jadiid

گروهی از محققان از چند نهاد در دانمارک، همراه با همکاران از Sintex و Haldor Topsoe، توسعه داده است اصلاح طلب متان برق که تولید بسیار کمتر CO 2 از اصلاح طلبان بخار متان معمولی است. این گروه در مقاله خود که در مجله Science منتشر شده است ، فناوری جدید آنها و چگونگی عملکرد آن را شرح می دهد. کوین ون گیم ، ولادیمیر گالویتا و گای مارین با آزمایشگاه فناوری شیمیایی و مرکز شیمی پایدار در گنت ، قطعه پرسپولیسی را در مورد کارهایی که این تیم در همین شماره مجله انجام داده است ، منتشر کرده اند.

تولید هیدروژن تجارت بزرگی است. هر ساله تقریبا 60 میلیون تن ساخته می شود. قیمت پمپ وکیوم این ماده در درجه اول برای تهیه متانول و آمونیاک برای کود استفاده می شود. برخی محققان تخمین می زنند که در مجموع ، اصلاح طلبان متان بخار تقریباً 3 درصد از کل انتشار گازهای گلخانه ای CO 2 را تشکیل می دهند.

اصلاح کننده بخار متان وسیله ای بسیار بزرگ است که برای استخراج هیدروژن از متان استفاده می شود. همچنین انتشار دهنده اصلی CO 2 به جو است. به طور معمول در یک ساختمان بزرگ شش طبقه قرار دارد که در آن گاز طبیعی برای گرم کردن متان و آب تحت فشار سوزانده می شود و باعث می شود مولكول ها سینگا ایجاد كنند - مخلوطی از مونوكسید كربن و هیدروژن. همچنین تولید CO 2 که بعضی از این ترکیب به درستی خروشیدن نیست و به عنوان گاز طبیعی سوخته است. در تلاش جدید ، تیم در دانمارک به دنبال ساختن یک اصلاح کننده متان بود که به جای گاز طبیعی از الکتریسیته برای گرم کردن متان و آب استفاده می کند. هدف کاهش انتشار CO 2 و هزینه های مرتبط با ساخت هیدروژن بود.

تیم گزارش می دهد که دستگاه حاصل از آن به طور قابل توجهی کوچکتر از یک اصلاح کننده متان معمولی و بسیار تمیزتر است. با استفاده از برق، آنها قادر به حرارت مخلوط متان / آب بیشتر به طور مساوی، که منجر به کمتر CO شد 2 تولید گازهای گلخانه ای. همچنین ، فرآیند گرمایش به خودی خود هیچ CO 2 تولید نمی کند . محققان خاطرنشان كردند كه اگر دستگاه آنها از الكتريسيته حاصل از يك منبع تجديد پذير تأمين شود ، مي توانند ردپاي هيدروژن را بطور چشمگيري كاهش دهند. آنها پیشنهاد می كنند كه اگر تمام اصلاح كنندگان بخار متان در جهان جایگزین سیستم های الکتریسیته شوند ، جهان شاهد كاهش 1٪ در انتشار CO 2 خواهد بود.

اپل در کنفرانس سالانه توسعه دهندگان خود که از روز دوشنبه آغاز می شود ، در حالی قرار است با انتقاداتی مبنی بر اینکه سازنده آیفون اپلیکیشن فروشگاه خود را به یک باغ دیواری تبدیل کرده است ، قرار دهد.

App Store تنها فروشگاه محتوا برای دستگاه های اپل است که غول فناوری تصمیم گرفته است کدام یک از نرم افزارها را بپذیرد و 30 درصد از معاملات مالی را بپذیرد.

ماه گذشته دیوان عالی ایالات متحده حكمی را صادر كرد كه یك دادخواست مصرف کننده در سال 2011 ، اپل را به انحصار غیرقانونی فروشگاه و افزایش قیمت ها متهم كرد .

اپل در صفحه ای که اخیراً در دفاع از فروشگاه App ایجاد شده است ، گفت: "ما فقط وقتی یک کالا یا خدمات دیجیتال را از طریق یک برنامه تحویل می دهیم ، کمیسیون را از توسعه دهندگان جمع می کنیم."

11 سال پیش راه اندازی شد ، اپل می گوید App Store به ایجاد میلیون ها شغل کمک کرده و بیش از 120 میلیارد دلار برای توسعه دهندگان ایجاد کرده است.

تیم کوک ، مدیر اجرایی اپل احتمالاً در خلال ارائه سخنرانی اصلی خود کنفرانس سالانه جهانی توسعه دهندگان این شرکت (WWDC) در شهر دره سیلیکون سن خوزه را به روز می کند.

فشار به حریم خصوصی

مانند سالهای گذشته ، اپل همچنین از این گردهمایی برای نشان دادن پیشرفت در سیستم عامل های قدرتمند رایانه های مک و دستگاه های تلفن همراه و همچنین نرم افزاری که طراحی می کند ، استفاده خواهد کرد.

اما اختلاف نظر App Store در WWDC از نزدیک مشاهده خواهد شد ، که پیش بینی می شود این شرکت از اهمیت بیشتری برخوردار شود زیرا این شرکت بر محتوا و خدمات دیجیتالی برای جبران بازپرداخت در بازار گوشی های هوشمند یکبار برنج تاکید دارد.

اپل اظهار داشته است كه كنترل محكم خود در فروشگاه باعث می شود با ردیابی آنچه در قفسه های مجازی خود انجام می دهد ، از حریم شخصی کاربران و محافظت در برابر نرم افزارهای مخرب محافظت كند. اپل همچنین اطمینان حاصل می کند که برنامه ها با نرم افزار عامل خود یکنواخت کار کنند.

در مقابل ، برنامه های کاربردی متناسب با دستگاه های تلفن همراه مجهز به سیستم عامل iOS رقیب iOS را می توان در مکان های آنلاین جدا از فروشگاه Play Google ، جایی که شرکت اینترنتی می تواند پیشنهادات را نمایش دهد ، دریافت کرد.

کوک بارها و بارها اپل را به عنوان قهرمان حفظ حریم شخصی کاربران ترسیم کرده است و می گوید داده هایی که توسط دستگاه ها یا نرم افزارهای آن جمع آوری شده اند با جدیت محافظت می شوند.

اما منتقدان ادعا می كنند كه اپل وقتی به داده هایی از قبیل موقعیت مکانی ، تاریخچه مرور و موارد بیشتری كه توسط برنامه های ساخته شده توسط توسعه دهندگان خارجی جمع آوری شده است ، وجدان چندانی ندارد.

از جمله اعلامیه هایی که در این گردهمایی در مورد فروشگاهی شایعه است ، محدودیت در اشتراک گذاری داده های جمع آوری شده توسط برنامه های کودکان است.

انحصار؟

در رای دادگاه عالی 5-4 ماه مه ، دادرسان استدلال اپل را رد كردند كه مصرف كنندگان فاقد ایستادگی برای پیگیری دادخواست خود بودند زیرا غول فناوری صرفاً یك واسطه با توسعه دهندگان برنامه بود.

این عقیده که توسط جدیدترین عضو دادگاه ، دادگستری برت کاواناوه نوشته شده است ، می گوید که مصرف کنندگان حق داشتند پرونده خود را پیگیری کنند زیرا رابطه مستقیمی با اپل دارند.

این پرونده اکنون باید برای رسیدگی به دادگاه بدوی بازگردد.

بیشتر بخوانید: پمپ وکیوم کوچک

اپل در بیانیه ای از طریق ایمیل گفت: "ما اطمینان داریم كه وقتی واقعیت ها ارائه می شوند پیروز خواهیم شد و اینكه فروشگاه App انحصار هیچ متریک نیست."

"ما مفتخریم که ایمن ترین ، ایمن ترین و قابل اعتمادترین پلتفرم را برای مشتریان ایجاد کرده و یک فرصت عالی تجاری برای همه توسعه دهندگان در سراسر جهان است."

این حکم در میان واکنش های فزاینده ای علیه شرکت های بزرگ فناوری که حاکم بر بخش های کلیدی اقتصاد آنلاین هستند ، صورت گرفت. کاندیدای حزب دموکرات ریاست جمهوری الیزابت وارن استدلال کرده است که شرکت های بزرگی مانند فیس بوک ، گوگل و اپل باید از طریق اجرای ضد انحصار شکسته شوند.

و اپل در اروپا با سوءاستفاده از برنامه های رقیب از جمله شکایت از سرویس پخش موسیقی Spotify ، در اروپا با سوءاستفاده از سیستم عامل خود روبرو است.

Spotify شکایت رسمی را به کمیسیون اتحادیه اروپا ارائه داد و در مورد محدودیت هایی که اپل در برنامه هایی که از سیستم پرداخت App Store استفاده نمی کنند ، شکایت داشت.

اپل با رد اتهامات Spotify مبنی بر رفتار ضد رقابتی ، گفت: این غول پخش موسیقی سوئدی سعی داشت بدون پرداخت هزینه های نگهداری از مزایای بازار آنلاین خود بهره مند شود.

اپل در یک پست آنلاین گفت: "Spotify مشکلی نیست که امروزه بدون اکوسیستم App Store انجام شود ، اما اکنون آنها مقیاس خود را افزایش می دهند تا از کمک به حفظ آن اکوسیستم برای نسل بعدی کارآفرینان برنامه جلوگیری کنند."

فقط یک لحظه تصور کنید که کتری شما می تواند صحبت کند؟ چه می گفت؟ چه حسی دارد؟ مهمتر از همه ، آنچه از روی زمین می خواهید آن را بپرسید؟

اکنون محققان در دانشگاه لنکستر با انجام چندین مصاحبه "سر صحبت" با اشیاء خانگی به عنوان بخشی از آزمایش ، اطلاعاتی راجع به روابط ما با فن آوری های شبکه ای موسوم به اینترنت اشیاء (IoT) انجام داده اند.

محرک این آزمایش ، کشف روشهای جدید تفکر و ایجاد طیف وسیعی از ابزارهای عملی برای افراد است تا از IoT بیشتر احساس کنند.

جو لیندلی ، عضو تیم تحقیقاتی ، که شامل پروفسور پل کولتون و دکترای دکتر می شود ، گفت: "این ممکن است برای طراحان محصول ، مدرسین و یا حتی سیاست گذاران مفید باشد. " کاندیدای هیلی آلتر.

"ارائه یک دیدگاه آگاهانه تر ، که واقعاً زیر سطح این دستگاه های متصل شده حفر می شود ، می تواند واقعاً دینامیکی را در اختیار مردم قرار دهد که از دید روشنگری تری برخوردار باشد."

مقاله تحقیقاتی جدید تیم "شبکه با ارواح در ماشین: صحبت با اینترنت اشیاء" در مجله طراحی منتشر شده است و شامل یک مصاحبه عمیق با یک کتری صحبت می باشد.

کتری هوشمند می گوید که در خانه اش در آشپزخانه احساس می کند جایی که عمدتاً فقط "من ، برنامه و متر" است. او عاشق شیر است اما وقتی از خانه جدیدی نقل مکان کرد از آن متنفر بود و صاحبانش کارد و چنگال های خود را درون او حمل می کردند زیرا این امر باعث می شد احساس "نوع جانگلی" کند.

کمی سرگرم کننده در ساخت اما این در واقع بخشی از یک آزمایش سوداگرانه بسیار بزرگ توسط تیم تحقیقاتی است که رویکردی را در چندین کارگاه عمومی ایجاد کرده است.

سؤالات سؤال كننده مصاحبه گر كاریزماتیک ، جهشی جسورانه و جدید به دنیای جدیدی ارائه می دهد كه تئوری ها ، طراحی و دنیای فن آوری های شبكه را بررسی می كند و از همه مهمتر اخلاق مربوط به داده ها.

عنوان مقاله به عبارت معروف "روح در دستگاه" فیلسوف گیلبرت رایل اشاره دارد. رایل از این عبارت برای اشاره به "ارتباط شبح" بین ذهن و بدن یک فرد استفاده کرد.

این تیم تحقیقاتی می گویند بین عناصر فیزیکی و دیجیتال اشیاء IoT مانند کتری ارتباطی شبح وار وجود دارد و می پرسند که آیا این ارواح وجود دارند ، چه شکلی ممکن است باشد؟

جو لیندلی ، که این هفته در جشنواره علمی چلتنهام در مورد مقاله در مورد پنل کارشناسی بحث خواهد کرد ، توضیح می دهد: "IoT واقعاً پیچیده است و ما در تلاش هستیم تا راه های ایجاد حس آن را کشف کنیم.

"نوعی جادو در این چیزها وجود دارد و به چیزی بسیار بزرگتر و ژرف تر می انجامد.

"ما در حال کشف این مسئله هستیم با این تصور که این اشیاء می توانند با آنها گفتگو و گفتگو کنند."

شرکت کنندگان در این کارگاه وظیفه داشتند سؤالات مربوط به کتری هوشمند را بپرسند. در ابتدا آنها بسیار مشتاق بودند که بدانند هنرمند مورد علاقه کتری کیست و چه احساسی نسبت به آینده دارد ، اما در نهایت فراتر از این نگرانی های بسیار انسانی قرار گرفت و شروع به در نظر گرفتن تجربه خود کتری کرد.

بیشتر بخوانید: پمپ وکیوم کوچک

جو می افزاید: "جنبه های عملی این تحقیق تجربی است ، رویکردهای نظری به چالش کشیده و دامنه علاقه بسیار پویا است." "از این رو این تلاش نیاز به سازگاری داشت و نسبت به بینش ها هنگام ظهور واکنش نشان داد.

وی گفت: "مصاحبه با كتری مهمترین قدم تحقیق در جهت یك روش یا رویكرد است كه می تواند در ایجاد ابزارهای ساده ای باشد كه هر كس می تواند برای توضیح و فهم دستگاههای IoT استفاده كند.

"ما می خواستیم این" ارواح "را به دست آوریم - آنها را بیابیم ، آنها را اسیر کنیم و یاد بگیریم که آنها را بهتر بشناسیم و دستکاری کنیم. امیدواریم که کارهایی که در آینده توسط ارواح انجام می شود ، اکتشافی در دسترس و طراحی رمان ایجاد می کند. این فناوری انواع مختلفی از جهان است و ما به روش های جدیدی برای بررسی آن نیاز داریم. "

قسمت جالب بعدی این تیم تحقیقاتی "whodunnit" با نقش های بازیگران دستیاران دیجیتال ، برخی از چراغ های هوشمند و یک ربات اسباب بازی خواهد بود.

میتسوبیشی هیتاچی سیستمهای برق (MHPS) یک پروژه جاه طلب ذخیره انرژی را برای توسعه آنچه ادعا می شود بزرگترین پروژه ذخیره انرژی در جهان در نوع خود ، در یوتا اعلام کرد. هیدروژن تجدید پذیر در هسته است.

این پروژه با عنوان "ذخیره انرژی پیشرفته پاک" (ACES) لقب گرفته است.

MHPS فناوری توربین گازی را تولید کرده است که ترکیبی از هیدروژن تجدید پذیر و گاز طبیعی را قادر می سازد تا انرژی با انتشار کربن کمتر تولید کند.

جان پارنل در فوربس گفت توربین گازی آنها برای نیروگاه ها "می تواند با مخلوطی از گاز طبیعی و هیدروژن کارآمد باشد." وی گفت که MHPS نقشه راه فن آوری را ترسیم کرده است که در نهایت توربین گازی با استفاده از هیدروژن منحصراً مشاهده خواهد شد.

MHPS یک رهبر جهانی برای توربین های گازی سنگین است. این شرکت اعلام کرده است که در ابتدا انبار کافی را برای تأمین نیاز 150،000 خانوار برای یک سال کل توسعه خواهد داد.

با این حال MHPS تنها محرک این پروژه نیست. آنها به Magnum Development پیوسته اند. مگنوم دارای فناوری های زیر زمینی برای ذخیره انرژی در مقیاس ابزار است.

طبق گفته POWER ، گنبد نمکی مگنوم یک سازه زمین شناسی است که از لحاظ تکتونیکی از یک کانسار نمک در بستر ساخته شده است. نقشه برداری لرزه ای نشان می دهد که "حداقل یک مایل ضخامت و حدود سه مایل عرض" را اندازه گیری می کند.

در این خبر آمده است: مگنوم تنها نمک با کیفیت داخلی نمک با کیفیت داخلی ساحل خلیج فارس را در غرب ایالات متحده کنترل می کند. در این نسخه آمده است: پنج غار نمکی برای ذخیره سازی سوخت های مایع در حال بهره برداری بودند.

برنامه: توسعه 1000 مگاوات 100 درصد ذخیره انرژی پاک. این شماره طبق اعلامیه مطبوعاتی MHPS بود.

در مقاله ای از Sonal Patel در POWER ، نویسنده بر روشن ساختن آنچه در آن 1000 مگاوات انرژی تجدید پذیر در واقع نمایان است ، تمرکز داشت. این پروژه می تواند 1000 مگاوات انرژی تجدید پذیر در طول سال را ذخیره کند. این امر می تواند بازارهای قدرت غربی "با چالش متغیر" ارائه شود.

پاتل همچنین گفت که ، در پاسخ به درخواست شفاف سازی در مورد رقم 1000 مگاواتی منسوب به این تسهیلات ، که شامل ذخیره سازی و تولید برق خواهد بود ، می باشد. مرحله ای که مستلزم تضمین توافق های خارج از نیرو است ، می تواند مخلوطی بین هیدروژن تجدید پذیر ، CAES ، سلولهای سوختی اکسید جامد (SOFC) و باتریهای جریان را تعیین کند. "

بنابراین ، هیدروژن تجدید پذیر تنها فناوری موجود در شیر نیست. سه نفر دیگر برای تأمین نیازهای 150،000 خانوار به مدت یک سال درگیر هستند. ابتکار ACES در مجموع چهار نوع ذخیره انرژی پاک در مقیاس ابزار مستقر خواهد شد. پیوستن به هیدروژن تجدید پذیر ذخیره انرژی هوای فشرده شده است. باتری های جریان بزرگ؛ سلولهای سوختی اکسید جامد

جان پارنل در فوربس حرف بیشتری برای گفتن در مورد باتری های جریان داشت. "سایت پیشنهادی یوتا همچنین دارای باتریهای جریان یا ماشینهای جریان است که در بعضی مواقع به آنها اشاره می شود. آنها مانند باتری رفتار می کنند اما مدت زمان تخلیه طولانی تر از فناوری مبتنی بر لیتیوم دارند و آنها را برای انجام کارهای فراتر از فشار شبکه می کند."

بیشتر بخوانید: پمپ وکیوم کوچک

پل براونینگ ، رئیس جمهور و مدیر عامل شرکت MHPS America گفت: "فناوری هایی که ما به کار گرفته ایم برق را در مقیاس های زمانی از ثانیه تا فصول سال ذخیره می کند."

پروژه ها و پیشنهادات مربوط به ذخیره انرژی به طور کلی مباحث مهمی هستند. فوربس خوانندگان را از مزایای آن یادآوری می کند ، به عنوان مثال ، به روشی که بتوان با استفاده از فرکانس های خاص "برای برطرف کردن هرگونه انحراف از فرکانس مطلوب" ، مجدداً به برق شبکه هدایت کرد و توانایی آن در محدود کردن تأثیر قیمت قله های ناگهانی تقاضا را نشان می دهد. شبکه.

بررسی MIT Technology Review اظهار داشت: "یافتن راههای اضافه كردن مقادیر زیادی از ذخیره انرژی ارزان به شبکه های برق بسیار مهم است اگر منابع تجدیدپذیر تمیز اما نامناسب مانند باد و خورشیدی سهم فزاینده ای از تولید كل تولید كنند."

این پروژه با تکیه بر هیدروژن و هوای فشرده ذخیره شده در اعماق زمین است. جیمز تمپل ، سردبیر ارشد انرژی ، MIT Technology Review ، نوشت: "با توجه به اقتصاد فعلی این فناوری ها ، برخی از ناظران انرژی سؤالاتی در مورد زنده بودن پروژه مطرح کردند ، که هیچکدام از آنها به عنوان گزینه ذخیره شبکه استفاده نمی کنند."

تمپل همچنین اظهار داشت: "تعداد فزاینده ای از محققان معتقدند که هیدروژن در نهایت می تواند نقش مهمی در ذخیره انرژی در مقیاس شبکه ایفا کند . امید است که از انرژی تجدیدپذیر مازاد ارزان قیمت استفاده شود تا بتواند فرآیند" الکترولیز "را که آب را به اکسیژن تقسیم می کند ، تبدیل کند. هیدروژن. اما در حال حاضر ، الکترولیزها بسیار گران هستند و حمل و نقل هیدروژن نیز از جمله سایر چالش ها دشوار است . "

محققان MIT و جاهای دیگر ابزاری تعاملی ایجاد کرده اند که برای اولین بار به کاربران اجازه می دهد عملکرد سیستمهای یادگیری خودکار را چگونه مشاهده و کنترل کنند. هدف ، ایجاد اعتماد به نفس در این سیستم ها و یافتن راه هایی برای بهبود آنها است.

طراحی یک مدل یادگیری ماشین برای یک کار خاص - مانند طبقه بندی تصویر ، تشخیص بیماری و پیش بینی بازار سهام - یک فرایند دشوار و زمان بر است. کارشناسان برای اولین بار از میان بسیاری از الگوریتم های مختلف برای ایجاد مدل در اطراف انتخاب می کنند. سپس ، آنها قبل از شروع مدل آموزش "Hyperparameters" را که ساختار کلی مدل را تعیین می کند ، بطور دستی ترسیم می کنند.

سیستمهای یادگیری خودکار (AutoML) که اخیراً توسعه یافته اند ، به طور تکراری الگوریتم ها و آن هایپرپارامترها را آزمایش و اصلاح کرده و مدل های مناسب را انتخاب می کنند. اما سیستم ها به عنوان " جعبه های سیاه " کار می کنند ، به این معنی که تکنیک های انتخاب آنها برای کاربران پنهان است. بنابراین ، کاربران ممکن است به نتایج اعتماد ندارند و می توانند متناسب با نیازهای جستجوی خود سیستم را دشوار کنند.

در مقاله ای که در کنفرانس ACM CHI در مورد عوامل انسانی در سیستم های محاسباتی ارائه شده است ، محققان MIT ، دانشگاه علم و فناوری هنگ کنگ (HKUST) و دانشگاه ژجیانگ ابزاری را توصیف کرده اند که تجزیه و تحلیل ها و کنترل روش های AutoML را در اختیار کاربران قرار می دهد. دست ها. با نام ATMSeer ، این ابزار به عنوان ورودی یک سیستم AutoML ، یک مجموعه داده و برخی اطلاعات در مورد کار کاربر می باشد. سپس ، فرایند جستجو را در یک رابط کاربر پسند تجسم می کند ، که اطلاعات عمیقی از عملکرد مدل ها ارائه می دهد.

کالیان وراماچاننی ، یک دانشمند اصلی پژوهش در آزمایشگاه MIT برای سیستم های اطلاعات و تصمیم گیری (LIDS) ، که هدایت داده ها را به گروه هوش مصنوعی می گوید ، می گوید: "ما به کاربران اجازه می دهیم که سیستم های AutoML را چگونه کار کنند." "شما ممکن است به سادگی مدل عملکرد بالا را انتخاب کنید ، یا ممکن است ملاحظات دیگری داشته باشید یا از تخصص دامنه برای راهنمایی سیستم برای جستجوی برخی از مدلها در مورد سایر استفاده کنید."

در مطالعات موردی با دانشجویان فارغ التحصیل علوم ، که تازه کار AutoML بودند ، محققان دریافتند که حدود 85 درصد از شرکت کنندگان که از ATMSeer استفاده کرده اند ، در مدل های انتخاب شده توسط سیستم اطمینان داشتند. تقریباً همه شرکت کنندگان گفتند که استفاده از این ابزار باعث شده آنها به اندازه کافی راحت باشند که در آینده از سیستم های AutoML استفاده کنند.

میکا اسمیت ، دانشجوی فارغ التحصیل گروه مهندسی برق و علوم کامپیوتر (EECS) می گوید: "ما دریافتیم که افراد به دلیل باز کردن آن جعبه سیاه و دیدن و کنترل نحوه عملکرد سیستم ، از AutoML استفاده می کنند." محقق LIDS.

این ابزار ، ATMSeer ، رابط کاربر پسند ایجاد می کند که اطلاعات عمیق در مورد عملکرد مدل های انتخاب شده و همچنین انتخاب الگوریتم ها و پارامترهایی را که می توان همه آنها را تنظیم کرد ، نشان می دهد. اعتبار: موسسه فناوری ماساچوست
Qianwen Wang از نویسندگان اصلی HKUST می گوید: "تجسم داده ها رویکردی مؤثر در جهت همکاری بهتر بین انسانها و ماشین ها است. ATMSeer این ایده را مثال می زند." "ATMSeer بدون توجه به دامنه آنها ، از متخصصان یادگیری ماشین بهره می برد. [افرادی که سطح خاصی از تخصص را دارند. این می تواند درد انتخاب الگوریتم های یادگیری ماشین و تنظیم پارامترهای فوق العاده را تسکین دهد."

پیوستن به اسمیت ، ویراماچاننی و وانگ روی کاغذ عبارتند از: یائو مینگ ، Qiaomu شن ، دونیو لیو ، و Huamin Qu ، همه HKUST ؛ و Zhihua Jin از دانشگاه ژجیانگ.

تنظیم مدل

در هسته اصلی ابزار جدید یک سیستم AutoML سفارشی به نام "Models-Tuned Models" (ATM) است که در سال 2017 توسط Veeramachaneni و سایر محققان ساخته شده است. به داده ها

دستگاه خودپرداز به عنوان ورودی از هر مجموعه داده و یک کار پیش بینی رمزگذاری شده استفاده می کند. سیستم بطور تصادفی یک کلاس الگوریتم - از قبیل شبکه های عصبی ، درختان تصمیم گیری ، جنگل تصادفی و رگرسیون لجستیک - و هایپارامترهای مدل مانند اندازه درخت تصمیم گیری یا تعداد لایه های شبکه عصبی را انتخاب می کند.

سپس ، سیستم مدل را در برابر مجموعه داده اجرا می کند ، به طور تکراری Hyperparameters را تنظیم می کند و عملکرد را اندازه گیری می کند. از آنچه در مورد عملکرد آن مدل آموخته است برای انتخاب مدل دیگر و موارد دیگر استفاده می کند. در پایان ، سیستم چندین مدل عملکرد بالا را برای یک کار خروجی می کند.

بیشتر بخوانید: پمپ وکیوم کوچک

ترفند این است که هر مدل اساساً می تواند به عنوان یک نقطه داده با چند متغیر رفتار شود: الگوریتم ، هایپرپارامترها و عملکرد. محققان با تکیه بر این کار ، سیستمی را طراحی کردند که نقاط داده ها و متغیرها را در نمودارها و نمودارهای مشخص شده ترسیم کند. از آنجا ، آنها یک تکنیک جداگانه ایجاد کردند که به آنها امکان می دهد آن داده ها را در زمان واقعی پیکربندی کنند. اسمیت می گوید: "ترفند این است که ، با این ابزارها ، هر چیزی را که می توانید تجسم کنید ، می توانید اصلاح کنید."

ابزارهای تجسمی مشابه به تجزیه و تحلیل تنها یک مدل یادگیری ماشین خاص اختصاص داده شده است ، و سفارشی سازی محدود فضای فضای جستجو را امکان پذیر می کند. وانگ می گوید: "بنابراین ، آنها پشتیبانی محدودی از فرآیند AutoML را ارائه می دهند ، که در آن پیکربندی های بسیاری از مدل های جستجو شده نیاز به تجزیه و تحلیل دارند." در مقابل ، ATMSeer از تجزیه و تحلیل مدل های یادگیری ماشین تولید شده با الگوریتم های مختلف پشتیبانی می کند. "

محققان مرکز روبرت بوش برای سیستم های فیزیکی سایبر در بنگلور هند ، اخیراً چارچوبی شبیه سازی را برای مطالعه منظم تأثیر تحریک مفصل ستون فقرات بر عملکرد حرکتی روبات های چهار گوش پیشنهاد داده اند. در مطالع، خود ، در مقاله ای که از قبل در مورد arXiv منتشر شده است ، آنها از این چارچوب برای بررسی رفتارهای ستون فقرات یک روبات چهار پا به نام Stoch 2 و تأثیرات آن بر عملکرد محدود کننده آن استفاده کردند.

Shounak Bhattacharya ، یکی از محققانی که این تحقیق را انجام داده است ، به TechXplore گفت: "این تحقیق در حالی صورت گرفته است که اساس حرکت حرکتی سریع در حیوانات چهار ربات و روبات ها را بررسی می کند. حیوانات چهارسر از انعطاف پذیری ستون فقرات خود برای بهبود سرعت حرکت و بهره وری انرژی استفاده می کنند. این استفاده از انعطاف پذیری ، الهام بخش روباتیک ها است تا مفهوم را با جزئیات بیشتری مورد بررسی قرار دهند تا بتوانند با استفاده از ابزارهای ریاضی موجود ، راه حلی برای این مشکل پیدا کنند. "

بر خلاف محققان قبلی ، Bhattacharya و همکارانش تصمیم گرفتند رفتارهای ستون فقرات روبات های چهار دست با استفاده از تکنیک های یادگیری ماشین را بررسی کنند. هدف اصلی از مطالعه آنها استفاده از یادگیری تقویت عمیق (D-RL) برای تحقق هماهنگی پیچیده بین ستون فقرات و پاها در روبات ها بود.

باتاچاریا گفت: "در یک چارچوب D-RL ، یادگیری از ابتدا می تواند به سیاست های بهتر و قوی تر از گنجاندن راهنمایی انسان منجر شود." "با این حال ، یادگیری از ابتدا شامل چندین شکست اولیه قبل از تولید سیاست کار است. در این کار ، بیش از 2 میلیون مرحله قبل از دستیابی به یک سیاست فعال و قابل استفاده مورد نیاز بود."

انجام بسیاری از آزمایشات به طور مستقیم بر روی سخت افزار ربات نیاز به زمان و منابع زیادی دارد. بنابراین محققان تصمیم گرفتند که در PyBullet ، یک ربات و محیط آن را شبیه سازی کنند ، یک ماژول پایتون که موتور فیزیک Bullet را با رباتیک و قابلیت یادگیری ماشین تقویت می کند. در مطالعه خود ، آنها از PyBullet برای ارزیابی اثرات تحریک مفصل ستون فقرات بر عملکرد محدود Stoch 2 ، یک ربات چهار ضلعی 16-DOF استفاده کردند.

وی گفت: "ما مدل ربات را در این محیط آموزش دادیم و مشاهده کردیم که الگوریتم یادگیری یک تمرین کامل را در 4 ساعت انجام می دهد ، زمانی که حداکثر 10 میلیون مرحله اجرا شود ، روی رایانه شخصی که توسط یک Intel Core i7 در 3.5Ghz با 12 هسته ساخته شده است. و حافظه رم 32 گیگابایت ، "Bhattacharya گفت. "استفاده از چارچوب شبیه سازی باعث کاهش زمان در هر آموزش و ضرورت آزمایش روی سخت افزار شده است."

محققان با استفاده از PyBullet به عنوان یک چارچوب یادگیری برای روبات خود ، به نتایج بسیار امیدوارکننده ای دست یافتند. یافته هایی که در طی شبیه سازی ها جمع آوری شده نشان می دهد که استفاده فعال از ستون فقرات در واقع باعث افزایش طول و روانی حمل و نقل ربات می شود ، ضمن اینکه فرکانس طبیعی را به مقادیر واقع گرایانه تر کاهش می دهد. در نهایت ، استوچ 2 به سرعت محدود کننده 2.1 متر بر ثانیه دست یافت و حداکثر تعداد فروید 2 را بدست آورد.

این مطالعه با نظارت چهار عضو هیئت علمی در انستیتوی علوم هند: Shishir Kolathaya ، Ashitava Ghosal ، Bharadwaj Amrutur و Shalabh Bhatnagar ، بخشی از پروژه گسترده تری به نام Walking Robot است. در آینده ، این می تواند محققان دیگر را ترغیب کند از همان چارچوب شبیه سازی استفاده کنند تا رفتارهای ستون فقرات روبات ها و عملکرد حرکتی متعاقب آن را تقویت کنند.

باتاچاریا گفت: "ما هماهنگی ستون فقرات و پا را از طریق چارچوبی مبتنی بر D-RL به دست آوردیم که باعث افزایش راندمان انرژی و سرعت چهار برابر شد ." "لازم به ذکر است که همه این رفتارها از ابتدا و بدون درک مکانیکی ستون فقرات به دست آمده است. در کار بعدی ما قصد داریم شبکه عصبی را بر روی سخت افزار مستقر کرده و خط مشی آموخته شده را به طور مستقیم اجرا کنیم."