パーセプトロン:痛みを感知してプレーヤーの動きを予測するAI – TBEN

機械学習とAIの分野での研究は、現在、事実上すべての業界とビジネスの主要なテクノロジーであり、誰もがそれをすべて読むにはあまりにも膨大です。 このコラム、パーセプトロン(以前のディープサイエンス)は、最も関連性の高い最近の発見と論文、特に人工知能に限定されないものをまとめ、それらが重要である理由を説明することを目的としています。

今週のAIでは、グラスゴー大学のエンジニアチームが、シミュレートされた痛みを感じて反応することを学ぶことができる「人工皮膚」を開発しました。 他の場所では、DeepMindの研究者がサッカー選手がピッチで走る場所を予測する機械学習システムを開発し、香港中文大学(CUHK)と清華大学のグループがリアルな写真やビデオを生成できるアルゴリズムを作成しました。人間の。 モデル。

プレスリリースによると、グラスゴーチームの人工皮膚は、脳内の神経経路を模倣するように設計された「シナプストランジスタ」に基づく新しいタイプの処理システムを利用していました。 柔軟なプラスチックの表面に印刷された酸化亜鉛ナノワイヤーから作られたトランジスタは、電気抵抗の変化を記録する皮膚センサーに接続されています。

写真クレジット: グラスゴー大学

人工皮膚は以前に試みられましたが、チームは、システム統合回路を使用して「人工シナプス」として機能し、入力を電圧スパイクに減らすという点で、設計が異なっていたと言います。 これにより、治療がスピードアップし、チームは、皮膚に加えられる圧力のレベルに応じて周波数が変化する入力電圧しきい値を設定することにより、シミュレートされた痛みに対応する方法を皮膚に「教える」ことができました。

チームは、ロボット工学で使用される皮膚を確認します。たとえば、ロボットアームが危険な高温に接触するのを防ぐことができます。

ロボット工学に正直に関連しているDeepMindは、AIモデル、Graph Imputerを開発したと主張しています。このモデルは、サッカー選手が1つのサブセットの選手のカメラ録画を使用してどこに移動するかを予測できます。 さらに印象的なことに、このシステムは、カメラの視野を超えてプレーヤーに関する予測を行うことができ、すべてではないにしても、ほとんどのプレーヤーのフィールド上の位置を非常に正確に追跡できます。

写真クレジット: DeepMind

グラフ代入は完全ではありません。 しかし、DeepMindの研究者は、ピッチ制御のモデリングや、特定の場所にあると仮定してプレーヤーがボールを制御できる可能性などのアプリケーションに使用できると述べています。 (プレミアリーグのトップチームのいくつかは、試合中、および試合前と試合後の分析でピッチコントロールモデルを使用しています。)DeepMindは、サッカーやその他のスポーツ分析を超えて、GraphImputerの背後にある技術が歩行者のモデリングなどの分野に適用できることを期待しています。スタジアムの道路や群衆のモデリングについて。

人工皮膚と動きの予測システムは印象的ですが、写真とビデオの生成システムは確かに急速に進歩しています。 明らかに、OpenAIのDall-E2やGoogleのImagenのような高レベルの作品があります。 しかし、CUHKマルチメディアラボによって開発されたText2Humanを見てください。これは、「女性は純粋なカラーパターンの半袖Tシャツと、短いデニムのスカートを着ています」のようなキャプションを人のイメージに変換できます。本当に存在しない人。

清華大学は、北京人工知能アカデミーと協力して、テキストからビデオクリップを生成できるCogVideoと呼ばれるさらに野心的なモデルを作成しました(例:「スキーをしている男」、「ライオンの飲料水」)。 クリップにはアーティファクトやその他の視覚的な癖がたくさんありますが、これらは完全に架空のシーンであるため、批判するのは難しいです。 それも 難しい。

機械学習は、創薬でよく使用されます。創薬では、潜在的に有益な効果を見つけるために、文献や理論に登場するほぼ無限の種類の分子を分類して特性評価する必要があります。 しかし、データの量が非常に多く、誤検知のコストが非常に高くなる可能性があるため(リードを追跡するのに時間と費用がかかる)、99%の精度でも十分ではありません。 これは特にタグなしの分子データの場合であり、存在するものの大部分を占めます(長年にわたって手動で研究されてきた分子と比較して)。

AIモデルの分子のソート方法の概略図。

写真クレジット: CMU

CMUの研究者は、追加情報なしでそれらを理解するようにトレーニングすることにより、何十億もの特徴のない分子を分類できるモデルの作成に取り組みました。 これは、原子の非表示や結合の削除など、(仮想)分子の構造にわずかな変更を加え、結果として得られる分子がどのように変化するかを観察することによって行われます。 これにより、これらの分子がどのように形成および動作するかという固有の特性を学習でき、テストデータベースで有毒化学物質を特定する際に他のAIモデルよりも優れたパフォーマンスを発揮するようになりました。

分子シグネチャーも病気を診断するための鍵です。2人の患者が同様の症状を示している可能性がありますが、ラボの結果を注意深く分析すると、状態が大きく異なることがわかります。 もちろん、これは標準的な医療行為ですが、複数のテストとスキャンからのデータが蓄積されるにつれて、すべての相関関係を追跡することが困難になります。 ミュンヘン工科大学は、複数のデータソース(他のアルゴリズムを含む)を統合して、同様の症状を持つ特定の肝疾患を区別する一種の臨床メタアルゴリズムに取り組んでいます。 このようなモデルは医師に取って代わるものではありませんが、専門家でさえ解釈する時間や専門知識がない可能性のある、増大する大量のデータの管理を引き続き支援します。

Leave a Comment

%d bloggers like this: