کوچکترین بازوی رباتیکی که می توانید تصور کنید توسط هوش مصنوعی کنترل می شود.
محققان از یادگیری تقویتی عمیق برای هدایت اتم ها به شکل شبکه ای با هدف ساخت مواد جدید یا نانووسایل استفاده کردند.
در یک محفظه خلاء بسیار سرد، تک اتم های نقره شبکه ای ستاره مانند را تشکیل می دهند. شکل گیری دقیق تصادفی نیست و مستقیماً توسط دست انسان نیز ساخته نشده است. محققان از نوعی هوش مصنوعی به نام یادگیری تقویت عمیق استفاده کردند تا اتم ها را که هر کدام کسری از نانومتر اندازه دارند، به شکل شبکه هدایت کنند. این فرآیند شبیه به حرکت دادن تیله ها در اطراف یک تخته چکرز چینی است، اما با موچین های بسیار ریزی که هر اتم را در جای خود گرفته و می کشد.
“ایجو چین ” محقق فوق دکترا می گوید: کاربرد اصلی برای یادگیری تقویتی عمیق در رباتیک است.
او توضیح میدهد: “ما همچنین در حال ساخت بازوهای رباتیک با یادگیری عمیق، اما برای حرکت اتمها هستیم. یادگیری تقویتی در مواردی مانند بازی شطرنج یا بازی های ویدئویی موفقیت آمیز است، اما ما از آن برای حل مشکلات فنی در مقیاس نانو استفاده کرده ایم.”
ساخت دستگاههای بسیار کوچک بر اساس اتمهای منفرد برای نانودستگاههایی مانند ترانزیستور یا حافظه مهم است. چن میگوید آزمایش چگونگی و اینکه آیا این دستگاهها در حد مطلق خود کار میکنند، یکی از کاربردهای این نوع دستکاری اتمی است. ساختن مواد جدید اتم به اتم، به جای تکنیکهای شیمیایی سنتی، ممکن است ویژگیهای جالب مربوط به ابررسانایی یا حالتهای کوانتومی را نشان دهد.
شبکه ستاره نقره ای ساخته شده توسط چن و همکارانش در مرکز فنلاند برای هوش مصنوعی FCAI و دانشگاه آلتو، نمایشی است از آنچه یادگیری تقویتی عمیق می تواند به دست آورد.
چن میگوید: «حرکت دقیق اتمها حتی برای متخصصان انسانی سخت است. ما یادگیری تقویتی عمیق موجود را برای این منظور تطبیق دادیم. یادگیری الگوریتم یک روز و سپس ساخت شبکه حدود یک ساعت طول کشید. بخش تقویتی این نوع یادگیری عمیق به نحوه هدایت هوش مصنوعی از طریق پاداش برای اقدامات یا خروجی های صحیح اشاره دارد. “به آن هدف بدهید و آن را انجام خواهد داد. میتواند مشکلاتی را که انسانها نمیدانند چگونه حل کنند، حل کند.»
استفاده از این رویکرد برای دنیای مواد نانو جدید است. چن میگوید، با یادگیری ماشینی حوزه فناورینانو میتواند قدرتمندتر شوند، زیرا میتواند انتخاب پارامتر و آزمایش و خطا را که معمولاً توسط شخص انجام میشود تسریع کند. چن نتیجه میگیرد: «ما نشان دادیم که این کار میتواند کاملاً از طریق یادگیری ماشینی انجام شود.»
محققان از یادگیری تقویتی عمیق برای هدایت اتم ها به شکل شبکه ای با هدف ساخت مواد جدید یا نانووسایل استفاده کردند.
در یک محفظه خلاء بسیار سرد، تک اتم های نقره شبکه ای ستاره مانند را تشکیل می دهند. شکل گیری دقیق تصادفی نیست و مستقیماً توسط دست انسان نیز ساخته نشده است. محققان از نوعی هوش مصنوعی به نام یادگیری تقویت عمیق استفاده کردند تا اتم ها را که هر کدام کسری از نانومتر اندازه دارند، به شکل شبکه هدایت کنند. این فرآیند شبیه به حرکت دادن تیله ها در اطراف یک تخته چکرز چینی است، اما با موچین های بسیار ریزی که هر اتم را در جای خود گرفته و می کشد.
“ایجو چین ” محقق فوق دکترا می گوید: کاربرد اصلی برای یادگیری تقویتی عمیق در رباتیک است.
او توضیح میدهد: “ما همچنین در حال ساخت بازوهای رباتیک با یادگیری عمیق، اما برای حرکت اتمها هستیم. یادگیری تقویتی در مواردی مانند بازی شطرنج یا بازی های ویدئویی موفقیت آمیز است، اما ما از آن برای حل مشکلات فنی در مقیاس نانو استفاده کرده ایم.”
ساخت دستگاههای بسیار کوچک بر اساس اتمهای منفرد برای نانودستگاههایی مانند ترانزیستور یا حافظه مهم است. چن میگوید آزمایش چگونگی و اینکه آیا این دستگاهها در حد مطلق خود کار میکنند، یکی از کاربردهای این نوع دستکاری اتمی است. ساختن مواد جدید اتم به اتم، به جای تکنیکهای شیمیایی سنتی، ممکن است ویژگیهای جالب مربوط به ابررسانایی یا حالتهای کوانتومی را نشان دهد.
شبکه ستاره نقره ای ساخته شده توسط چن و همکارانش در مرکز فنلاند برای هوش مصنوعی FCAI و دانشگاه آلتو، نمایشی است از آنچه یادگیری تقویتی عمیق می تواند به دست آورد.
چن میگوید: «حرکت دقیق اتمها حتی برای متخصصان انسانی سخت است. ما یادگیری تقویتی عمیق موجود را برای این منظور تطبیق دادیم. یادگیری الگوریتم یک روز و سپس ساخت شبکه حدود یک ساعت طول کشید. بخش تقویتی این نوع یادگیری عمیق به نحوه هدایت هوش مصنوعی از طریق پاداش برای اقدامات یا خروجی های صحیح اشاره دارد. “به آن هدف بدهید و آن را انجام خواهد داد. میتواند مشکلاتی را که انسانها نمیدانند چگونه حل کنند، حل کند.»
استفاده از این رویکرد برای دنیای مواد نانو جدید است. چن میگوید، با یادگیری ماشینی حوزه فناورینانو میتواند قدرتمندتر شوند، زیرا میتواند انتخاب پارامتر و آزمایش و خطا را که معمولاً توسط شخص انجام میشود تسریع کند. چن نتیجه میگیرد: «ما نشان دادیم که این کار میتواند کاملاً از طریق یادگیری ماشینی انجام شود.»
کد خبر ۲۱۵۰۱۰۹۲۹.۵۹۶
