뮬레이션된 로봇을 가능한 한 다양한 것에 노출시키는 것입니다. 시뮬레이션된 환경에서의 성능이 현실 세계 시스템의 성능을 향상시킬 수 있다는 것은 AI에서 확립된 이론입니다. Alphabet의 Waymo와 같은 자율주행 자동차 회사는 이웃 전체를 시뮬레이션하여 실제 자동차의 거동을 미세 조정합니다.

프록토르 AI2

이미지 크레딧: 알렌 인공 지능 연구소

ProcTHOR의 경우 AI2는 논문에서 교육 환경의 수를 확장하면 일관되게 성능이 향상된다고 주장합니다. 이것은 가정, 직장 및 기타 장소에서 사용되는 로봇에게 좋은 표시입니다.

물론 이러한 유형의 시스템을 교육하려면 많은 계산 능력이 필요합니다. 그러나 그것은 영원히 그렇지 않을 수도 있습니다. MIT 연구원은 “뉴런”과 “시냅스”의 초고속 네트워크를 만드는 데 사용할 수 있는 “아날로그” 프로세서를 만들었다고 말합니다. 이를 사용하여 이미지 인식, 언어 번역 등의 작업을 수행할 수 있습니다.

연구원의 프로세서는 어레이형으로 배치된 “양성자 프로그래밍 가능 저항기”를 사용하여 기술을 “학습”합니다. 저항기의 전기 컨덕턴스의 증감은 학습 과정의 일부인 뇌 내의 뉴런 사이의 시냅스의 강화와 약화를 모방한다.

컨덕턴스는 양성자의 움직임을 지배하는 전해질에 의해 제어됩니다. 더 많은 양성자들이 저항기의 채널로 밀려들면 컨덕턴스가 증가한다. 양성자가 제거되면 컨덕턴스가 감소합니다.

컴퓨터 회로 기판

컴퓨터 회로 보드의 프로세서

무기 재료인 링실레이트 유리는 MIT 팀의 프로세서를 매우 빠르게 만듭니다. 이는 표면이 단백질 확산에 최적의 경로를 제공하는 나노미터 크기의 기공을 포함하기 때문입니다. 추가 이점으로 유리는 실온에서 작동하며 기공을 따라 이동하는 단백질에 의해 손상되지 않습니다.

“아날로그 프로세서를 얻으면 다른 사람들이 작업하는 네트워크를 교육 할 필요가 없습니다.”라고 필자는 MIT 포스 독의 Murat Onen이 보도 자료에서 언급했다고 인용했습니다. “당신은 다른 사람이 할 수없는 전례없는 복잡성으로 네트워크를 훈련시킬 것이므로 모든 것을 크게 능가합니다. 즉, 이것은 빠른 자동차가 아니라 우주선입니다.”

가속이라고 하면, 기계 학습은 현재 적어도 실험적인 형태로 입자 가속기의 관리에 사용되고 있다. 로렌스 버클리 국립 연구소의 두 팀은 전체 기계 및 빔의 ML 기반 시뮬레이션이 일반 통계 분석보다 10배 더 우수한 고정밀 예측을 제공함을 보여주었습니다.

이미지 크레딧: 토르 스위프트/버클리 연구소

“빔의 특성을 그 변동을 초과하는 정확도로 예측할 수 있다면, 그 예측을 사용하여 가속기의 성능을 향상시킬 수 있습니다.”라고 실험실 Daniele Filippetto는 말합니다. 모든 관련 물리 현상과 장비를 시뮬레이션하는 것은 쉬운 일이 아니지만, 놀랍게도 다양한 팀이 초기 노력으로 유망한 결과를 가져왔습니다.

그리고 오클리지 국립 연구소에서는 AI 기반 플랫폼을 사용하여 중성자 산란을 사용하여 하이퍼스펙트럼 CT를 실행하여 최적의 것을 찾을 수 있습니다.

의료 세계에서 신경학 분야에서 기계 학습 기반 이미지 분석의 새로운 응용 프로그램이 있었고 유니버시티 칼리지 런던의 연구자들은 간질을 일으키는 뇌 병변의 초기 징후를 감지하는 모델을 교육했습니다.

UCL 알고리즘을 훈련시키는 데 사용되는 뇌의 MRI.

약물 내성 간질의 일반적인 원인 중 하나는 국소성 피질 이형성으로 알려져 있습니다. 이것은 비정상적으로 발달 된 뇌의 영역이지만 어떤 이유로 MRI에서는 분명히 비정상적으로 보이지 않습니다. 이를 조기에 감지하는 것이 매우 유용할 수 있기 때문에 UCL 팀은 건강하고 FCD에 영향을 받은 뇌 영역의 수천 가지 예에서 Multicenter Epilepsy Lesion Detection이라는 MRI 검사 모델을 교육합니다. 했다.

모델은 표시된 FCD의 3분의 2를 감지할 수 있었습니다. 이것은 징후가 매우 미묘하기 때문에 실제로 매우 좋습니다. 사실 의사가 FCD를 찾을 수 없었던 178개의 사례를 발견했습니다. 당연히 최종 결정권은 전문가에게 맡겨져 있지만, 뭔가 잘못되었을 수 있음을 시사하는 컴퓨터가 더 자세히 조사하고 자신있게 진단하는 데 필요합니다. 모든 것일 수 있습니다.

“해석 가능하고 의사의 의사 결정에 도움이 되는 AI 알고리즘을 만드는 데 중점을 두고 있습니다. Mathilde Ripart는 말합니다.

Leave a Reply

Your email address will not be published.