Рубрики
Компьютерные знания

Искусственный интеллект не может справиться с хаосом, но учение это физика может помочь

В то время как системы искусственного интеллекта продолжают делать огромные шаги вперед, они по-прежнему не особенно хорошо справляются с хаосом и непредсказуемостью. Теперь исследователи думают, что они нашли способ исправить это, обучая ИИ о физике.

Чтобы быть более конкретным, рассказывая им о функции гамильтониана, который дает информацию ИИ об объеме динамической системы: все энергии, содержащиеся в нем, как кинетическая и потенциальная.

Нейронные сети, предназначенные для слабо имитируют человеческий мозг как сложную, тщательно взвешенного типа AI, то есть картину того, что происходит, и что могло бы открыть возможности для получения ИИ решать все сложнее и сложнее проблемы.

«Гамильтониан действительно специальный соус, который придает нейронных сетей способность к обучению порядок и хаос», — говорит физик Джон Линднер из Университета штата Северная Каролина.

«С Гамильтонова нейронная сеть понимает динамику таким образом, что обычная сеть не может. Это первый шаг к физике подкованных нейронных сетей, которые могли бы помочь нам решить сложные проблемы».

Исследователи сравнивают введение функции гамильтониана на качающийся маятник – это дает АИ информацию о том, как быстро маятник и его путь движения, а не просто показ ИИ снимок маятник в одной точке во времени.

Если нейросетей понять поток гамильтониана – так, где маятник, в этой аналогии, куда он едет, и энергия его – то они лучше смогут управлять внесение хаоса в порядок, новое исследование показало.

Не только это, но они могут также быть построены, чтобы быть более эффективным: лучше прогноз динамичные, непредсказуемые последствия без огромного количества дополнительных нейронных узлов. Он поможет ИИ, чтобы быстро получить более полное представление о том, как мир действительно работает.

Представление потока гамильтониана, с цветами радуги кодирование четвертое измерение. (Университет Штата Северная Каролина)

Чтобы проверить свои недавно усовершенствованной нейронной сети ИИ, исследователи выставить его против широко используемым эталоном называется Hénon-Heiles модель, созданная первоначально для модели движения звезды вокруг Солнца.

Гамильтонова нейронная сеть успешно прошла испытание, правильно прогнозируя динамику системы в состояний порядка и хаоса.

Этот улучшенный AI может быть использован в всех видах зон, от диагностики заболеваний до пилотирования беспилотных дронов.

Мы уже видели ИИ моделировать пространства, диагностировать медицинские проблемы, фильмы модернизировать и разрабатывать новые лекарства и технологии, условно говоря, только начало – еще много на пути. Эти новые данные должны помочь с этим.

«Если хаос в нелинейных ‘супер сила’, что позволяет детерминированная динамика должна быть практически непредсказуемой, тогда гамильтониан является нейронная сеть ‘секрет’, специальный ингредиент, который обеспечивает изучение и прогнозирование порядок и хаос», — пишут исследователи в своей публикации.

Исследование было опубликовано в физическая комментарий Е.

Рубрики
Компьютерные знания

Как возникают теории заговора и как их сюжетные линии разваливаться

Новое исследование профессора Калифорнийского университета предлагает новый способ, чтобы понять, как возникают необоснованные теории заговора в интернете. Исследования, которые сочетает в себе утонченный искусственный интеллект и глубокие знания о том, как фольклор является структурированной, объясняет, как несвязанных между собой фактов и ложной информации можно подключить в повествовательной рамки, что бы быстро развалится, если некоторые из этих элементов берутся из смеси.

Авторы, из колледжа Калифорнийского университета и школы Самуэли Калифорнийского Университета машиностроения, показано различие в элементах рассказ о развенчали теорию заговора и тех, которые возникли, когда журналисты освещали события в СМИ. Их подход мог бы помочь пролить свет на то, как и почему другие теории заговора, в том числе вокруг COVID-19, спреда даже при отсутствии фактов.

Исследование, опубликованное в журнале PLOS одном, проанализировал распространение новостей о 2013 “Bridgegate” скандал в Нью-Джерси — настоящий заговор и распространения дезинформации о 2016 “Pizzagate” миф, полностью высосана из пальца теории заговора, которая в Вашингтоне, округ Колумбия, пицца ресторан был центром детского секс-торговли ринг в котором приняли участие видные деятели Демократической партии чиновников, в том числе и Хиллари Клинтон.

Исследователи использовали машинное обучение, форма искусственного интеллекта, чтобы анализировать информацию, которая распространилась в интернете о истории Pizzagate. ИИ автоматически выделят все люди, места, вещи и организациям в историю распространения онлайн — правда это или производство — и определить, как они связаны друг с другом.

Найти кусочки головоломки

В любом случае — будь то теории заговора или актуальная новость — повествовательный каркас устанавливается взаимосвязь между всеми элементами сюжетной линии. И, оказывается, теории заговора, как правило, образуются вокруг определенных элементов, которые действуют как клей, удерживающий факты и персонажи вместе.

“В поисках рассказов скрытых в социальные медиа форумы как решать огромный пазл, с добавленным осложнением шума, где многие вещи просто не имеет значения”, — сказал Vwani Roychowdhury, Калифорнийского университета профессор электротехники и вычислительной техники и экспертом в области машинного обучения, и ведущий автор статьи.

В последние годы исследователи добились больших успехов в разработке искусственного интеллекта инструменты, которые могут анализировать пакеты из текста и определить куски головоломки. Как ИИ научится выявлять закономерности, самобытности и взаимодействия, которые вложены в слова и фразы, рассказы начинают делать “чувства”.Опираясь на огромное количество данных, имеющихся в социальных сетях, и из-за совершенствования технологий, системы все чаще имеют возможность научиться “читать” рассказы, почти как если бы они были людьми.

Изображения эти сюжетные рамки показали исследователи, как ложная теория заговора рассказы удерживаются вместе с помощью нити, связывающие множество персонажей, мест и вещей. Но они обнаружили, что если даже один из этих потоков-это отрезок, других элементов часто не может составить связный рассказ без него.

УКЛА

Теория заговора рушится: исследователи обнаружили, что с WikiLeaks отношения снять как “клей” для ложного повествования, другие элементы Pizzagate миф быстро отсоединены друг от друга.

“Одна из особенностей Теория заговора структуры повествования является то, что она легко отключается,” сказал Тимоти Tangherlini, один из ведущих авторов работы, профессор в Калифорнийском университете в скандинавском разделе которого стипендия ориентирована на фольклор, легенды и народной культуры. “Если вы берете одного из персонажей или сюжетные элементы теории заговора, связи между другими элементами рассказа развалится.”

Какие элементы палку?

В отличие от этого, сказал он, по рассказам около реальных заговоров — потому что это правда — как правило, вставать, даже если любой элемент истории, удаляется из базы. Рассмотрим Bridgegate, например, в которой власти Нью-Джерси закрыты несколько полос моста Джорджа Вашингтона по политически мотивированным причинам. Даже если любое количество потоков были удалены из новостей скандала, история бы держатся вместе: все задействованные персонажи имели несколько точек подключения по способу их роли в политике Нью-Джерси.

“Все они находятся в одном домене, в этом случае новая политика-Джерси, которая будет продолжать существовать независимо от удалений”, — сказал Tangherlini. “Эти соединения не требуют такого же клея, что теории заговора нет”.

Tangherlini называет себя “вычислительная фольклорист”.За последние несколько лет, он регулярно сотрудничал с Roychowdhury, чтобы лучше понять распространение информации вокруг горячей кнопки вопросы, как антивакционного движения.

Для анализа Pizzagate, в котором теория заговора возникла из творческой интерпретации взломали электронную почту выпустят в 2016 году ученые, исследователи проанализировали около 18000 постов с апреля 2016 года до февраля 2018 из форумов на сайтах Reddit и Воат.

“Когда мы посмотрели на слои и структуру повествования о Pizzagate, мы обнаружили, что если вы берете Викиликс в качестве одного из элементов в сюжете, остальные соединения не выдерживают”, — сказал Tangherlini. “В этот заговор, Викиликс дампа по электронной почте и как теоретики творчески интерпретировать содержание того, что было в письмах, являются только клей держит заговора вместе”.

Данные, полученные с помощью анализа ИИ позволило исследователям создать графическое представление рассказов, со слоями для основных сюжетных линий каждой истории, и линии, соединяющие ключевые люди, места и учреждения в пределах и между этими слоями.

Быстрая сборка против медленного ожога

Еще одно различие, возникшее между реальным и ложным россказням касается времени они принимают, чтобы построить. Повествовательные структуры вокруг теории заговора, как правило, строят и довольно быстро становятся стабильными, в то время как повествовательные рамки вокруг реальных заговоров может занять годы, чтобы выйти, сказал Tangherlini. Например, повествовательный каркас Pizzagate стабилизируется в течение месяца после Викиликс свалку, и он оставался относительно стабильным в течение следующих трех лет.

“Тот факт, что появилась дополнительная информация, связанная с фактической заговор в течение длительного периода времени (здесь пять с половиной лет) может быть одним из признаков отличающих заговор от теории заговора”, — пишут авторы исследования.

Сказал Tangherlini это становится все более важно понять, каким образом теории заговоров, в изобилии, частично потому, что историй, как Pizzagate вдохновили некоторые совершать действия, подвергающие опасности других людей.

“Угроза повествования нашли в теории заговора могут означать или нынешних стратегий, которые поощряют людей брать в реальном мире действия”, — сказал он. “Эдгар Уэлш отправился в пиццерию, что в Вашингтоне с оружием ищу положено пещерах скрываются жертвами секс-торговли”.

Исследователи Калифорнийского университета также написал еще один документ с анализом повествовательной рамки вокруг теорий заговора, связанных с COVID-19. В этом исследовании, которое было опубликовано на с открытым исходным кодом форума, они отслеживают, как теории заговора, будут наслаиваться на ранее распространены теории заговора, такие, как те, о предполагаемой опасности вакцин и в других случаях, как пандемия породили совершенно новые, такие как идея, что 5G в сотовых сетях распространения коронавируса.

“Мы используем тот же газопровод на COVID-19 обсуждений, как мы это делали для Pizzagate,” Tangherlini сказал. “В Pizzagate, цели были более ограничены, и теория заговора стабилизируется быстро. С COVID-19, есть много конкурирующих теорий заговора, и мы отслеживаем выравнивание, поменьше теорий заговора в более крупные. Но основная теория одинакова для всех теорий заговора”.

Рубрики
Компьютерные знания

Обнаружение человека-машины онлайн-злокачественные информацию

Как социальные медиа все чаще используется в качестве первичного источником для новостей онлайн, существует растущая угроза от распространения злокачественных и ложной информации. С отсутствия человеческих редакторов новостей и роста искусственных сетевую активность, он стал проще для различных субъектов манипулировать новость о том, что люди потребляют. Найти эффективный способ, чтобы обнаружить злокачественные информации в интернете является важной частью решения этого вопроса. Рэнд Европы был проведен по заказу Министерства обороны Великобритании по (мод) защита и ускоритель безопасности (Дас) разработать метод для выявления злокачественных использования информации в интернете. В исследовании был заключен в рамках усилий Даса, чтобы помочь Великобритании модом развивать свои способности поведенческого аналитика.

Наше исследование показало, что онлайн-сообщества все чаще подвергается нежелательной новости, активность кибер-издевательств, террористической пропаганды и политической репутации стимулирования или смазывания кампаний. Эти мероприятия осуществляются по синтетическим счетам и пользователей, в том числе интернет-троллей, политических лидеров, крайне левых или крайне правых лиц, национальных противников и экстремистских групп. В целях поддержки усилий правительства, чтобы обнаружить и противодействовать такой деятельности, исследовательская группа успешно разработана и применена модель машинного обучения в российской базе Тролль для выявления различий между подлинным политическим сторонникам и российские тролли шейпинг онлайн дебаты по поводу президентских выборах 2016 года в США. В суд портативность модели, важным следующим шагом может стать испытание модели в новом контексте, такие как онлайн-дискуссии квартал и месяц.

Рубрики
Компьютерные знания

ИИ учится на компьютерную томографию легких для диагностики COVID-19

ВЫШЕ: © ISTOCK.COM, SUDOK1

Хотя первоначальная волна торс-ков-2 пандемии снижается во многих странах, медицинских учреждений по-прежнему хотите определить, как много COVID-19 пациентов, как это возможно и локализации заболевания. Быстрая и точная диагностика особенно важна, когда на ничего не подозревающих больных с коронавирусной инфекцией приходят в больницу с жалобами на здоровье, но пока не показывают симптомы COVID-19.

Носовой тампон образцы анализировали с помощью от-ПЦР в настоящее время рекомендован для диагностики COVID-19, однако, перебоям, а время ожидания до двух дней для получения результатов и ложно-отрицательным на уровне 1 в 5 альтернативный, масштабные COVID-19 инструментов проверки все еще ищутся.

Торс-ков-2, Как известно, повреждение легочной ткани, и в определенном направлении, что врачи теперь стремятся использовать новые диагностические подходы. Многие COVID-19 больных развивается пневмония, которая может прогрессировать до дыхательной недостаточности, а иногда и смерть. COVID-19 пневмония отличается от более распространенных форм бактериальной пневмонии, а различия появляются в КТ грудной клетки. Самый яркий облачно паттерны поражения, которые напоминают осколки стекла или линии ретикулярной в непрозрачной поражения, которые выглядят как нерегулярные тротуарной плитки, которые происходят вокруг периферии обоих легких. Поражения от бактериальной пневмонии, как правило, сосредоточены в одном легком и могут не напоминают осколки стекла.

В Китае, КТ уже используются как COVID-19 диагностический инструмент, когда пациент прибывает в медицинских учреждениях с высокой температурой и подозрением на инфекцию, хотя этот подход не получил широкого распространения в США. Два исследования, опубликованные в Nature MedicineCell, продвинуть эту идею с помощью искусственного интеллекта (ИИ) обучение на сканирование легких, компьютерная томография как инструмент для быстрой диагностики, чтобы искать COVID-19 инфекции у пациентов, которые приходят в больницу и требуют медицинской визуализации.

См. “AI-это скрининг миллиарды молекул для лечения синдрома”

Писать в клетке, исследователи из Университета науки и техники Макао, используемые 532,000 КТ от 3,777 пациентов в Китай для обучения своих инструментов ИИ, ориентируясь по сигнальным повреждений не видно в COVID-19 легких пациента. В экспериментальных исследованиях на нескольких китайских больницах модель ИИ правильно поставлен диагноз пневмонии, вызванной коронавирусом, по крайней мере, 85% времени, когда он был применен к набору данных из 417 пациентов в четырех отдельных когорт. COVID пневмония диагностировалась как не COVID пневмонии в 7-12% случаев.

“Эта группа выполняет колоссальную работу глубокое погружение на внешние проверки: у них есть большой набор данных из Китая и они смотрели на то, как он выполняется во многих больницах”, — говорит Мэтью Лунгрен, рентгенолог Стэнфордского университета медицинского центра, который не участвует ни в одном исследовании.

Признавая очень небольшое количество COVID-19 пневмонией случаях из большого числа неспецифических общих случаях пневмония имеет важное значение для диагностики при ОРВИ-ков-2, коронавирус за пандемии, становится хронической и более не главной причиной пневмонии, Лунгрен объясняет.

“Большой набор данных с различных исходных данных имеет решающее значение для достижения надежной и обобщать выводы на основе AI диагнозы”, — пишет соавтор сотового Кан Чжан, профессор медицины Университета науки и техники Макао, в своем письме ученый. “Одним из наиболее сложных вопросов в применении ИИ в здравоохранении является плохая воспроизводимость”.

Одна из проблем использования КТ для COVID-19 диагноза заключается в том, что много людей, инфицированных SARS-коронавирус-2 опыт тяжелых клинических симптомов, таких как кашель и лихорадка, но нет биомаркеров видны на КТ. Если работники здравоохранения пытаются получить точный COVID-19 диагноз быстрее, чем стандартные методы ПЦР, “только опираясь [COVID-19 диагностика] на снимках может не хватить”, — говорит Янг Янг, рентгенологом в больнице Маунт Синай.

Команда Янг обучает его COVID-19 модель AI на КТ грудной клетки, и опубликовали результаты в природе медицины. Эта модель интегрирована результаты КТ с клиническими данными, такими как пациентов возрастов, будь они от кашля или лихорадки, и их белых кровяных клеток, создавая то, что авторы называют “фьюжн” модели диагностики пациентов с COVID-19 на основании клинических и визуализации данных. Их модели Fusion диагноз COVID-19 с 83,5 процента точности в тестовом наборе 279 пациентов. При взгляде на один и тот же набор изображений, старший грудной клетки рентгенолог поставил диагноз COVID-19 С 84.6% точности.

“Есть аспекты в их методологии, которые я считаю очень важными для этой области в целом”, — говорит Лунгрен, а именно, многие АИ диагностических моделей на основе данных изображений была выгодна ввод дополнительных клинических данных.

Говорит Чжан не менее 10 крупных больницах в Китае, и в США, Индии, Ирака, Эквадора, используя его модель для диагностики пациентов с подозрением на COVID-19 пневмонией. Его команда сделали своими алгоритмами и обучающих наборов данных в открытом доступе для других исследователей.

Х. Мэй и соавт., “Искусственный интеллект–включена экспресс-диагностики пациентов с COVID-19,” природа медицины, Дои:10.1038/s41591-020-0931-3, 2020.

К. Чжан и соавт., “Клинически применимыми система AI для точной диагностики, количественного измерения и прогнозирования COVID-19 воспалении легких с помощью компьютерной томографии,” клетки, Дои:10.1016/Дж.клетки.2020.04.045, 2020.

Рубрики
Компьютерные знания

Как делают компьютеры отслеживать время прохождения?

Просто мне кажется (из моих двух интро-уровень Java-классы в колледже), что учет времени должен быть трудным для компьютера, но это одна из самых основных вещей, которые они делают, и они не должны быть в интернете, чтобы сделать это. Как им удалось это провернуть?

Рубрики
Компьютерные знания

Искусственный мозг может тоже нужно спать

Лос-Аламосе, Н. М., 8 июня, 2020—никто не может сказать, будет ли андроиды будут сниться электрические овцы, но они почти наверняка нужны периоды отдыха, которые предлагают преимущества, аналогичные тем, что сон обеспечивает живым мозгом, согласно новому исследованию из Лос-Аламосской Национальной лаборатории.

“Мы изучаем спикинг нейронных сетей, которые являются системами, которые многое узнать как живые мозги делать”, — сказал ученый Национальной лаборатории Лос-Аламос Ицзин Уоткинс. “Мы были очарованы перспективой обучения процессором нейроморфных аналогично, как у человека и других биологических систем учиться у своего окружения в детстве”.

Уоткинс и ее исследовательская группа обнаружили, что сети моделирования стало нестабильно после продолжительного периода обучения без учителя. Когда они разоблачены в сети, чтобы государства, которые являются аналогами волн, что живые мозги опыт во время сна, стабильность была восстановлена. “Это было, как будто мы были давая нейронных сетей эквивалент хорошей ночи”, — сказал Уоткинс.

Открытие о том, как исследовательская группа занималась разработкой нейронных сетей, что очень близко и как человека и других биологических систем учиться видеть. Группа изначально боролся с стабилизации искусственных нейронных сетей, проходящих обучение без учителя словарь, который включает классификацию объектов без предварительного примеров для сравнения.

“Вопрос о том, как сохранить системы обучения становится очень неустойчивой и возникает только при попытке использовать биологически реалистичные, спикинг нейроморфных процессоров или при попытке разобраться в себе биологии”, — говорит Лос-Аламосе, ученый и соавтор исследования Гаррет Кеньон. “Подавляющее большинство машинного обучения, глубокое изучение и исследователей ИИ никогда не столкнуться с этой проблемой, потому что в очень искусственных систем они изучают, они имеют роскошь выполнения математических операций, что имеет эффект регулирования общий динамический коэффициент усиления системы.”

Исследователи характеризуют решение выставить сети на искусственный аналог сна, как почти последняя попытка стабилизировать их. Они экспериментировали с различными типами шума, примерно сравним статические вы можете столкнуться между станциями при настройке радио. Лучшие результаты пришли, когда они использовали волны так называемого Гауссова шума, который включает в себя широкий спектр частот и амплитуд. Они предполагают, что шум имитирует материалов, полученных с помощью биологических нейронов во время медленного сна. Полученные результаты позволяют предположить, что медленного сна могут выступать, в частности, для того, что нейроны коры головного мозга сохраняют свою стабильность и не галлюцинации.

Следующей целью группы является реализация своего алгоритма на Лоихи процессор Intel нейроморфных. Они надеются, позволяя Лоихи спать время от времени позволит ей стабильно обрабатывать информацию из Силиконовой камерой сетчатки в реальном времени. Если результаты подтверждают необходимость спать в искусственные мозги, мы, вероятно, можем ожидать того же, чтобы быть правдой андроидов и других умных машин, которые могут прийти в будущем.

Уоткинс представят исследования на женщин в мастерской компьютерного зрения 14 июня в Сиэтле.

Публикации: использование синусоидально-модулированного шума в качестве суррогата для медленного сна, чтобы достичь стабильных обучение без учителя словарь в спайке на основе редкой модели кодирования, женщин CVPR в мастерской компьютерного зрения, 2020-06-14 (Сиэтл, штат Вашингтон, США)

Финансирование: НУЯБ Ан-22, программы ASC за Мур

Рубрики
Компьютерные знания

ИИ может имитировать миллионы экономии времени, чтобы создать справедливую налоговую политику

В одном из первых результатов, ИИ нашли политику, которая—с точки зрения максимизации производительности и равенства—был доход 16% более справедливым, чем государство-оф-арт-прогрессивный налог рамки изучаемых ученых-экономистов. Улучшение за нынешней политики США стало еще больше. “Я думаю, что это вполне интересная идея”, — говорит Блейк Лебарон в Университете Брандейса в Массачусетсе, который использовал нейронные сети для моделирования финансовых рынков.

При моделировании, четыре рабочих ИИ каждая из которых контролируется собственной самообучающемся моделей. Они взаимодействуют с двумерного мира, собирая дерево и камень и торговле этими ресурсами с другими или использовать их для строительства домов, который зарабатывает на них деньги. Работники имеют разные уровни мастерства, что приводит их к специализации. Низкоквалифицированных работников, узнать их лучше, если они собирают ресурсы, и более опытные из них учатся они лучше, если они покупают ресурсы, чтобы построить дома. В конце каждого моделируемого года, всем работникам, подлежат налогообложению по ставке разработана АИ-контролируемых политик, который проводит свою самообучающемся алгоритме. Цель политика заключается в том, чтобы повысить производительность и доходы всех работников. АИС сходятся на оптимальное поведение, повторяя моделирование в миллионы раз.

Как самообучающемся модели начать с нуля, без предварительного знания экономической теории, и научиться действовать методом проб и ошибок—во многом таким же образом, что DeepMind АИС учиться, без участия человека, чтобы играть Go и StarCraft на сверхчеловеческие уровни.

Вы можете многому научиться у только четырех рабочих ИИ? В теории да, потому что простые взаимодействия между кучкой агентов вскоре привести к весьма сложному поведению. (При всей своей сложности, поди до сих пор участвуют только два игрока, например.) Даже если и так, все участвующие в проекте соглашается с тем, что увеличение числа рабочих при моделировании необходимо для того, чтобы инструмент для моделирования реалистичных сценариев.

Игровые системы

Двойная доза ИИ-это ключ. Нейронные сети были использованы для управления агентами в моделируемых экономик перед. Но политик ИИ также приводит к модели, в которой рабочие и политик постоянно адаптироваться к действиям друг друга. Этой динамичной среде представляет собой вызов для самообучающемся моделей, так как стратегия, накопленный в рамках одной налоговой политике могут не так хорошо работать под другой. Но это также означало, АИС нашли способы обмануть систему. Например, некоторые работники узнали, чтобы избежать налогов за счет снижения их продуктивности, чтобы претендовать на более низкие налоговые кронштейн, а затем снова увеличить его. Команда компании Salesforce говорит, что это дать-и-взять между работниками и политика приводит к моделирование более реалистичным, чем все, что достигнуто на предыдущих моделях, где налоговая политика, как правило, фиксированные.

Налоговая политика, экономиста А. И. подошел с немного необычным. В отличие от большинства существующих стратегий, которые либо прогрессивной (то есть, более высокие добытчики облагаются более) или регрессивные (чем выше работники облагаются налогом меньше), ИИ политики слепленный аспекты, применения высоких налоговых ставок для богатых и бедных и самых низких до среднего дохода работников. Как и многие решения, которые АИС придумать—например, некоторые игры-Победа AlphaZero движется—в результате появляется нелогичным и не то что человека, возможно, будет придумана. Но его влияние на экономику привело к меньший разрыв между богатыми и бедными.

Чтобы увидеть, если ИИ автоматически налоговая политика будет влиять на поведение человека подобным образом, команды прошли испытания на более чем 100 crowdworkers нанял через механические Амазонки турок, которым было предложено взять под контроль работников при моделировании. Они обнаружили, что политики призывает людей играть так же, как АИС, предполагая, по крайней мере, в принципе—что экономист и. может использоваться для оказания влияния на реальную экономическую активность.

Бесконечные настройки

Еще одним достоинством ИИ-действие моделирования, что вы можете настроить параметры, чтобы изучить различные сценарии. Например, можно было бы моделировать воздействие пандемии путем добавления ограничения, такие как социальное дистанцирование и ограниченный доступ к ресурсам, или путем удаления людей из рабочей силы. “Трудно придумать Оптимальные налоговые теории, основанные на прошлом, если будущее выглядит совсем иначе”, — говорит Socher.

Возможности моделирования для изменения модели это большой плюс, говорит Лебарон: “это очень интересно увидеть рабочие приспосабливаются к Налоговому кодексу.” Это обходит одно из самых больших критических замечаний в адрес существующей налоговой модели, в которых поведение, как правило, фиксированные, говорит он.

Основной бронирования Лебарон является небольшое количество агентов инструмента ограничивается до сих пор. “Есть люди, которые утверждают, вы можете получить глубокие интеллектуальные выводы с помощью нескольких агентов”, — говорит он. “Я не один из них”.Он хотел бы, чтобы его моделировать около 100 рабочих—это тоже показатель команды в Salesforce метит.

Но Лебарон считает, что инструмент уже можно использовать для здравомыслия-проверка существующих экономических моделей: “Если бы я был политик, я бы запустить эту штуку, чтобы посмотреть, что он говорит.” Если экономист А. И. не согласился с другими моделями, то это может быть признаком эти и другие модели чего-то не хватает, — говорит он.

Дэвид Паркс, ученый и экономист из Гарвардского университета, который сотрудничал с командой Salesforce, но это также оптимистичный. Он соглашается им нужно значительно увеличить количество агентов. Но как только они сделали это, и добавили несколько дополнительных функций, таких как компании для моделирования, он ожидает быть в состоянии воспроизвести существующие теоретические результаты. “Тогда он немедленно становится полезной”, — говорит он.

Однако сместили фермер, экономист из Оксфордского университета, является менее убежден,. Хотя он приветствует кроссовера обучения с подкреплением из игры в экономике—“он получает на вопрос, Можно ли исследовать политику точно так же, как AlphaZero играет идти”—он думает, что это будет некоторое время, прежде чем на самом деле полезен. “Реальный мир-это слишком сложно”, — говорит он.

Команда признает, что некоторые экономисты будут нужны, чтобы убедить. С этой целью они выпускают свой код и приглашать людей, чтобы запустить свои собственные модели через нее. В долгосрочной перспективе, эта открытость также станет важной частью создания таких инструментов, заслуживающий доверия, говорит Socher. “Если вы используете искусственный интеллект, рекомендовать определенные люди получают более низкие или более высокие налоги”, — отмечает он, — тебе лучше быть в состоянии сказать, почему”.

Рубрики
Компьютерные знания

После 50 лет усилий, исследователи кремния излучать свет

Внутри вафли, атомы кремния расположены в виде кубической кристаллической решетки, что позволяет электронам перемещаться внутри решетки при определенных условиях напряжения. Но он не позволит подобное движение для фотонов, и поэтому свет не может легко перемещаться через кремний. Физики предположили, что изменение формы кремния решетки так, что она состоит из повторяющихся шестиугольников, а не кубики позволят фотоны распространяются через материал. Но на самом деле создание этой гексагональной решеткой оказался невероятно сложным, потому что хочет кремний кристаллизуется в наиболее стабильном, кубической формы. “Люди пытались сделать шестиугольную кремния за четыре десятилетия так и не удалось”, — говорит Bakkers.

Bakkers и его коллеги в Эйндховен работали над созданием кремния гексагональной решеткой около десяти лет. Часть решения связана с использованием нанопроволоки из арсенида галлия в качестве каркаса, Чтобы вырастить нанопровода изготовлены из кремний-германиевого сплава, которые имеют нужные гексагональной структуры. Добавление Германий на кремний имеет важное значение для настройки длины волны света и других оптических свойств материала. “Это заняло больше времени, чем я ожидал”, — говорит Bakkers. “Я ожидал, чтобы быть здесь пять лет назад, но там было много тонкой настройки всего процесса.”

Чтобы проверить, если их сплава кремниевого нанопровода излучают свет, Bakkers и его коллеги взорвали их с помощью инфракрасного лазера и измерил количество инфракрасного света, которые выбрались на другую сторону. Количество энергии, Bakkers и его коллеги обнаружил выйдя из нанопроволоки как инфракрасное излучение было близко к количеству энергии лазерного сбрасываемых в систему, которая предполагает, что кремниевые нанопроволоки являются очень эффективными при транспортировке фотонов.

Следующий шаг, говорит Bakkers, будут использовать технику, которые они разработали, чтобы создать крошечный лазер сделанный из кремниевого сплава. Bakkers говорит, что его лаборатория уже начала работать над этим, и может быть работать в Силиконовой лазера к концу года. После этого, следующей задачей будет выяснить, как интегрировать лазер с обычных электронных компьютерных чипов. “Это будет очень серьезный, но это тоже сложно”, — говорит Bakkers. “Мы мозговой штурм, чтобы найти способ сделать это”.

Bakkers говорит, что он не ожидает, что в будущем компьютерные чипы будут полностью оптический. В компонентов, таких как микропроцессоры, она все еще имеет смысл использовать электроны для перемещения на короткие расстояния между транзисторами. Но на “длинных” дистанциях, например, между компьютером ЦП и памятью или между небольшими скоплениями транзисторов, используя фотоны вместо электронов может увеличить скорость вычислений при одновременном снижении энергопотребления и отвода тепла из системы. В то время как электроны должны передавать данные последовательно, один электрон за другим, оптические сигналы могут передавать данные по многим каналам сразу, как быстро, как физически возможно—скорость света.

Потому, что фотонные схемы могут быстро перемешать большое количество данных по компьютерным чипом, они, вероятно, найдут широкое применение в ресурсоемких приложениях. Например, они могли бы быть благом для компьютеров в самостоятельного вождения автомобилей, которые должны обрабатывать огромное количество данных от бортовых датчиков в реальном времени. Фотонные чипы могут также иметь более приземленных приложений. Поскольку они не будут вырабатывать столько же тепла, как электронные чипы, центры обработки данных не нужно столько инфраструктуры охлаждения, который может помочь уменьшить их массового энергопотребления.

Исследователи и компании уже удалось интегрировать лазеры в простых электронных цепях, но процессы являются слишком сложными и дорогостоящими в масштабе, так что приборы есть только у нишевых приложений. В 2015 году группа исследователей из Массачусетского технологического института, Университета Беркли и Университета Колорадо успешно интегрированных фотонных и электронных схем в одном микропроцессоре впервые. “Эта демонстрация может представлять собой начало эры чип-шкала электронно–фотонных систем с потенциалом для преобразования архитектур вычислительных систем, позволяющих более мощных компьютеров, сетевой инфраструктуры для центров обработки данных и суперкомпьютеров,” исследователя написали в газете.

Демонстрируя свое применение в Основным ингредиентом в обычных компьютерных чипов, Bakkers и его коллеги сделали еще один важный шаг к практическому света на основе вычислений. Электронные компьютерные чипы, верно служил наши потребности в вычислительных ресурсах в течение полувека, а в наших данных-голодный мир, пришло время, чтобы пнуть наши процессоры вплоть до скорости света.

Рубрики
Компьютерные знания

Ученые разрабатывают “рюкзак” компьютеры для отслеживания диких животных в труднодоступные места обитания

Чтобы по-настоящему понять животных, понаблюдать за его поведением, и социальных сетей в дикой природе. С новой технологией, описанной сегодня (2 апреля) в PLOS биологии, исследователи могут отслеживать крошечные животные, которые делят свое время между летающими в небе и сбиваются в кучу в пещерах и дуплах деревьев – путем присоединения рюкзачки к ним с клеем.

Эти высокотехнологичные рюкзаки, которые могут общаться друг с другом и наземными приемниками, данные, предоставленные для популярного исследования, опубликованного на Хэллоуин в 2019 году показывает, что летучие мыши-вампиры развитых социальных связей в плену, что они поддерживали в дикой природе.

Беспроводной сети, разработанный командой инженеров, компьютерных ученых и биологов содержит функции, подобно тому, что мы видим в наших смартфонах, таких как обнаружение движения и Bluetooth-тип подключения – на долю от веса и энергопотребления.

Учета в системе автоматизированы и легкий, имеет решающее значение для успеха сети для отслеживания летучих мышей взрослых вампиров, которые весят от 1 до 1,5 унций и расти до 3 ½ дюймов в длину. С помощью устройства, которое может отслеживать более крупные животные, такие как те, которые включены в жгуты или колье, не стал работать на летучих мышей или других мелких видов.

“Через рюкзаки на летучих мышей экономит вес, и это также гарантирует, что датчики легко упасть,” сказал Саймон Ripperger, ведущий автор статьи и докторской ученый в эволюции, экологии и биологии организмов в Государственном Университете Огайо. “Мы действительно не хотим, чтобы летучим мышам было, что бремя дополнительный вес в течение длительного периода времени”.

Датчики часто поцарапаться в насест летучих мышей в течение двух недель. Исследователи извлекать их, если они могут перерабатывать рюкзаки и перезарядки и повторного использования батарей.

Хотя исследование описывает сложность построения сети и тестирования ее эффективности на летучих мышей, эта система будет работать для других животных, например птиц, грызунов, рептилий и амфибий, сказал Ripperger. Отсюда и название команды к сети: широко применяется система отслеживания, или летучие мыши.

Когда Ripperger преследовал докторскую степень десять лет назад, он использовал гораздо более примитивная система для изучения летучих мышей. Он опирался на радио-телеметрии, иногда бежит за животным, отслеживая их траекторию полета с антенной в руке. В лучшем случае, он мог бы вычислить, где они были каждые две минуты в течение 30-метровой зоне.

“Это был трудоемким, утомительным и неточным методом”, — сказал он.

При финансировании со стороны германского эквивалента Национального научного фонда, основные исследователям грант в Музее Естественной истории в Берлине и ряде немецких университетов собрал междисциплинарную команду и поставили перед собой задачу сделать лучшую систему. Ripperger был постдоком в то время в Музее естественной истории, и все еще приглашенный ученый там.

Работа заняла около семи лет, с компьютерщиками писать код с нуля придумать высокопроизводительных возможно сети, используя ультра-низким уровнем энергии. Емкость каждого аккумулятора, который питает сеть, составляет около 5% от емкости батареи ААА.

Сеть состоит из крошечных компьютеров – акселерометры получения данных, когда ворота движутся и датчики для шоу, когда они находятся близко друг к другу – все вмонтировано в каждый пластиковый 3D рюкзак, который весит меньше, чем копейки. Серия базовых станций на земле улавливать сигналы и записи данных о социальной активности летучих мышей и траекторий полета. Компоненты спит большую часть времени, просыпаясь, когда они получают сигнал от другой битой, а затем передавать каждые две секунды.

“Одним из ключевых преимуществ нашей системы-это побудка приемников. Они находятся в энергосберегающем режиме и только проснулся, когда они получают сигнал от другой битой, а потом они кричат, ‘Я здесь, я здесь!’ и есть еще один приемник, который приходит в полное сознание и обмена данными,” Ripperger сказал. “Это один из способов экономии электроэнергии”.

Несмотря на низкую мощность, сеть производят надежные результаты в различных исследованиях различных видов летучих мышей. Две недели тест, в котором были помечены были получены данные о почти 400 000 индивидуальных встреч 50 летучих мышей-вампиров. Исследователи сможет скачать все данные из системы на свои телефоны в области.

Ripperger описано летучих мышей и GPS, наиболее часто используемый метод для отслеживания животных в более широком масштабе, как хорошо дополняют друг друга систем, с битами смогли получать сигналы в местах, где GPS не может.

“Если вы хотите изучать социальное поведение, как только летучая мышь входит в пещеру или ствол дерева, GPS логгер не дает нам информацию, потому что сигнал со спутника будет прервана. Но внутри насест, где все социальное поведение происходит”, — сказал он. “Это действительно два разных подхода к изучению поведения животных”.

Есть определенная новизна, чтобы узнать о том, как вампир летучие мыши общаются, но исследования также показали значительные сходства между их социального поведения и некоторые аспекты человеческих отношений. Используя эту систему в теге летучих мышей-вампиров и скот питаются они также могут помочь ученым лучше понять распространение бешенства, сказал Ripperger. В настоящее время он и его коллеги разрабатывают исследование сохранения тегом охраняемых песчаных ящериц, проживающих вблизи железнодорожных путей в Германии, чтобы определить, как ремонт путей влияет на их движение.

Эта работа была поддержана немецким научно-исследовательским обществом, в Смитсоновского института научных исследований Грант Национального географического общества Грант.

Джеральд Картер из штата Огайо, соавтор исследования. Дополнительные соавторы были из Смитсоновского тропического исследовательского института в Панаме и Музей Естественной истории, Фридрих-Александра университет Эрланген–Нюрнберг, Бранденбургского технического университета, технического университета Брауншвайга, Падерборн университета, Берлин-Бранденбург Институт перспективных исследований биологического разнообразия в Германии.

Рубрики
Компьютерные знания

Ученые разработали более быстрый способ, чтобы заменить плохие данные с точной информацией

Исследователи из Университета штата Северная Каролина и научно-исследовательского управления армии продемонстрировали новую модель как конкурирующие части распространения информации в онлайновых социальных сетей и Интернета вещей (IoT). Полученные результаты могут быть использованы для распространения достоверной информации более быстро, вытеснив ложные сведения о чем-либо из компьютерная безопасность для здоровья.

“Будь то на стоянке или в социальных сетях, есть много обстоятельств, где информация циркулирует и может вызвать проблемы – будь то старинные безопасность данных или заблуждение слухи”, — говорит Wenye Ван, соавтор статьи о работе и профессор электротехники и вычислительной техники в НК состояние. “Наша работа здесь включает в себя новую модель и соответствующий анализ того, как новые данные могут вытеснить старые данные в этих сетях”.

“В конечном итоге, наша работа может быть использована для определения лучших мест, чтобы ввести новые данные в сеть, так что старые данные могут быть устранены быстрее”, — говорит Цзе Ван, докторской исследователь в НК государства и первый автор бумаги.

В своей работе исследователи показывают, что сеть размер играет значительную роль в том, как быстро “хорошая” информация может вытеснить “плохой” информации. Однако, большая сеть-это не обязательно лучше или хуже, чем маленький. Наоборот, скорость, с которой хорошие данные передаются в основном зависит от структуры сети.

Тесно взаимосвязанной сети можно распространять очень быстро новыми данными. И чем крупнее сеть, тем быстрее новых данных.

Однако, в сетях, которые связаны, прежде всего, ограниченным числом ключевых узлов, эти узлы служат узкие места. В результате, чем больше этот тип сети, тем медленнее новых данных.

Исследователи также определили алгоритм, который можно использовать для оценки того, какие точки в сети позволит вам получить новые данные по всей сети наиболее быстро.

“Практически говоря, это могло использоваться, чтобы гарантировать, что сеть много чисток как можно быстрее старые данные и работает с новыми, точными данными,” Wenye Ван говорит.

“Но эти выводы применимы также к социальным сетям в интернете, и может быть использовано, чтобы способствовать распространению достоверной информации о субъектах, которые влияют на общественность”, — говорит Цзе Ван. “Например, мы думаем, он может быть использован для борьбы с дезинформацией в интернете.”

В статье, “Моделирование и анализ противоречивых распространения информации в ограниченный горизонт времени” опубликована в журнале операций с IEEE/ACM на организации сети. Бумага была в соавторстве с обрыва Ван исследовательского бюро армии.

Работа была выполнена при поддержке Национального научного фонда, в рамках грантов CNS1423151 и CNS1527696; и от исследовательского бюро армии, грант W911NF-15-2-0102.

-Шипман-

Примечание для редакторов: изучение абстрактных образом.

“Моделирование и анализ распространения противоречивой информации в ограниченный горизонт времени”

Авторы: Ван Ван Цзе и Wenye, Университет штата Северная Каролина; Клифф Ван, армия исследовательского бюро

Опубликовано: 25 марта стандарту IEEE/АСМ операций по Сети

НОМЕР DOI: 10.1109/ТНЕТЬ.2020.2976972

Аннотация: новые мобильные приложения позволяют людям связываться друг с другом более легко, чем когда-либо, который вызывает сетевых систем, например, социальные сети (ОСН) и Интернета вещей (IoT), чтобы расти в размерах и становятся более сложными по структуре. В этих системах разные, даже противоречивые сведения, например, слух В. С. правда, и вредоносных программ В. С. патчи безопасности, могут соперничать друг с другом при их распространении над индивидуальными соединениями. За такую информацию парами, в которых нужную информацию убивает его нежелательные коллегой на контакт, интересный, но сложный вопрос-когда и как быстро нежелательную информацию вымирает. Чтобы ответить на этот вопрос, мы предлагаем восприимчивы-инфекционно-вылечили (зю) модели распространения, которая захватывает краткосрочных соревнования между этими двумя частями информации, и определяют время затухания и время полужизни, как две оси времени, количественно умирающего скорость нежелательную информацию. Наш анализ выявил влияние топологии сети и начальных условий на время жизни нежелательную информацию. В частности, мы обнаружили, что О. В. постоянно измеряет недвижемость расширение сети рулит закон масштабирования жизни относительно размера сети, а вершины чудачеств, которые легче вычислить обеспечить точную оценку времени жизни. Наш анализ также проливает свет на то, где вводить нужную информацию, таким образом, что его нежелательное коллегой могут быть устранены быстрее.