✍️چند روز پیش ترجمه ی این خبر را در کانال گذاشتیم امروز هم خبرگزاری ایسنا این خبر را ترجمه کرده است .

🌎نقش سیناپس مصنوعی در تحول هوش مصنوعی

همکاری دانشمندان عصب‌شناس و متخصصان هوش مصنوعی منجر به ساخت اولین نسل از سیناپس‌های مصنوعی دو منظوره برای فعالیت در مدل شبکه عصبی الکترونیک شد.
به گزارش خبرگزاری ایسنا، پردازش اطلاعات در شبکه عصبی مصنوعی باید با نحوه پردازش اطلاعات در مغز مطابقت داشته باشد. در این سیستم مصنوعی نورون‌های دیجیتال و سیناپس‌های مصنوعی در جایگاه نمونه طبیعی قرار می‌گیرند.

در این سیستم پیچیده سیناپس‌ها مانند دروازه‌ای برای انتقال سیگنال‌های حاوی اطلاعات از نورون‌ها عمل می‌کنند، البته حتی تصور نزدیک شدن به ظرفیت پردازش اطلاعاتی مغز با دانش فعلی غیرممکن است، چرا که در مغز انسان بالغ بر 100 هزار میلیارد سیناپس وجود دارد.

با وجود موفقیت‌های به دست آمده در زمینه هوش مصنوعی، متاسفانه به دلیل پیچیدگی سیناپس‌های مغزی در پستانداران، پیشرفت صنعت هوش مصنوعی هنوز با محدودیت‌هایی همراه است.

به عنوان مثال در مغز پستانداران دو نوع سیناپس با کارایی متفاوت وجود دارد. گروه اول سیناپس‌های مهارکننده و گروه دوم سیناپس‌های تحریک‌کننده هستند که به صورت همزمان فعالیت می‌کنند.

سیناپس‌های مصنوعی ساخته شده تا قبل از دستاورد جدید از مواد مورد استفاده در صنعت الکترونیک و در مقیاس نانو هستند که با محدودیت پردازش تنها یک سیگنال در لحظه مواجه‌ بودند.

دانشمندان چینی و آمریکایی در آخرین مطالعات خود موفق به ساخت سیناپس مصنوعی با قابلیت پردازش دو نوع سیگنال مشابه مغز انسان شدند.

سیناپس‌های جدید قادرند با دو ماهیت مجزا در یک قطعه فعالیت کنند. این قابلیت در گذشته بر روی تنها یک قطعه جامد سیناپس ممکن نبود اما به کمک فناوری جدید امکان تولید شبکه عصبی مشابه مغز میسر شده است.

سیناپس‌های تحریک کننده در مغز مسئول تحریک و آگاه ماندن مغز با توجه به شرایط هستند در حالی که سیناپس‌های مهار کننده فعالیت هیجانی مغز را کنترل و آرام می‌کنند.

سیناپس‌های مصنوعی جدید به طور شگفت‌انگیزی می‌توانند این قابلیت حیاتی در مغز را برای اولین‌بار در سیستم‌های رایانه‌ای اجرا کنند.

دانشمندان معتقدند که برای رسیدن به نسل بعدی هوش مصنوعی باید به طور دقیق الگوهای پردازش اطلاعات در مغز بررسی و به صورت جزئی تقلید شود.

فعالیت همزمان دو گروه سیناپس عصبی تحریک‌کننده و مهارکننده درست مشابه عملکرد سیستم گاز و ترمز در خودرو است. به عبارت دیگر برای عملکرد صحیح و کنترل شده مغز مصنوعی باید فعالیت دو گروه سیناپس به صورت همزمان اجرا شود.

منبع :خبرگزاری ایسنا


https://www.livescience.com/59671-artificial-synapses-could-lead-to-smarter-ai.html


مقاله اصلی
http://pubs.acs.org/doi/abs/10.1021/acsnano.7b03033

"Video Imagination from a Single Image with Transformation Generation": https://arxiv.org/abs/1706.04124 Code: https://github.com/gitpub327/VideoImagination

Strong results for action recognition by transferring Inception weights of ImageNet to video
https://arxiv.org/abs/1705.07750

deeplearning For Image Recognition : Deep Learni here http://zpy.io/e254fa70 #deeplearning

Navigating the #AI #ethical minefield without getting blown up

http://bit.ly/2tfVByU #fintech #BigData #IoT #machinelearning

Bat Detective - #DeepLearning Tools for Bat Acoustic Signal Detection.
http://buff.ly/2unYgF0 #BigData #MachineLearning #DataScience #AI

DeepMind expands to Canada with new research office in Edmonton, Alberta https://deepmind.com/blog/deepmind-office-canada-edmonton/

#AI is changing how we do #science. Get a glimpse

#ML #DataScience #BigData
#fintech #Insurtech
http://bit.ly/2uqdtp9

Stanford's Convolutional #NeuralNetworks for #Visual Recognition (CS231n): Course Projects Spring 2017 http://buff.ly/2tNXvIB

A 2017 Guide to Semantic Segmentation with Deep Learning
#AI #MachineLearning #DeepLearning #ML #DL #tech
http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review

"Adversarial Representation Learning for Domain Adaptation": Wasserstein DANN...? https://arxiv.org/abs/1707.01217

Variance Regularizing Adversarial Learning" by MILA: meta-adversarial training for bi-modal distribution match https://arxiv.org/abs/1707.00309

Skeleton-aided Articulated Motion Generation: based on GAN rather than LSTM https://arxiv.org/abs/1707.01058

Discriminative Localization in CNNs for Weakly-Supervised Segmentation of Pulmonary Nodules": CNN+GAP+various scale https://arxiv.org/abs/1707.01086

Improving Content-Invariance in Gated Autoencoders for 2D and 3D Object Rotation": learning relations b/w instances https://arxiv.org/abs/1707.01357

Teacher-Student Curriculum Learning" by OpenAI, https://arxiv.org/abs/1707.00183

Advances in Deep Neural Networks," at ACM Turing 50 Celebration https://www.youtube.com/watch?v=mFYM9j8bGtg&feature=youtu.be

Deep Learning: A Practitioner's Approach here http://zpy.io/0463bcb8 #deeplearning

Exploring the structure of a real-time, arbitrary neural artistic stylization network. https://arxiv.org/abs/1705.06830

New work showing a principled way to learn geometry and semantics from a single deep learning model https://arxiv.org/pdf/1705.07115.pdf

GeneGAN: "Learning Object Transfiguration & Attribute Subspace from Unpaired Data": https://arxiv.org/abs/1705.04932v1 Code: https://github.com/Prinsphield/GeneGAN