کوچک‌ترین کنش‌ها می‌تواند منجر به بروز رفتارهای پیچیده شود، از واکنش‌های بیولوژیکی سرطان‌زا گرفته تا جدیدتریم میم های منتشر شده در شبکه‌های اجتماعی. با این حال، محققانی که به دنبال درک رفتارهای آنی هستند، معتقدند که این پیچیدگی ممکن است بار سنگینی بر دوش روش‌های محاسباتی فعلی بگذارد. اما شبکه بولی کار را برای دانشمندان ساده‌تر کرده است.

در حال حاضر، یک تیم پژوهشی الگوریتم جدیدی طراحی نموده‌ است که می‌تواند روش موثرتری برای تحلیل مدل‌های‌ سامانه‌های بیولوژیکی باشد. این الگوریتم می‌تواند راهکار تازه‌ای برای فهم چرخه تصمیم‌گیری در این سامانه‌ها عرضه کند. طبق توضیحات محققانِ این تیم، الگوریتم آن‌ها می‌تواند در بررسی تاثیر کنش‌های نسبتاً ساده در بروز رفتارهای پیچیده، از قبیل رشد سلول‌های سرطانی یا الگوهای رای‌گیری، به دانشمندان کمک کند.

طبق اظهارات جوردن روزوم، دانشجوی دکتری فیزیک در دانشگاه ایالتی پنسیلوانیا، چهارچوب مدل مورد استفاده از شبکه بولی (Boolean) تشکیل شده است. شبکه بولی مجموعه‌ای از نودها (Nodes) است که دو وضعیت خاموش یا روش دارند. برای مثال، یک شبکه بولی ممکن است شبکه‌ای متشکل از ژنوم‌های تعاملی باشد که در هر سلول روشن _ بارز _ یا خاموش هستند.

شناخت ماهیت سامانه‌ها با شبکه بولی

روزوم می‌گوید: «شبکه‌های بولی روش خوبی برای شناخت ماهیت سامانه‌ها است. جالب اینجاست که این رفتارهای جالب توجه تنها از اتصال چند سوئیچ خاموش و روشن با یکدیگر پدیدار می‌شوند، یک سوئیچ روشن‌ می‌شود؛ سپس این سوئیچ، سوئیچ دیگری را روشن می‌کند؛ و این امر آنقدر ادامه پیدا می‌کند تا انبوهی از افکت‌ها ایجاد شده و دوباره به سوئیچ اصلی وارد شوند. در نتیجه، یک اتصال ساده ممکن است شاهد رفتار پیچیده‌ای باشیم».

ریکا آلبرت، استاد برجسته فیزیک و زیست‌شناسی از کالج ابرلی دانشگاه ایالتی پنسیلوانیا، و عضو موسسه محاسبات و علوم داده، در این باره توضیح می‌دهد: «مدل‌های بولی نحوه انتشار اطلاعات در شبکه را تبیین می‌کنند». نهایتاً روشن یا خاموش بودن نودها الگویی تکراری به خود می‌گیرد، که به آن جاذب (attractor) می‌گویند. طبق توضیحات این تیم پژوهشی، رفتار باثَبات و طولانی مدت سامانه جاذب‌ها را تعیین می‌کند. نتایج این تحقیقات در  ژورنال پیشرفت‌های علم (Science Advances) منتشر شده است.

اگرچه این سامانه‌‌ها مبتنی بر کنش‌های ساده طراحی شده‌اند، اما اساساً، می‌توان با اضافه نمودن نود جدید به سامانه، بر پیچیدگی آن افزود، به ویژه در مواردی که رویداها به طور همزمان اتفاق نمی‌افتند. برای مثال، به گزارش این پژوهشگران، یک مدل معمولی بولی که پردازش بیولوژیکی را با تعدا اندکی نود انجام می‌دهد، می‌تواند ده‌ها میلیون حالت داشته باشد. در مورد ژنوم، این مدل‌ها می‌توانند صدها نود داشته و در نتیجه حالت‌های بیشتری، حتی بیشتر از تعدا اتم‌های موجود در گیتی، داشته باشند.

روش‌های افزایش بازدهی تحلیل شبکه‌های بولی

محققان این پژوهش برای افزایش بازدهی تحلیل شبکه‌های بولی، از دو تغییر فاز (transformations) متوازن و معکوس زمان استفاده کردند. تغییر فاز متوازن، از شبکه تصویری در آینه ایجاد می‌کند، یعنی نود‌های روشن را خاموش و نودهای خاموش را روشن می‌کند. این تغییر به شناسایی شبکه‌های فرعی کمک می‌کند که ترکیبی از مقادیر خاموش و روشن دارند؛ مقادیری که در گذر زمان پایدار می‌مانند. تغییر فاز معکوس زمان، پویایی شبکه را به سمت عقب هدایت می‌کند، و حالت‌های ممکن قبل از مقدار دهی اولیه را شناسایی می‌کند.

این تیم الگوریتم پیشنهادی خود را بر روی مجموعه‌ای از شبکه‌های مصنوعی بولی به نام «شبکه‌های بولی تصادفی» (random Boolean networks) آزمایش کردند. دانشمندان بیش از ۵۰ سال از این شبکه‌ها برای مدل‌سازی تاثیر تنظیم ژن در تعیین سرنوشت یک سلول استفاده می‌کردند. با این تکنیک، این گروه از محققان موفق شدند تعداد جاذب‌های بیش از ۱۶۰۰۰ ژن را در این شبکه‌ها مشخص کند. طبق اظهارات این تیم پژوهشی، تاکنون هیچی تحلیلی به این بزرگی و با این جزئیات صورت نگرفته است.

بنا به گزارش این محققان، یکی از کاربردهای این تکنیک در پژوهش‌های پزشکی است.

روزوم با یک مثال اینطور توضیح می‌دهد: «ممکن است بخواهید یک سلول سرطانی دچار آپوپتوز (مرگ برنامه‌ریزی شده‌ی سلول) شود، بنابراین، باید سامانه را وادار کنید تصمیماتی اتخاذ کند که این نتیجه را در پی داشته باشند. با شناخت محل تصمیم‌گیری پیرامون هر موضوع در شبکه، می‌توانید سیستم را وادار کنید تصمیم مورد نظر را بگیرد». می‌توان از این الگوریتم در پژوهش‌‌های مرتبط با مسائل علوم اجتماعی و فناوری اطلاعات نیز استفاده کرد.

انتشار اطلاعات

طبق توضیحات آلبرت، «انتشار اطلاعات نیز یکی دیگر کاربردهای بسیار جالب این الگوریتم است. برای مثال، مدل‌هایی وجود دارند که جوامع را براساس عقاید دوگانه توصیف می‌کنند. در این مدل‌ها افراد با یکدیگر تعامل دارند و نوعی اجماع محلی ایجاد می‌شود. می‌توان از این روش برای نگاشت دامنه‌ی دانشی گروه‌های اجتماعی احتمالی با اجماع مشترک، از جمله اجماع جهانی، استفاده کرد».

آلبرت معتقد است که می‌توان از این الگوریتم در هر حوزه‌ای که محققان سعی دارند راهکارهایی برای از بین بردن رفتارهای نابهنجار، یا سوق دادنِ سامانه به سمت رفتارهای نرمال پیدا کنند، استفاده کرد.

وی در ادامه توضیح داد: « نظریه‌ها و روش‌های لازم برای انجام این کار از پیش ارائه شده بود، اما هزینه‌های محاسباتی مانعی سر راه تحقق آن بوده است. با کمک این الگوریتم، مشکل محاسباتی نیز تا حد زیادی رفع خواهد شد».

این پژوهشگران یک کتابخانه نرم‌افزاری متن باز ایجاد کرده‌اند. این الگوریتم تاکنون در چندین پژوهش زیر نظر همین تیم پژوهشی استفاده شده است.

محاسبات این پژوهش با استفاده از اَبَرکامپیوتر ایالت پنسیلوانیا موسوم به غرش (Roar) صورت گرفته است.

دیگر اعضای این تیم پژوهشی عبارتند از: خورخه گومز تجدا زانودو، فوق دکتری در موسسه براد و موسسه سرطان دانا فاربر؛ ژیائو گن، محقق و فوق دکتری در مرکز پژوهش‌های شبکه‌های پیچیده، و دیوید دریتی، عضو هیات پژوهشی دانشگاه سملویس.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: هوشیو

خبرها حاکی از این است که Google Cloud سامانه Vertex AI را راه‌اندازی کرده است. Vertex AI یک سامانه ابری کاملاً مدیریت‌ شده است که استقرار و استفاده از مدل‌های یادگیری ماشین را آسان‌تر می‌کند.

شرکت گوگل در جریان کنفرانس سالانه توسعه‌دهندگان، که امسال به صورت مجازی برگزار شد، به معرفی Vertex پرداخت. شرکت‌ گوگل به طور معمول، سخنرانی اصلی (Keynote) این کنفرانس را به معرفی به‌روزرسانی‌هایی اختصاص می‌‍دهد که در تلفن‌های همراه و راهکارهای توسعه وِب خود انجام داده است؛ از این روی، معرفی سامانه Vertex در جریان این سخنرانی نوعی سنت‌شکنی به حساب می‌آید. اینکه شرکت گوگل امسال تصمیم گرفته بر خلاف سال‌های گذشته، طی سخنرانی اصلی کنفرانس WWDC سامانه ابری Vertex را معرفی کند، نشان‌ از اهمیت بالای این سامانه برای توسعه‌دهندگان دارد.

به ادعای شرکت گوگل، توسعه‌دهندگان در این سامانه (نسبت به سامانه‌های رقیب) برای آموزش مدل‌های خود به ۸۰ درصد کُدِذ کمتر نیاز دارند.

به گفته بردلی شیمین، تحلیل‌گر ارشد سامانه‌های هوش مصنوعی و مدیریت داده در شرکت Omdia: «متخصصین علوم داده امیدوارند کسب‌وکارها فن‌آوری هوش مصنوعی را در سراسر شرکت خود به کار گیرند، اما برای تحقق این هدف هیچ ابزاری ارائه نمی‌دهند. بلکه به دنبال ابزارهایی هستند که چرخه زندگی پروژه‌های یادگیری ماشین را کوتاه‌ کنند و متأسفانه این خواسته دشواری است. برای تحقیق این هدف به زیرساخت‌هایی نیاز است که تجربه کاربری را به صورت یکپارچه درآورند. علاوه بر این، هوش مصنوعی باید به عنوان راهنما عمل کند و داده‌ها رُکن اصلی این فرایند را تشکیل دهند. در همان حال باید سازمان‌ها را به استفاده از فن‌آوری‌های مختلف ترغیب کنیم.»

در واقع Vertex تمامی راهکارهای هوش مصنوعی Google Cloud را در یک محیط واحد گرد هم آورده است؛ در این محیط می‌توان چرخه زندگی مدل‌ها را، از مرحله آزمایش تا مرحله نهایی که همان تولید و ساخت مدل است، انجام داد.

اندرو مور از Vertex AI می‌گوید

اندرو مور، نایب رئیس و مدیرکل Cloud AI and Industry Solutions در Google Cloud می‌گوید: «در زمان ساخت Vertex AI دو چیز راهنمای ما بود: متخصصین علوم داده و مهندسین را از حاشیه امن‌شان خارج کنیم و تغییری سراسری در صنعت ایجاد کنیم. بدین ترتیب همگی می‌توانیم با جدیت تمام هوش مصنوعی را از محدوده آزمایشگاهی خارج و به تولید کامل برسانیم. نتایجی که این سامانه برای ما داشته بسیار راضی‌کننده بوده است، زیرا این سامانه امکان استقرار مدل‌های نسل جدید هوش مصنوعی را برای ما فراهم می‌کند و بدین ترتیب متخصصین علوم داده و مهندسین می‌توانند دست به خلاقیت بزنند.»

سامانه Vertex امکان دسترسی به جعبه‌ابزار MLOps را فراهم می‌آورد؛ شرکت گوگل با استفاده از این جعبه‌ابزار برای حجم‌های کاری مرتبط با یادگیری ماشین، مکالمه و زبان استفاده می‌کنند.

سامانه Vertex از MLOps پشتیبانی می‌کند. برخی دیگر از ویژگی‌های این جعبه‌ابزار عبارتند از:

• ابزار Vizier : سرعت انجام آزمایشات را افزایش می‌دهد
• ابزار Feature Store: امکان استفاده مجدد و به اشتراک‌گذاری ویژگی‌های ML را برای متخصصان این حوزه فراهم می‌آورد
• ابزار Experiments: با انتخاب سریع‌تر مدل، استقرار و ساخت مدل‌ها را سرعت می‌بخشد.

دسترسی به سامانه Vertex برای برخی شرکت‌ها زودتر از موعد مقرر فراهم شد. یکی از این شرکت‌ها ModiFac است؛ این شرکت که بخشی از شرکت L’Oréal  است، برای ایجاد تحول در صنعت زیبایی به استفاده از واقعیت افزوده (AR) و هوش مصنوعی روی آورده است.

جف هوتون، یکی از مشتریان Vertex

جِف هوتون، مدیر ارشد عملیاتی ModiFace می‌گوید: «ما تجربه‌ای همه جانبه و شخصی برای مشتریان خود فراهم می‌آوریم تا با اطمینان خاطر خرید کنند. خواه از طریق امتحان کردن محصول به صورت مجازی و از طریق وِب باشد، خواه از این طریق یشنهاد محصول متناسب با هر فرد. هرروزه بر تعداد کاربرانی که از طریق تلفن‌های همراه خود و سایر دستگاه‌های لمسی به دنبال اطلاعات هستند، افزوده می‌شود. ما به کمک Vertex AI توانستیم فن‌آوری‌ای ایجاد کنیم که کاربران با تکیه بر آن می‌توانند محصول را به صورت مجازی امتحان کنند. این فن‌آوری به حدی پیشرفته است که گویی کاربر در دنیای واقعی آن محصول را امتحان می‌کند.»

سامانه ModiFace با استفاده از Vertex مدل‌های هوش مصنوعی خود را برای ارائه سرویس‌های جدید آموزش می‌دهد. برای مثال، سرویس تشخیص پوست این شرکت بر روی هزاران عکس به دست‌آمده از بخش تحقیق و نوآوریِ شرکت L’Oréal آموزش دیده است و برای ساخت روتین‌های مراقبت پوستی شخصی با الگوریتم هوش مصنوعی ModiFace ترکیب شده است.

شرکت Essence یکی دیگر از شرکت‌هایی است که از مزایای سامانه Vertex بهره‌مند شده است. Essence یک آژانس رسانه‌ای و تبلیغاتی است و بخشی از شرکت تبلیغاتی و ارتباطات WPP، واقع در لندن، است.

توسعه‌دهندگان و تحلیل‌گران داده Essence به کمک Vertex می‌توانند به طور منظم مدل‌ها را به‌روزرسانی کنند تا با دنیای انسان‌ها و محتوای کانال‌ها که همواره‌ در حال تغییرِ است، همگام شوند.

این دو شرکت‌ توانسته‌اند با استفاده از سامانه Vertex کیفیت خدمات و سرویس‌های خود را تا حد زیادی ارتقاء دهند.

برای آشنایی بیشتر با نحوه استفاده از Vertex بر روی این لینک کلیک کنید.

منبع: هوشیو

همه ما می‌دانیم که همیشه بین چیز‌هایی که می‌دانیم و چیز‌هایی که نمی‌دانیم تعادل وجود دارد. این تعادل لازمه گرفتن تصمیمات بی‌نقص و انجام اشتبا‌هات تمام‌عیار است که به ما درس زندگی می‌دهند. اما به نظر شما تحلیل داده های رفتاری چه کمکی به ما خواهد کرد؟

اگر من بگویم‌، شما از مشکلی رنج می‌برید که در ذهن شما پنهان است و حتی نمی‌دانید که چیست‌، ممکن است مجبور باشید n روش‌‌ مختلف را امتحان کنید و بنابراین، احتمال موفقیت شما در یافتن این مشکل و راه‌حل آن خواهد بود. احتمال درست بودن آن راه‌حل نیز مسئله‌ای دیگر است! خسته‌کننده به نظر می‌رسد‌، اینطور نیست؟

اگر به شما بگویم‌، ممکن است فرمولی ریاضیاتی برای حل مشکلی که در اعماق مغز شما پنهان شده است‌، و باعث می‌شود شما این‌گونه رفتار کنید وجود دارد چه فکری می‌کنید؟ جالب به نظر می‌رسد نه؟ اگر داده های رفتاری خود را به صورت سه‌بعدی (یعنی شامل هر سه بعد زمان‌، رویداد و شدت بشود) جمع‌آوری کنیم، در نهایت ما جریانی از رویداد‌ها و نحوه و چگونگی برخورد خود با آن‌ها را خواهیم داشت.

تحلیل داده های رفتاری یک میلیون نفر

حال بیایید این کار را روی بیش از یک میلیون نفر دیگر نیز تکرار ‌کنیم. با انجام یک محاسبه ریاضی ساده به این نتیجه می‌رسیم که اگر۱ میلیون نفر آدم داشته باشیم‌ که داده های رفتاری مربوط به حداقل ۳۰ رویداد مربوط به آن‌ها (یعنی فعالیت‌هایی که آن‌ها را آزار داده یا باعث خوشحالی‌، ناراحتی‌، بدخلقی‌، عصبانیت و ناامیدی شده) را به همراه شدت آن (چقدر و چگونه آن را حل کردند) داریم، در نهایت ما ۳۰ میلیون راه‌حل و ۳۰ میلیون احتمال خواهیم داشت.

اکنون اگر بخواهم این اعداد را جایگزین کنم، ذهنم متلاشی خواهد شد! اما من برای محاسبه آن‌ها از شبکه‌‌های عصبی استفاده می‌کنم. هر گاه که مسئله‌ای به شما داده شود، به کمک این سیستم و شبکه‌های عصبی هوش مصنوعی می‌توانید ترکیبات مختلف را بررسی کنید و راه‌حل‌های محتمل متعدد را به دست آورید. الگوریتم هوش مصنوعی حواسش به احتمال موفقیت  شما خواهد بود و شما دیگر نیازی به یافتن راه‌حل ندارید، چون قبلاً یک نفر این کار را برای شما انجام داده است!

این جنبه از هوش مصنوعی بی‌نظیر نیست؟

منبع: هوشیو

بر اساس یکی از پژوهش‌های اخیر، احتمال بروز رویدادها و تغییرات اقلیمی بی‌سابقه در ده سال آینده رو به افزایش است. برای مثال ماه گذشته، کانادا رکورد بالاترین دمای ثبت شده‌ی خود را تقریباً ۵ درجه سانتی‌گراد افزایش داد. این در حالی است که توانایی مدل‌های آب و هوایی در پیش‌بینی شرایط حدی، در پی بروز زنجیره‌ای از حوادث شدید آب و هوایی در سراسر جهان زیر‌ سوال رفته است.

اریک فیشر و همکارانش در مؤسسه فناوری فدرالِ (ETH) زوریخ، سوئیس، از چند مدل کامپیوتری برای شبیه‌سازی میانگین بیشینه دمای گرمترین هفته سال، در بخش‌هایی از آمریکای شمالی و اروپا استفاده کردند. محققان به دنبال رمزگشایی از این معما بودند که آیا دما توانسته در مواردی رکوردها را با اختلاف فاحشی جابجا کند یا خیر. سرانجام، تلاش‌های آنان به ثمر نشست. علی رغم پیش‌بینی‌های معمول که افزایشِ دما را ۱/۰ یا ۲/۰ درجه سانتی‌گراد تخمین زده بودند، یافته‌های این پژوهش نشان داد که با در نظر گرفتن سناریوهای انتشار کربن، انتظار می‌رود بیشینه دما تا سال ۲۰۳۰ بیشتر از یک درجه افزایش داشته باشد.

محققان به این نتیجه رسیدند که احتمال وقوع چنین رویدادهایی تا حد زیادی به سرعت گرم شدن زمین بستگی دارد، نه فقط به میزان گرم شدن آن. دمای زمین تاکنون ۱/۱ درجه سانتی‌گراد گرم‌تر شده است و این روند صعودی کماکان ادامه دارد. فیشر در ادامه خاطرنشان کرد که «مسئله اصلی سرعت تغییرات است».

موج گرمای آمریکای شمالی به دلیل تغییرات اقلیمی

گرت جَن وَن اودنبرگ از موسسه هواشناسی سلطنتی هلند موج گرمای آمریکای شمالی را به تغییرات اقلیمی نسبت می‌دهد. از نظر او این موضوع که مدل‌های آماری احتمال وقوع رویدادهای آب و هوایی منطقه‌ای را صفر پیش‌بینی کرده بودند، موجب نگرانی شده است. چنین مدل‌هایی برای مقادیر حدی توزیع نظری دارند؛ مقادیر حدی حداکثر دمای یک منطقه را مشخص‌ می‌کنند. بسته به تغییرات اقلیمی، نمودار این مقادیر شیبی ملایم و رو به بالا دارد.

وَن اودنبرگ اینطور توضیح می‌دهد: «سپس این موج گرما از راه رسید و دمای هوا از بیشنیه معمول فراتر رفت. ناتوانیِ مدل‌های نظری درپیش‌بینی رفتار موج گرما، جای تعجب و  نگرانی دارد».

در آینده چه حوادثی روی خواهد داد؟ طبق توضیحات پیتر اسکات، کارشناس سازمان هواشناسی انگلستان، مدل‌های هواشناسی در پیش‌بینی تغییرات اقلیمی در سطح کلان عملکرد خوبی داشته‌اند. او معتقد است: «نه تنها میانگین دمای زمین افزایش داشته است بلکه شاهد افزایش دمای حدی و بارش باران نیز بوده‌ایم. مدل‌ها این وقایع به وضوح نشان داده‌اند. در واقع اکنون شاهد وقوع آن‌ها هستیم».

با این حال، اسکات توضیح می‌دهد که مدل‌های قبلی رویدادهای حدی برخی مناطق، مانند گرمای بی‌سابقه کانادا، را پیش‌بینی نکرده بودند. خبر امیداوارکننده، به زعم اسکات، این است که جزئیات مکانی برخی از مدل‌های اقلیمی جدید شباهت بیشتری به مدل‌های آب و هوایی دارند. در این مدل‌ها مناطق به شبکه‌ای با خانه‌های دو کیلومتری تقسیم‌بندی شده‌اند. این تقسیم‌بندی برای انجام پیش‌بینی‌ رویدادهای حدی محلی مناسب‌تر است. از طرفی، برخی از طراحان مدل‌های آب و هوایی بهتر از قبل می‌توانند علت بارش‌های شدید و کوتاه مدت، مانند بارندگی‌های اخیر آلمان و چین، را توصیف کنند.

نیاز به توان محاسباتی بالا

با این حال، برخی از مدل‌ها به وضوح تصویر بیشتری نیاز دارند و این امر خود توان محاسباتی بالاتری را می‌طلبد؛ از طرفی، وضوح تصویر به تنهایی کفایت نمی‌کند؛ یکی دیگر از فاکتورهای مورد نیاز برای پیش‌بینی رویدادهای حدی، مقیاس‌های زمانی است. بیشتر مدل‌های آب و هوایی مبتنی بر مقیاس‌های صدساله هستند، اما برخی از دانشمندان اکنون به پیش‌بینی‌های ده‌ساله روی آورده‌اند. به زبان ساده این مدل‌ها آب و هوای چند سال آینده را پیش‌بینی می‌کنند. آن‌ها در حال حاضر برای پیش‌بینی طوفان‌های اقیانوس اطلس استفاده می‌شوند.

بنا به توضیحات تِد شِپرد، استاد انشگاه ریدینگ انگلستان، «به طور قطع گرایش دانشمندان به سمت پیش‌بینی‌های ده‌ساله بیشتر شده است. این مدل‌ها  تغییرات اقلیمی فعلی را بررسی می‌کنند، نه تغییراتی که در آینده روی خواهد داد».

با اینکه بسیاری از طراحان مدل‌های آب و هوایی توان محاسباتی بالا را تنها راهکار معجزه‌آسای پیش‌بینی مقادیر حدی قلمداد نمی‌کنند، اما معتقدند این راهکار می‌تواند مفید واقع شود. برای مثال، می‌توان به رایانش مورد نیاز برای استخراج آمار و ارقام از محاسبات پیچیده معادلات ناویر استوکس در مدل‌سازی حرکات جوی اشاره کرد.

از نظر تیم پالمر، استاد دانشگاه اکسفورد، هرچه توان پردازشی بالاتر باشد، اطلاعات بدست‌آمده دقیق‌تر خواهد بود: «اساساً همه چیز به محاسبات برمی‌گردد». او پیشنهاد می‌کند «یک سازمان تحقیقاتی، مانند سازمان پژوهش‌های هسته‌ای اروپا (سرن)، برای تغییرات اقلیمی» تشکیل شود؛ به زعم پالمر، این پروژه محاسباتی سنگین با هزینه سالانه ۲۰۰ میلیون یورو قابل اجرا است. این پروژه هنوز تصویب نشده است، با این حال، در حال حاضر طرح‌هایی در حال اجرا هستند که می‌توانند به مدل‌های آب و هوایی کمک کنند. برای مثال می‌توان به پروژه اتحادیه اروپا بری ساخت «دوقلوی دیجیتالی» سیاره اشاره کرد.

ناتوانی مدل‌ها در شبیه‌سازی تغییرات اقلیمی

طبق اظهارات تیم آزبورن از دانشگاه آنگلیای شرقیِ انگلستان، نباید فراموش کنیم که مدل‎‌های آب و هوایی همیشه در حال پیشرفت هستند. از نظر آزبورن کاملاً طبیعی است که مدل‌های نتوانند رکوردهایی مانند گرمای آمریکای شمالی را شبیه‌سازی کنند زیرا مدل‌های فعلی عملکرد ضعیفی در فرآیند‌های ترکیبی پیچیده، مانند تعامل بین آسمان صاف، رطوبت کم خاک و جهت باد دارند. حقیقت این است که هنوز نمی‌دانیم مشکل اصلی کجا است.

در مجموع، به منظور سازگاری با تغییرات اقلیمی و اطلاع‌رسانیِ به موقع به سامانه‌های هشدار برای کاهش تلفات جانی، ساخت مدل‌های آب وهوای پیشرفته‌تر ضروری به نظر می‌رسد. ولی به این معنا نیست که با این مدل‌ها اقدامی در جهت حذف عامل تغییرات اقلیمی، یعنی انتشار گازهای گاخانه‌ای تولید شده توسط انسان، انجام داده‌ایم. به گفته شپرد: «بعید می‌دانم ایراد از مدل‌ها باشد. به نظر من دلایل دیگری وجود دارد که مردم برای مقابله با تغییرات آب و هوایی کاری نمی‌کنند. آن‌ها مانند کبک سر خود را زیر برف فرو کرده‌اند. شاید به این دلیل که باور وقایعی که بشر هنوز تجربه ‌نکرده‌ است دشوار است».

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: هوشیو

آمریکا موفق به ساخت یکی از قدرتمندترین ابرکامپیوترهای دنیا شده است. این ابرکامپیوتر از Perlmutter، هوش مصنوعی خارق‌العاده‌ی خود استفاده می‌کند تا به چالش‌برانگیزترین پروژه‌های موجود، از حوزه‌ی فیزیک نجومی و علوم جوی گرفته تا فناوری‌های انرژی پاک، کمک کند.

سیستم Perlmutter، ابرکامپیوتر Cray EX از شرکت Hewlett-Packard، در «مرکز محاسبات علمی تحقیقات انرژی ملی»، یکی از بخش‌های آزمایشگاه ملی لاورنس برکلی، رونمایی شد. طبق گزارش Nvidia، Perlmutter سریع‌ترین سیستم هوش مصنوعی دنیاست؛ شرکت سازنده‌ی تراشه Nvidia مسئول ساخت بیشتر سخت‌افزارهای گرافیکی این سیستم بوده است.

دیوید ترک، معاون اول وزارت نیرو، در مراسم رونمایی Perlmutter گفت: «ابرکامپیوتر Perlmutter الهام‌بخش نسل بعدی دانشمندان و نوآوران بوده و با فراهم آوردن محاسبات علمی، این فرصت را در اختیار آمریکا و وزارت نیرو قرار می‌دهد تا بزرگ‌ترین سؤالات ما را پاسخگو باشند.»

وی ادامه داد: «با ارتقاء و به کارگیری پلتفرم‌های محاسباتی از این دست، آزمایشگاه‌های ملی بهتر خواهند توانست برای دشوارترین مسائل روز، از تغییر آب و هوا گرفته تا امنیت سایبری، راه‌حل ارائه دهند.»

به گفته‌ی Nvidia، این ماشین مجهز به ۶۱۵۹ واحد پردازش‌گر مرکزی  A100 Tensor می‌باشد که به آن اجازه می‌دهند در هر ثانیه، حدود ۴ اگزافلاپ یا یک کویینتیلیون (۱۰ به توان ۱۸) عملیات ممیز-شناور انجام دهد.

نامگذاری سیستم Perlmutter

نام این سیستم از سائول پرلماتر، دانشمند حوزه‌ی فیزیک نجوم و برنده‌ی جایزه‌ی نوبل، گرفته شده است. به گزارش SiliconANGLE، Perlmutter بلافاصله بعد از رونمایی مشغول کار روی تولید نقشه‌ای سه بُعدی از جهان هستی شد.

بدین منظور، لازم است داده‌های حاصل از «ابزار طیف‌یابی انرژی تاریک» توسط Perlmutter پردازش شوند؛ این ابزار توسط همین آزمایشگاه ساخته شده و در هر تصویر (برآورد) می‌تواند تا ۵۰۰۰ کهکشان را ثبت کند.

کاربرد دیگر Perlmutter در پروژه‌ای است که تعاملات زیراتمی منشأ نورهای سبز را مورد مطالعه قرار می‌دهد تا بلکه بتواند به فناوری عالی ذخیره‌ی باتری دست یابد، فناوری‌ای که آغازگر تولید سوخت‌های زیستی می‌باشد.

داین هریس، مدیر ارشد بازاریابی محصولات Nvidia، می‌گوید: «شبیه‌سازی تعدادی اتم در بازه‌ی زمانی چند نانوثانیه‌ای با برنامه‌هایی همچون Quantum Espreeso مستلزم ریاضیاتی پیچیده است که ابرکامپیوترهای قدیمی به سختی از پس آن برمی‌آیند. اما ادغام شبیه‌سازی‌های دقیق آن‌ها با یادگیری ماشینی به دانشمندان اجازه می‌دهد اتم‌های بیشتری را در زمان‌های طولانی‌تر مورد مطالعه قرار دهند.»

وی ادامه می‌دهد: «هسته‌های پردازش‌گر تنسور A100 این ابرکامپیوتر صرفاً متناسب با همین هدف طراحی شده‌اند؛ این هسته‌ها می‌توانند ریاضیات ممیز-شناور دقت مضاعف که برای شبیه‌سازی ضروری هستند و محاسبات دقت‌ آمیخته که در یادگیری عمیق کاربرد دارند، را انجام دهند.»

دکتر پرلماتر می‌گوید: «عصر حاضر فرصتی طلایی برای ادغام علوم با قدرت ابرکامپیوترها به شمار می‌رود، شاید بدین خاطر که اکنون علم قابلیت این را دارد که داده‌های بسیار زیاد جمع‌آوری کرده و همه را یک‌جا نگه دارد.»

«این ابرکامپیوتر دقیقاً همان چیزی است که برای مدیریت این دیتاست‌های بزرگ لازم داریم. به همین دلیل می‌توانیم منتظر کشفیاتی جدید در حوزه‌های کیهان‌شناسی، میکروبیولوژی، ژنتیک، تغییرات جوی، علم مواد و تقریباً همه‌ی عرصه‌های علمی دیگر، باشیم.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: هوشیو