Périphériques technologiques
IA
L'apprentissage automatique révèle les mystères de l'univers de manière surprenante
L'apprentissage automatique révèle les mystères de l'univers de manière surprenante
Les voyages, l'exploration et l'observation spatiales impliquent souvent une série d'opérations scientifiques et technologiques parmi les plus complexes et les plus dangereuses de l'histoire de l'humanité. Dans ces domaines, l’intelligence artificielle (IA) s’est révélée être un assistant puissant.
C'est pourquoi les astronautes, les scientifiques et autres personnes dont la mission est d'explorer et de documenter la frontière ultime se tournent activement vers l'apprentissage automatique (ML) pour les aider à résoudre les défis extraordinaires auxquels ils sont confrontés.
Du guidage de fusées dans l'espace à l'étude des surfaces de planètes lointaines, en passant par la mesure de la taille de l'univers et le calcul des trajectoires de mouvement des corps célestes, l'IA propose de nombreux scénarios d'application intéressants et passionnants dans l'espace.
Voyage spatial
Pendant le processus de décollage et d'atterrissage d'un vaisseau spatial, l'IA peut automatiser les opérations du moteur et gérer le déploiement réel de fonctions telles que le train d'atterrissage, optimisant ainsi la distribution et l'utilisation du carburant.
SpaceX a utilisé le système pilote d'IA pour parvenir à un fonctionnement autonome de son vaisseau spatial Falcon 9 et s'est amarré avec succès à la Station spatiale internationale (ISS) conformément au contrat de livraison de fret signé avec la NASA. Le système est capable de calculer la trajectoire d'une fusée dans l'espace, en tenant compte de la consommation de carburant, des perturbations atmosphériques et du « ballottement » du liquide à l'intérieur du moteur.
CIMON 2 est un robot conçu par Airbus, équivalent à l'assistant virtuel mobile Amazon Alexa à côté des astronautes. Construit à l'aide du système IBM Watson AI, il utilise un ventilateur interne pour se propulser vers l'avant et peut servir de base de données d'informations mains libres, d'ordinateur et de caméra. Il peut même évaluer l’humeur et l’état d’esprit des astronautes en analysant le niveau de stress de leur voix.
Les planificateurs de mission du Jet Propulsion Laboratory de la NASA utilisent l’IA pour modéliser et évaluer divers paramètres de mission afin de comprendre les résultats potentiels des différentes options et plans d’action. Ces expériences peuvent fournir des informations d’orientation pour les futures opérations de conception et d’ingénierie des engins spatiaux. Les données collectées peuvent également être utilisées pour planifier un certain nombre de futures missions hypothétiques, notamment des atterrissages sur Vénus et Europe, la lune glacée en orbite autour de Jupiter.
SpaceX utilise également des algorithmes d'IA pour garantir que ses satellites Starlink n'entrent pas en collision avec d'autres véhicules en orbite ou en transition dans l'espace. Leur système de navigation autonome peut détecter les dangers à proximité en temps réel et ajuster la vitesse et l'orbite du satellite pour prendre des mesures d'évitement.
L'Agence spatiale britannique a également développé des systèmes autonomes qui permettent à ses vaisseaux spatiaux et à ses satellites d'éviter les débris spatiaux grâce à des actions autonomes. D’ici 2025, l’Agence spatiale britannique prévoit de lancer sur cette base un vaisseau spatial autonome avec pour mission de capturer et de nettoyer les débris spatiaux. S’ils ne sont pas contrôlés de manière proactive, les débris spatiaux constitueront probablement une menace pour les futurs vols spatiaux.
Exploration planétaire
Les rovers martiens sont des robots dédiés à l'exploration de la surface de Mars. Nous pouvons analyser et apprendre des données qu'ils renvoient à la Terre. Grâce aux algorithmes d’apprentissage automatique, ces robots peuvent naviguer de manière autonome sur la surface martienne, évitant les fosses profondes et les parois abruptes qui pourraient endommager ou immobiliser leur matériel. Le rover Spirit précédemment envoyé sur Mars s'est retrouvé bloqué sur place lorsque ses roues se sont coincées dans un sol meuble. La NASA a finalement décidé d'abandonner les opérations de sauvetage et de contact en 2011. Grâce à la technologie d’apprentissage automatique, la NASA a réussi à éviter la perte accidentelle d’un autre rover.
Ces dernières années, le Jet Propulsion Laboratory de la NASA a utilisé des outils de reconnaissance d'images pour étudier les images prises par des robots au sol tels que les rovers martiens et classifier les caractéristiques du terrain. Ils ont même découvert un cratère à la surface de Mars de seulement quatre mètres de diamètre.
Le rover Perseverance est équipé d'un système de vision par ordinateur appelé AEGIS, capable de détecter et de classer différents types de roches trouvées à la surface de Mars, nous permettant d'en apprendre davantage sur la composition géologique de la planète rouge.
Vous pouvez même participer à la formation de l'algorithme d'IA utilisé par le rover martien chez vous. Le projet AI4Mars invite les utilisateurs à télécharger des outils pour améliorer le système de navigation autonome du rover Curiosity en marquant les caractéristiques du terrain sur leurs ordinateurs personnels.
Alors que la plupart des explorations de surface ont jusqu'à présent été réalisées avec des robots à roues, l'Agence spatiale européenne expérimente l'utilisation de robots « sauteurs ». Ces robots peuvent utiliser leurs jambes pour avancer et sauter. Les algorithmes d'IA coordonneront le mouvement et l'équilibre des membres du robot pour explorer des endroits auparavant inaccessibles sur la lune, tels que le plateau d'Aristarque, formé par un énorme cratère sur la lune.
Les gens ont commencé à utiliser l'IA pour détecter la surface lunaire et déterminer les meilleurs sites d'atterrissage pour les futures missions habitées. Cela aide également les astronautes à comprendre pleinement l'environnement dans lequel ils atterriront à l'avenir, et ils n'auront pas à faire face à des risques énormes comme la première génération d'atterrisseurs lunaires comme Armstrong.
Cartographie de l'Univers
Les astronomes utilisent l'IA pour identifier des modèles dans les amas d'étoiles dans des nébuleuses lointaines, combinés avec d'autres caractéristiques classifiées détectées dans l'espace lointain pour cartographier l'univers.
Prenons comme exemple le télescope Kepler de la NASA. Il peut déterminer si une planète passe entre l'étoile et la terre en analysant l'atténuation du rayonnement lumineux émis par l'étoile, puis déterminer l'emplacement possible de la planète.
L'IA est également utilisée pour prédire l'activité des étoiles et des galaxies, nous aidant ainsi à comprendre les emplacements potentiels d'événements cosmiques tels que les explosions de supernova.
En effectuant une analyse chronologique des ondes gravitationnelles générées lorsque ces objets mystérieux entrent en collision avec des étoiles à neutrons, les chercheurs ont détecté l'existence de dizaines de trous noirs.
La technologie de l'IA est également utilisée pour surveiller la Terre et l'univers entier. Le projet Autonomous Sciencecraft Experiment, qui a débuté ses activités en 2004, est connecté au satellite Earth Prediction 1, ce qui lui permet de classer automatiquement les images capturées par les caméras, puis de déterminer quelles images méritent le plus d'être dépensées pour transmettre la précieuse bande passante de retour sur Terre.
Le projet SETI@Home de l'Université de Californie à Berkeley utilise des algorithmes d'IA pour traiter de grandes quantités de données générées par des radiotélescopes, dans l'espoir de rechercher des signes d'intelligence extraterrestre dans l'espace. Bien que le projet ait cessé d'envoyer de nouvelles données aux volontaires pour inspection, il reste encore une grande quantité de données qui n'ont pas été analysées et récupérées, donc la vérité passionnante pourrait résider dans ce matériel !
L’IA a également été utilisée pour créer l’image la plus précise d’un trou noir à ce jour. Roger Penrose, Reinhard Genzel et Andrea Ghez ont remporté le prix Nobel 2020 pour avoir créé des images réalistes du trou noir supermassif au centre de la galaxie M87.
La portée des applications de l’IA va bien au-delà de cela. Les chercheurs espèrent désormais dépasser l’horizon des événements et utiliser la technologie de l’IA pour révéler ce qui se passe à l’intérieur d’un trou noir. Les travaux impliqueront également l'informatique quantique et devraient aider les physiciens à résoudre l'un des problèmes les plus centraux dans ce domaine : unifier la théorie de la relativité générale d'Einstein avec le modèle standard de la physique des particules.
Les gens espèrent même que l’IA pourra aider à mesurer l’univers et à mieux comprendre sa taille et sa forme. En utilisant un superordinateur IA pour étudier les données astronomiques du Japon, nous avons réussi à créer une carte des étoiles simulée qui correspond à l’existence connue de l’univers. Cela signifie que nous pouvons prédire les caractéristiques de l’univers et dépasser les limites actuelles de l’exploration qui sont entravées par la limite de la vitesse de la lumière (c’est-à-dire l’univers observable).
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Cet article vous amènera à comprendre SHAP : explication du modèle pour l'apprentissage automatique
Jun 01, 2024 am 10:58 AM
Dans les domaines de l’apprentissage automatique et de la science des données, l’interprétabilité des modèles a toujours été au centre des préoccupations des chercheurs et des praticiens. Avec l'application généralisée de modèles complexes tels que l'apprentissage profond et les méthodes d'ensemble, la compréhension du processus décisionnel du modèle est devenue particulièrement importante. Explainable AI|XAI contribue à renforcer la confiance dans les modèles d'apprentissage automatique en augmentant la transparence du modèle. L'amélioration de la transparence des modèles peut être obtenue grâce à des méthodes telles que l'utilisation généralisée de plusieurs modèles complexes, ainsi que les processus décisionnels utilisés pour expliquer les modèles. Ces méthodes incluent l'analyse de l'importance des caractéristiques, l'estimation de l'intervalle de prédiction du modèle, les algorithmes d'interprétabilité locale, etc. L'analyse de l'importance des fonctionnalités peut expliquer le processus de prise de décision du modèle en évaluant le degré d'influence du modèle sur les fonctionnalités d'entrée. Estimation de l’intervalle de prédiction du modèle
Identifier le surapprentissage et le sous-apprentissage grâce à des courbes d'apprentissage
Apr 29, 2024 pm 06:50 PM
Cet article présentera comment identifier efficacement le surajustement et le sous-apprentissage dans les modèles d'apprentissage automatique grâce à des courbes d'apprentissage. Sous-ajustement et surajustement 1. Surajustement Si un modèle est surentraîné sur les données de sorte qu'il en tire du bruit, alors on dit que le modèle est en surajustement. Un modèle surajusté apprend chaque exemple si parfaitement qu'il classera mal un exemple inédit/inédit. Pour un modèle surajusté, nous obtiendrons un score d'ensemble d'entraînement parfait/presque parfait et un score d'ensemble/test de validation épouvantable. Légèrement modifié : "Cause du surajustement : utilisez un modèle complexe pour résoudre un problème simple et extraire le bruit des données. Parce qu'un petit ensemble de données en tant qu'ensemble d'entraînement peut ne pas représenter la représentation correcte de toutes les données."
Transparent! Une analyse approfondie des principes des principaux modèles de machine learning !
Apr 12, 2024 pm 05:55 PM
En termes simples, un modèle d’apprentissage automatique est une fonction mathématique qui mappe les données d’entrée à une sortie prédite. Plus précisément, un modèle d'apprentissage automatique est une fonction mathématique qui ajuste les paramètres du modèle en apprenant à partir des données d'entraînement afin de minimiser l'erreur entre la sortie prédite et la véritable étiquette. Il existe de nombreux modèles dans l'apprentissage automatique, tels que les modèles de régression logistique, les modèles d'arbre de décision, les modèles de machines à vecteurs de support, etc. Chaque modèle a ses types de données et ses types de problèmes applicables. Dans le même temps, il existe de nombreux points communs entre les différents modèles, ou il existe une voie cachée pour l’évolution du modèle. En prenant comme exemple le perceptron connexionniste, en augmentant le nombre de couches cachées du perceptron, nous pouvons le transformer en un réseau neuronal profond. Si une fonction noyau est ajoutée au perceptron, elle peut être convertie en SVM. celui-ci
L'évolution de l'intelligence artificielle dans l'exploration spatiale et l'ingénierie des établissements humains
Apr 29, 2024 pm 03:25 PM
Dans les années 1950, l’intelligence artificielle (IA) est née. C’est à ce moment-là que les chercheurs ont découvert que les machines pouvaient effectuer des tâches similaires à celles des humains, comme penser. Plus tard, dans les années 1960, le Département américain de la Défense a financé l’intelligence artificielle et créé des laboratoires pour poursuivre son développement. Les chercheurs trouvent des applications à l’intelligence artificielle dans de nombreux domaines, comme l’exploration spatiale et la survie dans des environnements extrêmes. L'exploration spatiale est l'étude de l'univers, qui couvre l'ensemble de l'univers au-delà de la terre. L’espace est classé comme environnement extrême car ses conditions sont différentes de celles de la Terre. Pour survivre dans l’espace, de nombreux facteurs doivent être pris en compte et des précautions doivent être prises. Les scientifiques et les chercheurs pensent qu'explorer l'espace et comprendre l'état actuel de tout peut aider à comprendre le fonctionnement de l'univers et à se préparer à d'éventuelles crises environnementales.
Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants
Jun 03, 2024 pm 01:25 PM
Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
IA explicable : Expliquer les modèles IA/ML complexes
Jun 03, 2024 pm 10:08 PM
Traducteur | Revu par Li Rui | Chonglou Les modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) deviennent aujourd'hui de plus en plus complexes, et le résultat produit par ces modèles est une boîte noire – impossible à expliquer aux parties prenantes. L'IA explicable (XAI) vise à résoudre ce problème en permettant aux parties prenantes de comprendre comment fonctionnent ces modèles, en s'assurant qu'elles comprennent comment ces modèles prennent réellement des décisions et en garantissant la transparence des systèmes d'IA, la confiance et la responsabilité pour résoudre ce problème. Cet article explore diverses techniques d'intelligence artificielle explicable (XAI) pour illustrer leurs principes sous-jacents. Plusieurs raisons pour lesquelles l’IA explicable est cruciale Confiance et transparence : pour que les systèmes d’IA soient largement acceptés et fiables, les utilisateurs doivent comprendre comment les décisions sont prises
Flash Attention est-il stable ? Meta et Harvard ont constaté que les écarts de poids de leur modèle fluctuaient de plusieurs ordres de grandeur.
May 30, 2024 pm 01:24 PM
MetaFAIR s'est associé à Harvard pour fournir un nouveau cadre de recherche permettant d'optimiser le biais de données généré lors de l'apprentissage automatique à grande échelle. On sait que la formation de grands modèles de langage prend souvent des mois et utilise des centaines, voire des milliers de GPU. En prenant comme exemple le modèle LLaMA270B, sa formation nécessite un total de 1 720 320 heures GPU. La formation de grands modèles présente des défis systémiques uniques en raison de l’ampleur et de la complexité de ces charges de travail. Récemment, de nombreuses institutions ont signalé une instabilité dans le processus de formation lors de la formation des modèles d'IA générative SOTA. Elles apparaissent généralement sous la forme de pics de pertes. Par exemple, le modèle PaLM de Google a connu jusqu'à 20 pics de pertes au cours du processus de formation. Le biais numérique est à l'origine de cette imprécision de la formation,
