علمی

بازی Super Mario چالش هیجان‌انگیز هوش مصنوعی، یادگیری ماشینی و نورون های عصبی و…

چشم انداز توسعه فناوری هوش مصنوعی در سال های گذشته گام های بزرگی به جلو برداشته است. با این حال، تا تکامل این فناوری و برتری کامل ربات بر انسان فاصله بسیاری داریم. در این پست به بررسی هوش مصنوعی با یادگیری ماشینی می پردازیم. تا پایان با نت نوشت همراه باشید.

چشم انداز توسعه فناوری هوش مصنوعی در سال های گذشته گام های بزرگی به جلو برداشته است. با این حال، تا تکامل این فناوری و برتری کامل ربات بر انسان فاصله بسیاری داریم. در این پست به بررسی هوش مصنوعی با یادگیری ماشینی می پردازیم. تا پایان با نت نوشت همراه باشید.

به تازگی یک کاربر خوش ذوق یوتیوب با نام Einfach nerdig، پخش زنده ای از یادگیری بازی “Super Mario Bros” را توسط هوش مصنوعی، در کانال YouTube خود قرار داده است. پخش زنده ی این هوش مصنوعی با نام MarI/O از چند روز پیش آغاز شده و هنوز هم در حال اجرا است.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

SethBling خالق این هوش مصنوعی، دارنده رکورد جهانی سریع ترین بازیکن “Super Mario World”می باشد، که پیش از این به هوش مصنوعی خود، MariI/O  آموزش داده بود.

همانطور که وی در ویدیویی در وبسایت خود توضیح می دهد، شبکه عصبی این هوش مصنوعی بدون اطلاع قبلی از نحوه عملکرد بازی، آن را آغاز می کند. این شبکه عصبی به سادگی یک ورودی از بازی دریافت می کند، که در تصویر به صورت یک صفحه گرافیکی کوچک نمایش داده شده است. این ورودی برای پردازش به یک سری نورون های مصنوعی ارسال شده و پس از آن، خروجی به دستوراتی برای حرکت Mario توسط دکمه های کنترلی تبدیل می شود.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

شبکه ای که می تواند ماریو را به طور کامل از یک مرحله عبور دهد کمتر از ۱۲ عدد نورون است، اما با آموزش کافی، حتی شبکه های ساده می توانند وظایف پیچیده ای انجام دهند. ویدیوهای SethBling شامل توضیحات بسیار خوبی در مورد چگونگی عملکرد این شبکه عصبی و یادگیری ماشینی است.

در حال حاضر مشاهده انجام بازی “Super Mario Bros” توسط هوش مصنوعی، ممکن است کمی ناامید کننده باشد. ما شاهد تلاش های مکرر این AI برای عبور از یک مرحله بازی برای رسیدن به رکورد سریع ترین زمان ممکن هستیم. هنگامی که اهداف تعیین شده به دست آمد، اینگونه به نظر می رسد شخصی با سرعت بالا در حال انجام بازی است. حتی ممکن است شما چند ترفند جدید را برای دفعه بعدی که بازی می کنید یاد بگیرید. با توجه به شمارنده ای که در پایین ویدیو واقع شده، این AI بازی سوپر ماریو Bros را برای نزدیک به ۱۷ روز انجام داده است.

SethBling اولین کسی نیست که از یک بازی نینتندو برای آموزش یک ماشین استفاده کند، او بخشی از یک جنبش جدید است که “الگوریتم یادگیری ماشینی” را به طریقی انجام می دهد که سرگرم کننده، جالب و قابل دسترس باشد، حتی اگر هیچ نظری در مورد “یادگیری عمیق” یا “شبکه عصبی” نداشته باشید، چیزهای زیادی درباره آن یاد می گیرید.

قدرتمند ترین AI ها در عرصه یادگیری ماشینی

سال گذشته در اتفاقی مهم، هوش مصنوعی « AlphaGo » گوگل بدون برنامه ریزی قبلی و تنها با استفاده از یادگیری ماشینی، توانست یکی از بهترین بازیکنان گو (نوعی بازی تخته ژاپنی) را در جهان شکست دهد.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

اما امسال همان تیم برنامه ایی پیشرفته تر با نام “AlphaGo Zero ” را ساخت که توانست نسخه قبلی خود را با استفاده از هیچ داده تاریخی و تنها انجام هزاران بازی در برابر خودش، فقط در مدت چند هفته شکست دهد.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

همچنین به تازگی AlphaGo Zero توانسته بهترین برنامه شطرنج جهان با نام Stockfish را تنها با چهار ساعت تمرین شکست دهد. در ادامه این هوش مصنوعی تنها با دو ساعت آموزش توانست بهترین برنامه بازی شوگی (شوگی نسخه ای ژاپنی از شطرنج است که در یک صفحه بزرگتر انجام می شود) در جهان به نام Elmo را شکست دهد. “AlphaGo Zero ” در حال حاضر قادر به شکست تمامی انسان ها و تمامی نسخه دیگر آلفا گو می باشد.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

یکی از نکات کلیدی درباره AlphaZero این است که این برنامه به طور خاص برای بازی کردن در هر یک از این بازی ها طراحی نشده است. در هر مورد، بدون هیچ آگاهی قبلی درباره بازی ها، تنها برخی از قوانین اساسی بازی (مانند نحوه ی حرکت وزیر در شطرنج و غیره) به آن داده می شود. این هوش مصنوعی با استفاده از روش شناخته شده “تقویت یادگیری” با بازی های مکرر با خود با سرعت بسیار بالا و زمان کوتاه به مرحله ای از توانایی می رسد که بهترین های جهان را شکست می دهد.

کاربرد های هوش مصنوعی با شبکه عصبی در توسعه علم

هنگامی که دیمیوس هاسبی، مدیر عامل شرکت DeepMind، در اوایل سال جاری AlphaGo Zero را معرفی می کرد، اظهار کرد که نسخه های بعدی این برنامه می تواند به طیف وسیعی از مشکلات علمی از طراحی داروهای جدید تا کشف مواد نو ترکیب جدید کمک کند.

یک کاربرد احتمالی این تکنولوژی، در آزمایش فیزیک ذرات در آزمایشگاه ملی شتاب دهنده فرمی است. محققان Fermilab علاقه مند به درک نوترینو ها یا ذرات زیر اتمی با انرژی بالا هستند که به ندرت در طبیعت مشاهده می شوند و می توانند کلیدی برای درک نحوه شکل گیری اولیه ی جهان باشند.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

آزمایشی که هوش مصنوعی در آن به کار برده شده، شامل پردازش عکس هایی از لحظه برخورد ذرات زیر اتمی و تعامل نوترینو ها می باشد.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

این تیم تحقیقاتی خواستار کمک از یک سیستم هوش مصنوعی بود که بتواند اطلاعات آشکار کننده Fermilab را تجزیه و تحلیل و طبقه بندی کند. این هوش مصنوعی با نام MENNDL مخفف کلمه (Multi-node Evolutionary Neural Networks for Deep Learning) در عرض ۲۴ ساعت ۵۰۰،۰۰۰ شبکه عصبی را ارزیابی کرد و راه حل نهایی ارائه شده توسط آن برتر از مدل های سفارشی بود که توسط دانشمندان ساخته شده است.

در مورد دیگری که شامل همکاری این هوش مصنوعی با بیمارستان تحقیقاتی سرطان کودکان سنت جود در ایالات متحده بود، MENNDL میزان خطای یک الگوریتم طراحی شده برای شناسایی میتوکندری، در تصاویر میکروسکوپ الکترونی سه بعدی از بافت مغز را ۳۰ درصد بهبود داد.

از یادگیری بازی Super Mario توسط هوش مصنوعی تا به کارگیری آن در آزمایشگاه شتاب دهنده ی ذرات Fermilab !!

یانگ، متخصص طرح در این باره می گوید: “ما می توانیم شبکه هایی برای دیتابیس های مختلف و گسترده طراحی کنیم که بهتر از انسان ها در کسری از زمان می تواند اطلاعات مورد نیازمان را استخراج کنند”. چیزی که MENNDL را ویژه می کند، توانایی تعریف پارامترهای بهینه (متغیرهای کلیدی) است که تجزیه و تحلیل یک مجموعه داده گسترده را ممکن می کند.

یانگ در این باره می گوید:”شما همیشه به یک شبکه بزرگ و گسترده نیاز ندارید. گاهی اوقات یک شبکه کوچک با متغیرهای کلیدی مناسب بهتر عمل می کند. ”

منبع: thenextweb

به کانال تلگرام نت نوشت بپیوندید
به صفحه اینستاگرام نت نوشت بپیوندید
برای درج دیدگاه کلیک کنید

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو بالا