https://virgool.io/feed/@iranypedram fa 2026-06-16 14:51:32 https://files.virgool.io/upload/users/199806/avatar/avatar.png?height=120&width=120 https://virgool.io/@iranypedram https://virgool.io/@iranypedram/%D8%B1%D9%88%D8%B4-%D9%85%D9%88%D9%86%D8%AA-%DA%A9%D8%A7%D8%B1%D9%84%D9%88-%D8%AF%D8%B1-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D9%82%D9%88%DB%8C%D8%AA%DB%8C-jktye6hmqksk سلام دوستان.مطابق وعده ویدئوی 45 دقیقه ای شامل آموزش روش مونت کارلو در ریاضیات و همچنین استفاده از روش مونت کارلو در یادگیری تقویتی تکمیل شد. این آموزش در همین صفحه و یا در لینک آپارات قابل مشاهده است.https://www.aparat.com/v/92WEh https://www.aparat.com/v/92WEh نریمان زعیم کهن نریمان زعیم کهن Sun, 21 Apr 2024 09:06:23 +0330 https://virgool.io/@iranypedram/%D8%A7%D9%86%D8%AA%D8%B4%D8%A7%D8%B1-%DA%A9%D8%AA%D8%A7%D8%A8-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%86%D9%88%DB%8C%D8%B3%DB%8C-gui-%D8%A8%D8%A7-tkinter-up0n1vshotp4 برنامه نویسی واسط گرافیکی ( GUI ) در پایتون با فریم ورک Tkinterمولف: نریمان زعیم کهنانتشارات دیباگران تهرانانتشارات دیباگران تهرانمقدمه مولف:همانگونه که استفاده از زبان برنامه‌نویسی پایتون در زمینه‌هایی همچون علم داده، هوش مصنوعی، اتوماسیون و غیره به طور روزافزونی در حال گسترش است،گرایش به ایجاد واسط‌های گرافیکی به زبان پایتون در تعامل با زمینه‌های یاد شده و یا به صورت مستقل نیز روندی رو به افزایش دارد. Tkinter کتابخانه استاندارد پایتون و یکی از پرطرفدارترین فریم‌ورک‌ها برای ایجاد واسط گرافیکی کاربر است.در این کتاب سعی شده است علاوه بر تشریح کارکردهای گوناگون این فریم‌ورک به صورت مجزا و بخش‌بندی شده، در هر قسمت بر روی کاربردی‌ترین مفاهیم تاکید داشته و مثال‌ها و پروژه‌های عملی در آن زمینه ارائه شود تا خواننده را از هرگونه منبع مشابه بی‌نیاز سازد.همچنین فایل مربوط به مثال‌ها و پروژه‌های کتاب به پیوست در اختیار خوانندگان محترم قرار گرفته است.لینک تهیه کتاب:https://www.dibagaranpakhsh.ir/index.php?route=product/product&product_id=1833 نریمان زعیم کهن نریمان زعیم کهن Sat, 02 Jul 2022 08:52:41 +0430 https://virgool.io/@iranypedram/%D9%85%D9%87%D9%85%D8%AA%D8%B1%DB%8C%D9%86-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%D9%87%D8%A7%DB%8C-%D8%B9%D9%85%D9%84%DB%8C-php-ulysrx1cjiy7 مهمترین کاربردهای عملی PHPمی‌دانیم که PHP یک زبان برنامه نویسی سمت سرور است که به طور گسترده برای توسعه وب و برنامه های تجاری استفاده می شود. ابزارهای open-source و سرعت بالا PHP را به یکی از برگزیده‌ترین زبانها برای ایجاد وبسایت‌های تعاملی و اپلیکیشن‌های تحت وب تبدیل کرده است. برخی از بزرگترین پلتفرم‌های وب امروزی، از جمله فیسبوک، فلیکر، یاهو، MailChimp و ویکی پدیا در زیرساخت‌های خود از PHP استفاده می کنند. با گسترده شدن بازار PHP، کسب و کارهای مختلف به دنبال گرایشات جدیدی از PHPبرای ایجاد اپلیکیشن‌های تحت وب بدون نقص هستند.اجازه دهید مهمترین کاربردهای عملی این زبان برنامه نویسی را مرور کنیم.1- تولید صفحات وب و اپلیکیشن‌های تحت وبصفحات وب و اپلیکیشن‌های تحت وب عموما نیاز دارند تا بر اساس نوع کاربردشان به طور جامعی سفارشی سازی شوند، دارای رابط کاربری کاملا تعاملی باشند، قادر به انجام تراکنش‌های آنلاین بوده و با سیستم‌های پایگاه داده، مجتمع شوند. PHP تضمین می‌کند که تمامی این ویژگی‌ها از طریق معماری سه‌لایه ‌ای که به صورت خطی روی سیستم‌های مرورگر، سرور و پایگاه داده کار می‌کند بدست می‌آیند. همین ویژگی توضیح می‌دهد که چرا بیش از 80 درصد وبسایت‌ها از PHP برای برنامه نویسی سمت سرور استفاده می‌کنند.در PHP برنامه نویسان می توانند از کدی که قبلا نوشته‌اند، با مقداری دستکاری و اعمال تغییرات، مجددا در اپلیکیشن‌های دیگری که تولید می‌کنند استفاده نمایند. مکانیزم‌های built-in مانند پشتیبانی از احراز هویت کاربر، SQL Query Builder، حفاظت CSRF و مسیریابی، PHP را به یکی از پرتقاضاترین زبان‌های برنامه نویسی تبدیل کرده است.2- سیستم‌های مدیریت محتوای وبزبان PHP از پایگاه‌های داده مختلفی مانند MySQL، Oracleو Ms Access پشتیبانی می ‌کند و به گونه‌ای طراحی شده است که بتواند از طریق پروتکل‎‌هایی نظیر HTTP, IMAP, POP3, LDAP, SNM, NNTP, COM با سرویس‌های دیگر ارتباط برقرار کند. بسیاری از فریم ورک‌های PHPقالب‌ها و کتابخانه‌هایی را ارائه می‌دهند که توسعه‌دهندگان وب می‌توانند از طریق آنها محتوای یک وب ‌سایت را مدیریت و دستکاری کنند. بنابراین از PHPمی‌توان برای ایجاد وبسایت‌های کوچک ثابت تا سایت‌های عظیم محتوا محور استفاده نمود. برخی از بهترین سیستم‌های مدیریت محتوای وب (CMS) که توسط PHP مدیریت می‌شوند عبارتند از WordPress و افزونه‌های آن، رابط کاربری دروپال، Joomla, Facebook, MediaWiki, Silverstripe, Digg .3- ایجاد اپلیکیشن‌های تجارت الکترونیک (Ecommerce)فارغ از اینکه یک کسب و کار چقدر کوچک یا بزرگ باشد، امروز فروش آنلاین بخشی از هر کسب و کار است. استفاده از فریم‌‌ورک‌های PHP مانند CakePHPو CodeIgniter به ایجاد سریع و کارامد اپلیکیشن‌های تجارت الکترونیک کمک می‌کند. پلتفرم‌های محبوب تجارت الکترونیک مانند Magneto, ZenCart, OpenCart, PrestaShop, AgoraCart, Ubercart همگی از اپلیکیشن‌های کاربردی PHP هستند.کتاب آموزش PHP 8 - انتشارات دیباگران4- واسط های گرافیکی (GUI)یکی دیگر از کاربردهای مهم PHP می‌تواند ایجاد برنامه‌های کاربردی مبتنی بر رابط گرافیکی کاربر (GUI) باشد. ابزارهای برجسته‌ای نظیر PHP-GTK 2و ZZEE PHP GUI اسکریپت‌های PHP را به فرمت exe کامپایل می‌کنند که می‌تواند به صورت مستقل اجرا شود.5- ایجاد Flashبسیاری از فریم‌ورک‌های PHP یک کتابخانه open-sourceمانند Ming را برای ایجاد Flash در قالب فایل SWF ارائه می‌کنند که شامل ویژگی‌هایی مانند گرادیان، bitmaps (فایل‌های png و jpeg )، شکل‌ها، متن، دکمه‌ها و انیمیشن‌ها است. علاوه بر این ایجاد و ترکیب المنت‌های Flash مانند فرم ورود و فرم ایمیل در صفحات وب با استفاده از PHPکار ساده‌ای است.6- پردازش تصویر و طراحی گرافیکیکی از کاربردهای مهم PHP استفاده از آن برای دستکاری تصاویر است. کتابخانه‌های مختلف پردازش تصویر مانند Imagine، کتابخانه GDو ImageMagick را می‌توان با اپلیکیشن‌های PHPترکیب نمود تا طیف گسترده‌ای از ویژگی‌های پردازش تصویر، از جمله چرخش، برش، تغییر اندازه، افزودن Watermark، ایجاد تصاویر Thumbnail و ایجاد خروجی‌های تصویری مختلف فراهم گردد. فرمت‌های مختلف تصاویر خروجی می‌تواند gif, jpeg, XPM, wbmp, png باشد.7- نمایش دادهزبان PHP می‌تواند با استفاده از ابزارهایی مانند Image_Graph برای ایجاد اشکال مختلف نمایش Data مانند نمودارها، چارت‌ها و... مورد استفاده قرار گیرد. این ویژگی معمولا در وبسایت‌های تجارت الکترونیک در سمت مشتری، برنامه‌های دسکتاپ و برنامه‌های مختلف دیگری که در آنها داده‌ها باید به صورت مختصر و گرافیکی ارائه شوند استفاده می‌شود.8- ایجاد فایل‌های PDFیکی دیگر از کاربردهای مهم PHP، ایجاد ‌فایل‌های PDFاست. کتابخانه built-in به نام PDFLib می‌تواند برای تولید و دستکاری فایل‌های PDF با استفاده از PHPمورد استفاده قرار گیرد. این ویژگی کمک می‌کند تا بتوانیم فاکتورهای صورتحساب‌ آنلاین را با فرمت قابل حمل PDF ذخیره کنیم.نکته آخر اینکه برخلاف زبان‌هایی مانند Cو جاوا زبان برنامه نویسی PHP نیاز به فرایندهای پیچیده‌ برای تولید صفحات HTMLندارد، در نتیجه با استفاده از این زبان می‌توان از وبسایت‌های ساده تا سیستم‌های بسیار پیچیده‌ مانند فروشگاه‌های مجازی و پلتفرم‌های مدیریت آنلاین را به صورتی کارامد ایجاد نمود. نریمان زعیم کهن نریمان زعیم کهن Mon, 24 Jan 2022 09:13:23 +0330 https://virgool.io/@iranypedram/%D8%AA%D9%88%D8%B3%D8%B9%D9%87-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85%DB%8C-%D8%AC%D8%AF%DB%8C%D8%AF-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AA%D8%AE%D9%85%DB%8C%D9%86-%D8%A7%D9%85%D9%86%DB%8C%D8%AA-%D8%AF%D8%A7%D8%AF%D9%87-wjndsjvjsbi0 دانشمندان موسسه علوم و فناوری DGIST در کره، الگوریتم هایی را توسعه داده اند که میزان دشواری حدس زده شدن کلیدهای مخفی یک سیستم رمزنگاری را برای مهاجمین اندازه گیری می کند. روش مورد استفاده آنها در ژورنال IEEE transactions on information forensics and security توضیح داده شده و می تواند پیچیدگی محاسباتی مورد نیاز برای تایید امنیت رمزگذاری را کاهش دهد.محققان DGIST توضیح می دهند : اعداد تصادفی برای تولید اطلاعات رمزنگاری ضروری هستند و این تصادفی بودن برای امنیت سیستم های رمزنگاری بسیار مهم است.اصولا از رمزنگاری در امنیت سایبری برای محافظت از اطلاعات استفاده می شود.دانشمندان غالباً از معیاری به نام min-entropy برای تخمین و تأیید میزان مناسب  بودن یک منبع در تولید اعداد تصادفی مورد استفاده برای رمزگذاری داده ها استفاده می کنند. رمزگشایی داده ها با آنتروپی پایین آسان تر است ، در حالی که رمزگشایی داده ها با آنتروپی بالا بسیار دشوارتر است. اما مشکل در اینجاست که تخمین دقیق min-entropy برای برخی از منابع کار دشواری است.این محققین یک الگوریتم آفلاین تهیه کرده اند که حداقل آنتروپی min-entropy را بر اساس دیتاست موجود و به کمک یک تخمین زننده آنلاین که تنها به نمونه های محدودی از داده نیاز دارد، محاسبه می کند. دقت برآوردگر آنلاین با افزایش میزان نمونه های داده بهبود می یابد. همچنین این تخمین زننده آنلاین نیازی به ذخیره سازی تمام دیتاست ندارد و بنابراین می تواند در اپلیکیشن هایی با محدودیت حافظه مانند وسایل اینترنت اشیا مورد استفاده قرار گیرد.دانشمندان DGIST اذعان می کنند : ارزیابی های ما نشان داد که الگوریتم های ما می توانند حداقل آنتروپی را 500 برابر سریعتر از الگوریتم استاندارد فعلی تخمین بزنند و در عین حال دقت تخمین را حفظ می کنند.در حال حاضر این تیم در حال بهبود دقت این الگوریتم و سایر الگوریتم های تخمین آنتروپی در رمزنگاری هستند. آنها همچنین در حال بررسی چگونگی بهبود حریم خصوصی در برنامه های یادگیری ماشین هستند.مهندس نریمان زعیم کهن نریمان زعیم کهن نریمان زعیم کهن Tue, 11 May 2021 14:51:50 +0430 https://virgool.io/@iranypedram/%D8%AA%D9%88%D8%B3%D8%B9%D9%87-%DA%A9%DB%8C%D9%88%D8%A8%DB%8C%D8%AA-%D9%87%D8%A7%DB%8C-%D9%86%DB%8C%D9%85%D9%87-%D9%87%D8%A7%D8%AF%DB%8C-%D8%AF%D8%B1-%D8%AF%D9%88-%D8%A8%D8%B9%D8%AF-kqwstk98rwlt قلب هر رایانه یعنی CPU با استفاده از فناوری نیمه هادی ساخته شده است که قادر است میلیون ها ترانزیستور را بر روی یک تراشه قرار دهد. اکنون محققان نشان داده اند که می توان از این فناوری برای ساخت آرایه ای دوبعدی از کیوبیت ها که به عنوان پردازنده کوانتومی عمل می کنند استفاده کرد. این پژوهش می تواند نقطه عطف مهمی در فناوری کوانتومی توسعه پذیر باشد.رایانه های کوانتومی توانایی حل مسائلی را دارند که پرداختن به آنها با رایانه های کلاسیک غیرممکن است.  در حالی که دستگاه های کوانتومی فعلی ده ها کیوبیت - بلوک اصلی ساخت فناوری کوانتوم - را نگه می دارند یک کامپیوتر کوانتومی در آینده که قادر به اجرای هر الگوریتم کوانتومی باشد ، احتمالاً از میلیون ها تا میلیاردها کیوبیت تشکیل می شود.کیوبیت ها نوید توسعه پذیر بودن را می دهند زیرا می توان آنها را با استفاده از تکنیک های استاندارد تولید نیمه هادی ها ایجاد کرد.  محققان با قرار دادن چهار کیوبیت در یک شبکه دو در دو و ایجاد یک مدار کوانتومی برای برقراری پیوند بین آنها گامی مهم برای تحقق توسعه پذیری محاسبات کوانتومی برداشته اند.یک پردازنده کاملا کوانتومیالکترونهای محبوس در نقاط کوانتومی - ساختارهای نیمه رسانای فقط چند ده نانومتری - برای بیش از دو دهه به عنوان بستری برای اطلاعات کوانتومی مورد مطالعه قرار گرفته اند. علی رغم همه وعده ها ، توسعه فراتر از منطق دو کیوبیتی همچنان دست نیافتنی است.برای شکستن این سد گروه تحقیقاتی Veldhorst تصمیم گرفت که رویکردی کاملا متفاوت داشته باشد و شروع به کار با حفره ها ( یعنی الکترون های از دست رفته ) در ژرمانیوم کردند. با استفاده از این روش می توان از همان الکترودهای مورد نیاز برای تعریف کیوبیت ها برای کنترل و ارتباط آنها نیز استفاده کرد.نیکو هندریکس نویسنده اول مقاله این گروه می گوید : نیاز نیست هیچ ساختار بزرگ دیگری در کنار هر کیوبیت اضافه شود ، به طوری که کیوبیت های ما تقریباً مشابه ترانزیستورهای موجود در تراشه رایانه است.علاوه بر این ، ما کنترل بسیار خوبی را به دست آورده ایم و می توانیم کیوبیت ها را به دلخواه جفت کنیم ،که به ما امکان می دهد گیت های یک ، دو ، سه و چهار کیوبیتی را برنامه ریزی کنیم ، این امر ایجاد مدارات کوانتومی بسیار فشرده را می دهد.پس از ایجاد موفقیت آمیز اولین کیوبیت نقطه کوانتومی ژرمانیم در سال 2019 ، تعداد کیوبیت های تراشه های آنها هر ساله دو برابر می شود. Veldhorst می گوید : البته چهار کیوبیت به هیچ وجه یک کامپیوتر کوانتومی یونیورسال نمی سازد اما با قرار دادن کیوبیت ها در یک شبکه دو در دو ، ما اکنون می دانیم که چگونه کیوبیت ها را در جهات مختلف کنترل و جفت کنیم. هرگونه معماری واقع گرایانه برای ادغام تعداد زیادی کیوبیت نیاز به اتصال دو بعدی آنها دارد.ژرمانیوم به عنوان یک پلتفرم بسیار متنوعنشان دادن منطق چهار کیوبیتی در ژرمانیوم ، پیشرفته ترین دستاوردهای علمی را در زمینه نقاط کوانتومی تعریف می کند و گام مهمی به سمت شبکه های نیمه هادی متراکم و گسترش یافته است. ژرمانیوم علاوه بر سازگاری با تولید نیمه هادی پیشرفته ، ماده ای کاملاً متنوع است. این ماده خاصیت فیزیکی جالبی مانند اتصال چرخشی (spin-orbit coupling) دارد و می تواند با موادی مانند ابررساناها تماس برقرار کند.از این رو ژرمانیوم در چندین فناوری کوانتومی به عنوان یک پلتفرم عالی در نظر گرفته شده است.محققان عنوان می کنند : اکنون که ما می دانیم چگونه ژرمانیوم تولید کنیم و مجموعه ای از کیوبیت ها را اداره می کنیم ، مسیر اطلاعات کوانتومی ژرمانیوم واقعاً می تواند آغاز شود.مهندس نریمان زعیم کهن نریمان زعیم کهن نریمان زعیم کهن Thu, 08 Apr 2021 20:02:10 +0430 https://virgool.io/@iranypedram/%D9%85%D9%82%D8%A7%D9%88%D9%85%D8%AA-%D9%87%D8%A7%DB%8C-%D8%AD%D8%A7%D9%81%D8%B8%D9%87-%DA%AF%D8%B1%D8%A7%D9%81%D9%86%DB%8C-%D9%86%D9%88%DB%8C%D8%AF%D8%A8%D8%AE%D8%B4-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA-%D8%AA%DA%A9%D8%A7%D9%85%D9%84%DB%8C-ystumuib7xzu با کند شدن پیشرفت در محاسبات سنتی ، اشکال جدیدی از محاسبات به منصه ظهور می رسند. در ایالت پن ، تیمی از مهندسان در حال تلاش برای ایجاد  نوعی پردازش  هستند که ضمن بهره برداری از ماهیت آنالوگ مغز ، از کارایی شبکه های عصبی مغز نیز تقلید می کند.محاسبات مدرن دیجیتال است و از دو حالت روشن - خاموش یا یک - صفر تشکیل گردیده. یک کامپیوتر آنالوگ ، مانند مغز ، حالات ممکن بسیاری دارد. این تفاوت بین  خاموش یا روشن کردن کلید لامپ یا چرخاندن پیچ تنظیم نور لامپ برای دسترسی به مقادیر مختلف روشنایی است.طبق گفته Saptarshi Das ، سرپرست تیم و استادیار علوم مهندسی و مکانیک ایالت پن ، محاسبات نورومورفیک یا الهام گرفته از مغز، بیش از 40 سال است که مورد مطالعه قرار گرفته اما نکته جدید این است که محدودیت های موجود در محاسبات دیجیتال ، با نیاز به پردازش تصویر با سرعت بالا ، به عنوان مثال برای اتومبیل های خودران ، همزمان شده است. ظهور داده های بزرگ و نیاز به انواع تشخیص الگو ، عامل دیگری در جهت تمایل به گسترش محاسبات عصبی است.داس میگوید: " شکی نیست که ما رایانه های قدرتمندی داریم ، مشكل این است كه شما باید داده ها را در یك محل حافظه ذخیره كرده و محاسبات را در محل دیگری انجام دهید."جابجایی این داده ها از حافظه به پردازشگر و برگشت دوباره آنها انرژی زیادی برده و سرعت محاسبات را کاهش می دهد. به علاوه ، این نوع از معماری کامپیوتر به فضای زیادی نیاز دارد. اگر محاسبه و ذخیره سازی حافظه در یک فضا انجام شود ، می توان این تنگنا را از بین برد.توماس شرانگامر ، دانشجوی دکترای گروه Das و نویسنده اول مقاله ای که اخیراً در Nature Communications منتشر شده است ، توضیح می دهد: "ما در حال ایجاد شبکه های عصبی مصنوعی هستیم ، که به دنبال تقلید از بهره وری  انرژی و مکان در مغز هستند.""مغز بسیار جمع و جور است و می تواند بر روی شانه های شما قرار گیرد ، در حالی که یک ابر رایانه مدرن فضایی به اندازه دو یا سه زمین تنیس را اشغال می کند."مانند سیناپس های متصل نورون های مغز که می توانند دوباره پیکربندی شوند ، شبکه های عصبی مصنوعی که این تیم در حال ساخت آن است می توانند با استفاده از یک میدان الکتریکی مختصر روی یک ورق گرافن ، یک لایه ضخیم اتمی از اتم های کربن ، پیکربندی مجدد شوند.در این پروژه ، آنها حداقل 16 حالت حافظه ممکن بوجود می آورند ، در حالی که مموریستورها یا مقاومت های حافظهء مبتنی بر اکسید تنها دو حالت دارند.داس می گوید: "آنچه ما نشان دادیم این است كه می توانیم تعداد زیادی از حالت های حافظه را با استفاده از ترانزیستورهای اثر میدان گرافن با دقت كنترل كنیم."این تیم معتقد است که ارتقای این فناوری در مقیاس تجاری عملی است. با توجه به اینکه بسیاری از بزرگترین شرکتهای نیمه هادی فعالانه محاسبات نورومورفیک را دنبال می کنند ، داس معتقد است که این پروژه مورد علاقه این شرکت ها خواهد بود.دفتر تحقیقات ارتش امریکا از این پروژه حمایت می کند.مهندس نریمان زعیم کهن نریمان زعیم کهن نریمان زعیم کهن Mon, 02 Nov 2020 17:57:15 +0330 https://virgool.io/@iranypedram/%D9%85%D8%AF%D9%84-%D9%87%D8%A7%DB%8C-%D8%AC%D8%AF%DB%8C%D8%AF-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%D9%86%D9%88%D8%B1%D9%88%D9%86-%D9%87%D8%A7%DB%8C-%DA%A9%D9%85%D8%AA%D8%B1-%D9%87%D9%88%D8%B4-%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1-w4zbncu7udjk هوش مصنوعی به زندگی روزمره ما رسیده است - از موتورهای جستجو گرفته تا اتومبیل های خودران.این امر به قدرت محاسباتی عظیمی که در سالهای اخیر در دسترس قرار گرفته است برمی گردد. اما نتایج جدید حاصل از تحقیقات هوش مصنوعی اکنون نشان می دهد که از شبکه های عصبی ساده تر و کوچکتر می توان برای حل برخی وظایف ، بهتر ، کارآمدتر و با اطمینان بیشتر از هر زمان دیگری استفاده کرد.یک تیم تحقیقاتی بین المللی از TU وین ، IST اتریش و MIT امریکا یک سیستم جدید هوش مصنوعی مبتنی بر عملکرد مغز حیوانات کوچک مانند کرم ها ایجاد کرده اند.این سیستم جدید هوش مصنوعی می تواند یک وسیله نقلیه را فقط با چند نورون مصنوعی کنترل کند.این تیم می گوید سیستم آنها نسبت به مدل های یادگیری عمیق قبلی مزایای تعیین کننده ای دارد:با ورودی های دارای نویز زیاد بسیار بهتر کنار می آید و به دلیل سادگی، نحوه عملکرد آن را می توان با جزئیات توضیح داد. این مدل جدید یادگیری عمیق اکنون در مجله Nature Machine Intelligence منتشر شده است.یادگیری از طبیعتشبكه های عصبی مصنوعی ، مشابه مغز موجودات زنده ، از سلولهای منفرد بسیاری تشکیل شده است. وقتی سلول فعال است، سیگنالی به سلولهای دیگر می فرستد. تمام سیگنال های دریافتی توسط سلول بعدی نیز برای تصمیم گیری در مورد فعال شدن این سلول با یکدیگر ترکیب می شوند.روشی که یک سلول بر فعالیت سلول بعدی تأثیر می گذارد ، رفتار سیستم را تعیین می کند - این پارامترها در یک فرایند یادگیری خودکار تنظیم می شوند تا زمانی که شبکه عصبی بتواند یک مسئله خاص را حل کند.پروفسور رادو گروسو ، رئیس گروه تحقیقاتی "سیستمهای فیزیکی سایبری" در TU وین می گوید: "سالهاست که ما در حال بررسی مواردی هستیم که می توانیم از طبیعت برای بهبود یادگیری عمیق یاد بگیریم." "به عنوان مثال کرم های نخی شکل  C. elegans ، به طور شگفت آوری با تعداد بسیار کمی نورون زندگی می کند و همچنان الگوهای رفتاری جالبی را نشان می دهد. این به دلیل روش کارآمد و هماهنگ سیستم عصبی این موجودات برای پردازش اطلاعات است."پروفسور دانیلا روس ، مدیر آزمایشگاه علوم رایانه ای و هوش مصنوعی MIT CSAIL می گوید: "طبیعت به ما نشان می دهد که هنوز فضای زیادی برای پیشرفت وجود دارد." "بنابراین ، هدف ما کاهش گسترده پیچیدگی و افزایش تفسیرپذیری مدل های شبکه عصبی بود."پروفسور توماس هنزینگر ، رئیس IST اتریش می گوید: "با الهام از طبیعت ، ما مدل های جدید ریاضی از سلول های عصبی و سیناپس را ایجاد کردیم."دکتر رامین حسنی ، همکار فوق دکترا در انستیتوی مهندسی کامپیوتر ، TU Wien و MIT CSAIL می گوید: "پردازش سیگنال ها در سلول های فردی اصول ریاضی متفاوتی را نسبت به مدل های یادگیری عمیق قبلی دنبال می کند." "همچنین ، شبکه های ما بسیار پراکنده هستند - این بدان معنی است که همه سلول ها به سلول های دیگر متصل نیستند. که این امر همچنین شبکه را ساده تر می کند."رانندگی در لاین مشخصبرای آزمایش ایده های جدید ، تیم یک آزمایش ویژه مهم را انتخاب کرد: اتومبیل های خودران در لاین  خود بمانند. شبکه عصبی تصاویر دوربین از جاده را به عنوان ورودی دریافت می کند و می بایست به طور خودکار تصمیم بگیرد که به راست یا چپ هدایت شود.ماتیاس لچنر ، دانش آموخته TU Wien و دانشجوی دکترا در IST اتریش می گوید: "امروزه اغلب مدل های یادگیری عمیق با میلیون ها پارامتر برای یادگیری کارهای پیچیده مانند رانندگی خودکار استفاده می شود. "با این حال ، رویکرد جدید ما این امکان را به ما می دهد تا اندازه شبکه ها را تا دو برابر کاهش دهیم. سیستم های ما فقط از 75000 پارامتر قابل آموزش استفاده می کنند. "الكساندر امینی ، دانشجوی دكترا در MIT CSAIL توضیح می دهد كه این سیستم جدید از دو قسمت تشكیل شده است : ورودی دوربین ابتدا توسط یك شبکه عصبی به اصطلاح کانولوشن پردازش می شود ، که فقط داده های بصری را برای استخراج ویژگی های ساختاری از پیکسل های ورودی درک می کند. این شبکه تصمیم می گیرد کدام قسمت از تصویر دوربین مهم هستند ، و سپس سیگنال هایی را به قسمت حیاتی شبکه منتقل می کند یعنی "سیستم کنترل" که وسیله نقلیه را هدایت می کند.هر دو زیر سیستم با هم انباشته شده و به طور همزمان آموزش می بینند. ساعتهای طولانی فیلم های ترافیکی مربوط به رانندگی انسان در منطقه بوستون جمع آوری شده و به همراه اطلاعاتی در مورد نحوه هدایت خودرو در هر شرایط خاص به شبکه منتقل می شوند - تا زمانی که سیستم یاد بگیرد به طور خودکار تصاویر را با جهت فرمان تطبیق داده و موقعیت های جدید را به طور مستقل اداره کند.قسمت کنترل کننده سیستم (که به آن استراتژی مدار عصبی یا NCP گفته می شود) ، که داده ها را از ماژول ادراک به یک فرمان هدایت می کند ، فقط از 19 نورون تشکیل شده است.ماتیاس لچنر توضیح می دهد که NCP ها تا 3 برابر از آنچه در مدل های پیشرفته قبلی ممکن بود ، کوچکتر شده اند.تحلیل استواریماتیاس لچنر می گوید: "برای آزمایش میزان استواری NCP ها نسبت به مدل های قبلی  تصاویر ورودی را آشفته کرده و ارزیابی می کنیم شبکه موجود چگونه می تواند با نویز کنار بیایند.""در حالی که این مسئله برای دیگر شبکه های عصبی عمیق به یک مشکل غیرقابل حل تبدیل شد ، NCP های ما مقاومت شدیدی در برابر مصنوعات ورودی نشان دادند. این ویژگی نتیجه مستقیم مدل عصبی جدید و معماری آن است."رامین حسنی می گوید: "قابلیت تفسیر و استواری دو مزیت عمده مدل جدید ماست." "اما موارد دیگری نیز وجود دارد: با استفاده از روشهای جدید ما همچنین می توانیم زمان آموزش و امکان پیاده سازی هوش مصنوعی را در سیستمهای نسبتاً ساده کاهش دهیم.NCP  های ما یادگیری تقلیدی را در طیف گسترده ای از کاربردهای ممکن ، از فعالیت خودکار در انبارها گرفته تا جابجایی ربات ، امکان پذیر می سازند.یافته های جدید چشم اندازهای مهمی را برای جامعه AI ایجاد می کند:اصول محاسبه در سیستم های عصبی بیولوژیکی می توانند به منبع بزرگی برای ایجاد هوش مصنوعی قابل تفسیر با عملکرد بالا -به عنوان جایگزینی برای سیستم های یادگیری ماشین black-box که تاکنون استفاده کرده ایم- تبدیل شوند . نریمان زعیم کهن نریمان زعیم کهن Sun, 18 Oct 2020 20:29:16 +0330 https://virgool.io/@iranypedram/%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D8%AA%D8%B5%D8%A7%D9%88%DB%8C%D8%B1-%D9%86%D8%A7%D9%85%D8%B9%D8%AA%D8%A8%D8%B1-%D8%AA%D9%88%D8%B3%D8%B7-%D8%A2%D9%86%D8%A7%D9%84%DB%8C%D8%B2-%D9%81%D8%B1%DA%A9%D8%A7%D9%86%D8%B3-hv71aq21bb4j واقعی و فریبنده به نظر می رسند ولی توسط کامپیوتر ساخته شده اند : تصاویر جعلی عمیق (Deep Fake) توسط الگوریتم های یادگیری ماشین تولید می شوند و انسان ها تقریبا قادر به تشخیص آنها از عکس های واقعی و معتبر نیستند. محققان انستیتو امنیت فناوری اطلاعات Horst Gortz و دانشگاه بوخوم روش جدیدی را برای شناسایی تصاویر جعلی عمیق ایجاد کرده اند. برای این منظور آنها دامنه فرکانسی اشیا را تجزیه و تحلیل می کنند روشی که شاخه ای از پردازش سیگنال محسوب می شود. این تیم حاصل کار خود را در کنفرانس بین المللی یادگیری ماشین (ICML) در ژوئیه 2020 ارائه داد.ترکیب نتایج حاصل از دو الگوریتم در ایجاد تصاویر جدیدتصاویر جعلی عمیق – ترکیبی از اصطلاح "یادگیری عمیق" در یادگیری ماشین و واژه "جعلی" – با کمک مدل های رایانه ای تولید می شود که در اصطلاح، شبکه های خصمانه تولید (GAN) نامیده می شوند .در این شبکه ها دو الگوریتم در تعامل با هم کار می کنند : الگوریتم اول تصاویر تصادفی را بر اساس داده های ورودی ایجاد می کند و الگوریتم دوم بررسی می کند که آیا می تواند جعلی بودن تصویر ایجاد شده را تشخیص دهد. چنانچه الگوریتم دوم موفق به تشخیص جعلی بودن تصویر شد، دستور تجدید نظر در ساخت تصویر را به الگوریتم اول صادر می کند و این کار تا زمانی که نتواند جعلی بودن تصویر را تشخیص دهد ادامه می یابد.در سال های اخیر این روش به اعتبار هرچه بیشتر تصاویر جعلی عمیق کمک نموده است. در وب سایت www.whichfaceisreal.com کاربران می توانند بررسی کنند که آیا قادر به تشخیص تصاویر تقلبی هستند. پرفسور تورستن هولز صاحب کرسی امنیت سیستم می گوید :" در عصر اخبار جعلی یک مشکل عمده، عدم توانایی کاربر در تشخیص تصاویر تولید شده توسط کامپیوتر از تصاویر واقعی است."محققان مستقر در بخوم برای تجزیه و تحلیل خود از مجموعه داده هایی استفاده کردند که ضمنا اساس وب سایت فوق الذکر را تشکیل می دهد. در این پروژه بین رشته ای ، جوئل فرانک ، تورستن آیزنهاور و پروفسور تورستن هولز از کرسی امنیت سیستم با پروفسور آجا فیشر از کرسی یادگیری ماشین و همچنین لیا شنرر و پروفسور دورتا کولوسا از کرسی پردازش سیگنال دیجیتال همکاری کردند.تحلیل فرکانستا به امروز ، تصاویر جعلی عمیق با استفاده از روشهای آماری پیچیده مورد تجزیه و تحلیل قرار می گرفتند. گروه تحقیقاتی بوخوم روش جدیدی را از طریق تبدیل تصاویر به دامنه فرکانسی با استفاده از روش تبدیل گسسته کسینوسی به کار گرفته اند. در نتیجه تصویر تولید شده توسط مجموعی از توابع کسینوسی مختلف نمایش داده می شود . تصاویر واقعی عمدتا از توابع با فرکانس پایین تشکیل شده اند.تجزیه و تحلیل نشان داده است که تصاویر غیر واقعی تولید شده توسط GANها عموما از توابع با فرکانس بالا تشکیل شده اند.جوئل فرانک از کرسی امنیت سیستم می گوید : " به عنوان مثال در نمایش فرکانس تصاویر جعلی یک ساختار شبکه ای ظاهر می شود. این امر یک مشکل ساختاری در تمام الگوریتم های یاگیری عمیق است . در واقع تصور می کنیم ظاهر شدن امثال چنین شبکه هایی به ما نشان می دهد که با یک تصویر جعلی عمیق که توسط یادگیری ماشین ایجاد شده است سر و کار داریم  بنابراین تجزیه و تحلیل فرکانس یک روش موثر برای شناسایی خودکار تصاویر تولید شده توسط رایانه است" . نریمان زعیم کهن نریمان زعیم کهن Sat, 12 Sep 2020 23:11:50 +0430 https://virgool.io/@iranypedram/%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%A8%D8%B2%D8%B1%DA%AF-%D8%AA%D9%88%D8%B3%D8%B7-%D9%86%D8%A7%D9%86%D9%88%D9%85%D8%AF%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D9%85%D8%BA%D9%86%D8%A7%D8%B7%DB%8C%D8%B3%DB%8C-g65crluobbe9 تحقیقات جدید نشان می دهد که استفاده از اتصالات مغناطیسی در قسمت های خاصی از مدار می تواند منجر به کاهش 20 تا 30 درصدی مصرف انرژی برای اجرای الگوریتم های آموزش شبکه عصبی شود.پیشرفت سریع فناوری منجر به افزایش فوق العاده مصرف انرژی برای پردازش حجم عظیم داده های تولید شده توسط دستگاه های مختلف گردیده است. اما محققان دانشکده مهندسی Cockrell در دانشگاه تگزاس راهی پیدا کرده اند تا نسل جدیدی از کامپیوترهای هوشمند با مصرف انرژی بهینه را تولید کنند.به طور سنتی تراشه های سیلیکونی معماری بلوک های زیرساختی را تشکیل می دهند که انرژی کامپیوتر را تامین می کند. اما در این تحقیق از اجزای مغناطیسی به جای سیلیکون استفاده شده و اطلاعات جدیدی را در مورد اینکه چگونه فیزیک قطعات مغناطیسی باعث کاهش هزینه های انرژِی و الزامات الگوریتم های آموزشی (به طور مثال در شبکه های عصبی) خواهد شد، مکشوف نموده است.ژان آنور اینورویا، استادیار گروه مهندسی برق و کامپیوتر دانشکده کاکرل می گوید :هم اکنون روش های آموزش شبکه های عصبی نیازمند صرف انرژی زیادی است و فعالیت های ما به کاهش هزینه های آموزش شبکه عصبی کمک خواهد کرد.یافته های محققان این هفته در نشریه فناوری نانو IOP منتشر شد. این محققان دریافتند که نانوسیم های مغناطیسی چنانچه به عنوان نرون های مصنوعی به کار گرفته شوند، در شرایط خاص، توانایی نرون های مصنوعی را برای رقابت با یکدیگر افزایش می دهند که به طور طبیعی منجر به برنده شدن فعال ترین نرون خواهد شد. این در حالی است که دستیابی به چنین اثری موسوم به "مهار جانبی" به طور سنتی نیازمند بکارگیری مدارهای اضافی در داخل سیستم و در نتیجه افزایش میزان هزینه و مصرف انرژی می باشد.مدیر این پروژه می گوید که روش آنها موجب کاهش 20 تا 30 درصدی میزان مصرف انرژی توسط یک الگوریتم استاندارد back-propagation در هنگام عملیات یادگیری شده است.همان طور که مغز انسان شامل نرون ها می باشد، نسل جدید کامپیوترها نیز دارای نسخه های مصنوعی از این سلول های عصبی می باشند. " مهار جانبی "  زمانی اتفاق می افتد که نرون هایی با سریعترین شلیک قادر به جلوگیری از شلیک نرون های کندتر هستند. در هنگام محاسبات ، این عمل باعث کاهش مصرف انرژی در پردازش داده ها خواهد شد.مدیر ارشد این پروژه توضیح می دهد که نحوه کار رایانه ها اساسا در حال تغییر است. یک گرایش عمده، مفهوم نورومورفیک است  که مطابق آن  اساسا  کامپیوترها طوری طراحی می شوند که همانند مغز انسان فکر کنند.به جای مفهوم سنتی که پردازنده در واحد زمان تنها یک وظیفه را پردازش می کرد، این دستگاه های هوشمند قادر به تجزیه و تحلیل حجم عظیمی از داده ها به طور همزمان هستند. این نوآوری ها باعث ایجاد انقلابی در یادگیری ماشین و هوش مصنوعی شده است که در سال های اخیر بر چشم انداز فناوری حاکم بوده است.تحقیق حاضر بر فعل و انفعال بین دو نرون مغناطیسی و تسری نتایج آن به تاثیرات گروهی از نرون ها بر یکدیگر متمرکز بوده است. مرحله بعدی این تحقیق شامل بکارگیری یافته ها بر روی مجموعه گسترده تری از نرون ها و همچنین تایید تجربی یافته ها خواهد بود.این تحقیقات با بودجه بنیاد ملی علوم Career Award  و آزمایشگاه ملی Sandia با استفاده از منابع مرکز محاسبات پیشرفته UT تگزاس صورت می گیرد.مترجم : مهندس نریمان زعیم کهن نریمان زعیم کهن نریمان زعیم کهن Fri, 28 Aug 2020 23:28:20 +0430 https://dataio.ir/مدارات-مارپیچی-در-خدمت-هوش-مصنوعی-کارآمدتر-tucb1e0tc252 محققان انستیتو علوم صنعتی در دانشگاه توکیو، سخت افزار کامپیوتری ویژه ای را طراحی کرده اند که متشکل است از اجتماع ماژول های حافظه  در یک مارپیچ سه بعدی  برای به کارگیری در برنامه های مرتبط با AI . این تحقیقات ممکن است راهی را برای نسل بعدی دستگاه های هوش مصنوعی با بهره وری انرژی بالا باز کند.یادگیری ماشین، نوعی از هوش مصنوعی است که به کامپیوترها اجازه می دهد ، از طریق داده های نمونه آموزش یابند تا بتوانند پیش بینی هایی را برای مسائل جدید ارائه دهند. به عنوان مثال، یک الگوریتم بلندگو هوشمند مانند Alexa می تواند یادبگیرد که دستورات صوتی شما را متوجه شود ، بنابراین می تواند خواسته شما را حتی وقتی برای اولین بار از او چیزی می‌خواهید درک کند.با این وجود، هوش مصنوعی برای آموزش دیدن به انرژی الکتریکی زیادی احتیاج دارد و در نتیجه در معرض نگرانی های رو به افزایش در زمینه تغییرات نامطلوب اقلیمی قرار می گیرد.اکنون دانشمندان انستیتو علوم صنعتی در دانشگاه توکیو طراحی جدیدی را برای مجتمع کردن ماژول‌های حافظه با دسترسی تصادفی (RAM) مقاوم ، با استفاده از نیمه هادی اکسید (IGZO) در یک مارپیچ سه بعدی ایجاد کرده‌اند.داشتن حافظه غیر فرار بر روی تراشه ای که در نزدیکی پردازنده ها قرار دارد ، باعث می شود فرآیند آموزش ماشین بسیار سریعتر و با مصرف انرژی بهینه تری انجام شود.این امر به این دلیل است که سیگنالهای الکتریکی در مقایسه با سخت افزار رایانه های معمولی مسافت بسیار کمتری برای طی نمودن پیش رو دارند.مجتمع کردن چندین لایه از مدارها یک اقدام طبیعی است، زیرا آموزش دادن الگوریتم اغلب به اجرای همزمان و موازی بسیاری از اعمال ریاضی  نیاز دارد.یکی از محققین پروژه می گوید :"برای این برنامه ها ، خروجی هر لایه به طور معمول به ورودی لایه بعدی وصل می شود. معماری ما نیاز به مدارات اتصال داخلی را به شدت کاهش می دهد."این تیم همچنین با پیاده سازی سیستمی از شبکه های عصبی دوتایی ، موفق شدند به سطح بالاتری از بهره وری مصرف انرژی نیز دست یابند. پارامترهای به جای آنکه به صورت روتین اجازه پذیرش هر عددی را داشته باشند به پذیرفتن اعداد 1+ و 1- محدود شده اند. این کار هم سخت افزار مورد استفاده را بسیار ساده تر می کند و هم مقادیر داده ای را که باید ذخیره شود  فشرده سازی می‌نماید.آنها دستگاه را با استفاده از یک عمل مشترک در AI آزمایش کردند : تفسیر یک بانک اطلاعاتی شامل دست نوشته هایی از اعداد.  دانشمندان دریافتند که افزایش اندازه هر لایه مدار می تواند دقت این الگوریتم نمونه را تا حداکثر 90% افزایش دهد.کوبیاشی مدیر ارشد پروژه می گوید :از آنجایی که AI به طور فزاینده ای در زندگی روزمره ما ادغام می شود، برای کاهش مصرف انرژی به سخت افزارهای تخصصی تری نیاز داریم تا این وظیفه را به نحو احسن انجام دهند.این پروژه همچنین یک گام مهم به سوی "اینترنت اشیا" است، که در آن بسیاری از وسایل کوچک مجهز به هوش مصنوعی به عنوان بخشی از یک "خانه هوشمند" مجتمع می شوند.مترجم : مهندس نریمان زعیم کهن نریمان زعیم کهن نریمان زعیم کهن Sat, 15 Aug 2020 19:31:51 +0430