پژوهشگران کانادایی، با الهام از سیستم بینایی مگس میوه، نوعی مغز مصنوعی را مدلسازی کردند.
پژوهشگران کانادایی، با الهام از سیستم بینایی مگس میوه، نوعی مغز مصنوعی را مدلسازی کردند.مگس میوه به رغم داشتن سیستم بینایی ساده، می‌تواند افراد را تنها براساس دید مستقیم شناسایی کند. از این رو انسان‌ها، سال‌های بسیاری را به بررسی نوعی مگس میوه موسوم به "دروزوفیلا ملانوگاستر"(Drosophila melanogaster) گذرانده‌اند.
اکنون پژوهشگران، یک شبکه عصبی ابداع کرده‌اند که می‌تواند از سیستم بینایی مگس میوه تقلید و مگس‌ها را شناسایی کند. این فناوری جدید می‌تواند به آزمایشگاه‌های سراسر جهان کمک کند که مگس میوه را به عنوان یک نمونه ارگانیسم برای بررسی‌های طولی به کار ببرند و تغییر مگس‌ها را به مرور زمان بررسی کنند. همچنین شواهدی را در بر دارد که نشان می‌دهند بینایی مگس میوه، قوی‌تر از تصور معمول است.
پژوهشگران "دانشگاه گولف"(U of G) و "دانشگاه تورنتو میسیساگا"(UTM)، زیست‌شناسی را با هوش مصنوعی در هم آمیخته‌اند تا الگوریتمی مبتنی بر زیست‌شناسی ابداع کنند که می‌تواند ویدئوهایی با وضوح پایین از مگس میوه ارائه دهد. با استفاده از این ویدئوها می‌توان فهمید که آیا امکان انجام دادن چنین کار دشواری برای یک سیستم دارای محدودیت وجود دارد یا نه.
مگس‌های میوه، چشمان مرکب کوچکی دارند که اطلاعات بصری محدودی را گردآوری می‌کنند. باور پیشین این بود که هنگام پردازش تصویر در چشم، مگس میوه فقط قادر به تشخیص ویژگی‌های کلی است اما یک پژوهش جدید نشان داد که مگس میوه می‌تواند قابلیت تفکیک‌پذیری خود را با استفاده از ترفندهای بی‌نظیر زیستی تغییر دهد.
این نتایج که با "شبکه عصبی پیچشی"(DCN) ترکیب شده بود، پژوهشگران را به مدلسازی یک مغز ترغیب کرد که قادر به شناسایی افراد است. این برنامه رایانه‌ای، خروجی و توانایی پردازش یک مگس میوه را دارد و ویدئویی از یک پرواز دو روزه به آن آموزش داده شده است.
"جان اشنایدر"(Jon Schneider)، نویسنده ارشد این پژوهش گفت: بررسی ما نشان می‌دهد که مگس میوه، علاوه بر تشخیص مقوله‌های کلی می‌تواند افراد را نیز تشخیص دهد.
"گراهام تیلور"(Graham Taylor)، متخصص یادگیری ماشینی گفت: هدف "شبکه یادگیری عمیق"، معمولا تکثیر و خودکار شدن توانایی‌های انسان مانند تشخیص چهره، پردازش زبان‌های طبیعی یا تشخیص صدا است اما این فناوری‌ها به ندرت می‌توانند از توانایی‌های انسان پیشی بگیرند. در نتیجه، یافتن مشکلی که الگوریتم‌ها بهتر از انسان بتوانند آن را حل کنند، هیجان‌انگیز است.
اشنایدر افزود: پروژه‌هایی از این دست، عرصه جامعی برای همکاری پژوهشگران علوم اعصاب و یادگیری ماشینی است تا نکاتی اساسی در مورد یادگیری و پردازش اطلاعات سیستم‌ها کشف کنند.
این پژوهش، در مجله "PLOS ONE" به چاپ رسید.
اکنون پژوهشگران، یک شبکه عصبی ابداع کرده‌اند که می‌تواند از سیستم بینایی مگس میوه تقلید و مگس‌ها را شناسایی کند. این فناوری جدید می‌تواند به آزمایشگاه‌های سراسر جهان کمک کند که مگس میوه را به عنوان یک نمونه ارگانیسم برای بررسی‌های طولی به کار ببرند و تغییر مگس‌ها را به مرور زمان بررسی کنند. همچنین شواهدی را در بر دارد که نشان می‌دهند بینایی مگس میوه، قوی‌تر از تصور معمول است.
پژوهشگران "دانشگاه گولف"(U of G) و "دانشگاه تورنتو میسیساگا"(UTM)، زیست‌شناسی را با هوش مصنوعی در هم آمیخته‌اند تا الگوریتمی مبتنی بر زیست‌شناسی ابداع کنند که می‌تواند ویدئوهایی با وضوح پایین از مگس میوه ارائه دهد. با استفاده از این ویدئوها می‌توان فهمید که آیا امکان انجام دادن چنین کار دشواری برای یک سیستم دارای محدودیت وجود دارد یا نه.
مگس‌های میوه، چشمان مرکب کوچکی دارند که اطلاعات بصری محدودی را گردآوری می‌کنند. باور پیشین این بود که هنگام پردازش تصویر در چشم، مگس میوه فقط قادر به تشخیص ویژگی‌های کلی است اما یک پژوهش جدید نشان داد که مگس میوه می‌تواند قابلیت تفکیک‌پذیری خود را با استفاده از ترفندهای بی‌نظیر زیستی تغییر دهد.
این نتایج که با "شبکه عصبی پیچشی"(DCN) ترکیب شده بود، پژوهشگران را به مدلسازی یک مغز ترغیب کرد که قادر به شناسایی افراد است. این برنامه رایانه‌ای، خروجی و توانایی پردازش یک مگس میوه را دارد و ویدئویی از یک پرواز دو روزه به آن آموزش داده شده است.
"جان اشنایدر"(Jon Schneider)، نویسنده ارشد این پژوهش گفت: بررسی ما نشان می‌دهد که مگس میوه، علاوه بر تشخیص مقوله‌های کلی می‌تواند افراد را نیز تشخیص دهد.
"گراهام تیلور"(Graham Taylor)، متخصص یادگیری ماشینی گفت: هدف "شبکه یادگیری عمیق"، معمولا تکثیر و خودکار شدن توانایی‌های انسان مانند تشخیص چهره، پردازش زبان‌های طبیعی یا تشخیص صدا است اما این فناوری‌ها به ندرت می‌توانند از توانایی‌های انسان پیشی بگیرند. در نتیجه، یافتن مشکلی که الگوریتم‌ها بهتر از انسان بتوانند آن را حل کنند، هیجان‌انگیز است.
اشنایدر افزود: پروژه‌هایی از این دست، عرصه جامعی برای همکاری پژوهشگران علوم اعصاب و یادگیری ماشینی است تا نکاتی اساسی در مورد یادگیری و پردازش اطلاعات سیستم‌ها کشف کنند.
این پژوهش، در مجله "PLOS ONE" به چاپ رسید.
منبع: ایسنا
ارسال نظر
