هوش مصنوعی و ترافیک سنجی

هوش مصنوعی و ترافیک سنجی

محققان از سراسر آزمایشگاه ملی ارگون وزارت انرژی ایالات متحده (DOE) با استفاده از تکنیک هوش مصنوعی (AI) به نام یادگیری ماشین ، از ابر رایانه های آرگون برای هضم الگوهای ترافیک از داده های تقریباً یک ساله گرفته شده از 11160 حسگر در امتداد سیستم بزرگراه بزرگ کالیفرنیا استفاده کرد. سپس از این اطلاعات برای آموزش مدلی برای پیش بینی ترافیک با سرعت بالا استفاده شد – مطمئناً سریعتر از ترافیک لوس آنجلس در عرض میلی ثانیه ، مدل می تواند ساعت گذشته اطلاعات را بررسی کرده و ساعت بعدی ترافیک را با دقت زیادی پیش بینی کند.

هوش مصنوعی چگونه به کنترل و حل ترافیک لس آنجلس کمک می کند ؟

کار با اعضای بخش ریاضیات و علوم کامپیوتر آرگون (MCS) و تسهیلات رایانه ای رهبری آرگون (ALCF) ، در یک  دفتر کاربری علمی وزارت علوم DOE ، تیم نتایج خارق العاده ای در پیش بینی ترافیک بدست آورد و اخیراً نتایج را در سابقه تحقیقات حمل و نقل ،مجله هیئت تحقیقات حمل و نقل منتشر کرد. پراسانا بالاپراکش ، دانشمند کامپیوتر در MCS با انتصاب مشترک در ALCF ، گفت: “هوش مصنوعی و قابلیت های فوق رایانه ای که در این کار استفاده شده است ، به ما امکان می دهد تا مشکلات واقعاً بزرگی را حل کنیم.” “مقیاس این پروژه زیاد است و این مقدار داده برای مقابله با آن به یک منبع محاسباتی به همان اندازه بزرگ نیاز دارد.” دانشمندان با استفاده از منابع محاسباتی کلاس جهانی ALCF تعداد ساعات رایانه مورد نیاز برای آموزش مدل را به شدت کاهش دادند. به عنوان مثال ، برای آموزش مدل پیش بینی ترافیک در یک هفته ممکن است یک رایانه رومیزی برتر از یک هفته طول بکشد ، می توان همین روند را در مدت سه ساعت روی یک ابر رایانه انجام داد. استفاده از قدرت یادگیری عمیق مبتنی بر نمودار – شکل پیچیده ای از یادگیری ماشینی که می تواند تصمیم گیری کند و تقریباً به طور خودکار پیش بینی های یک مدل را بهبود بخشد – مدل آنها از داده های تاریخی برای پیش بینی الگوهای ترافیک استفاده می کند ، در حالی که سرعت و جریان را به طور همزمان پیش بینی می کند. این مهم است زیرا جریان های ترافیکی در هر منطقه در هر زمان به سرعت و جریان ترافیک در نزدیکی بستگی دارد. اریک راسک ، مهندس اصلی تحقیقات قبلی در مرکز تحقیقات حمل و نقل آرگون و یکی از دانشمندان درگیر در این مطالعه گفت: “رویکردهای پیش بینی ترافیک برای توسعه استراتژی های سازگار برای حمل و نقل بسیار مهم است. “الگوهای ترافیکی دامنه وابستگی های مکانی و زمانی پیچیده ای دارند که پیش بینی دقیق در شبکه های بزرگراهی را به عنوان یک کار چالش برانگیز در نظر می گیرند.”

با ویرا سگال کارو همراه باشید

هوش مصنوعی در عوارض مغزی

هوش مصنوعی در عوارض مغزی

دامنه فناوری های هوش مصنوعی موجود برای مقابله با بیماری های مغزی به سرعت در حال رشد است و روشهای جدید و مهیجی در زمینه عوارض مغزی اعمال می شود زیرا دانشمندان کامپیوتر درک عمیق تری از توانایی های الگوریتم های پیشرفته دارند. محققان برای درک وضعیت پیشرفته در استفاده از AI برای بیماری های مغزی ، یک بررسی سیستماتیک انجام دادند. بررسی کیفی آنها جالب ترین گوشه های توسعه هوش مصنوعی را روشن می کند. هوش مصنوعی به دلیل توانایی در حل مشکلاتی که بشر نمی تواند حل کند، تحسین می شود و این تخسن به لطف معماری های جدید رایانه ای که مقادیر زیادی از داده های پیچیده را به سرعت پردازش می کند می باشد. در نتیجه ، روش های هوش مصنوعی ، مانند یادگیری ماشین ، بینایی رایانه و شبکه های عصبی ، برای برخی از سخت ترین مشکلات علوم و جامعه اعمال می شود.

کاربرد هوش مصنوعی در عوارض و بیماری های مغزی

یک مشکل جدی تشخیص ، درمان جراحی و نظارت بر بیماری های مغزی است. دامنه فناوری های هوش مصنوعی موجود برای مقابله با بیماری های مغزی به سرعت در حال رشد است و روشهای جدید و مهیجی در زمینه مشکلات مغزی اعمال می شود زیرا دانشمندان کامپیوتر درک عمیق تری از توانایی های الگوریتم های پیشرفته دارند.در مقاله ای که این هفته توسط انتشارات AIP در APL Bioengineering منتشر شد ، محققان ایتالیایی یک بررسی منظم از نوشته ها را برای درک نوآوری ها  در استفاده از AI برای بیماری های مغزی انجام دادند. جستجوی آنها 2696 نتیجه به دست آورد و آنها تمرکز خود را بر روی 154 مقاله برتر با استناد قرار دادند و از نزدیک بررسی کردند. بررسی کیفی آنها جالب ترین گوشه های توسعه هوش مصنوعی را روشن می کند. به عنوان مثال ، از یک شبکه خصمانه تولیدی برای ایجاد مصنوعی یک مغز پیر استفاده شد تا ببیند چگونه بیماری با گذشت زمان پیشرفت می کند. نویسنده آلیس سگاتو گفت: “استفاده از تکنیک های هوش مصنوعی به تدریج راه حل های نظری کارآمد را برای تعداد زیادی از مشکلات بالینی در دنیای واقعی مرتبط با مغز به ارمغان می آورد.” وی افزور:”به ویژه در سال های اخیر ، به لطف انباشت داده های مربوطه و توسعه الگوریتم های موثر به طور فزاینده ، امکان افزایش قابل توجه درک مکانیسم های پیچیده مغز فراهم شده است.” سگاتو گفت: “اگر انسان بخواهد نسخه های الگوریتمی یا تشخیص را قبول کند ، باید به آنها اعتماد کند.” “تلاش محققان منجر به ایجاد الگوریتم های پیچیده و قابل تفسیر می شود ، که می تواند استفاده فشرده از فن آوری های” هوشمند “را در زمینه های بالینی عملی، حمایت کند.”