


Pembelajaran mesin membuka kunci misteri alam semesta dengan cara yang mengejutkan
Perjalanan angkasa lepas, penerokaan dan pemerhatian selalunya melibatkan satu siri operasi sains dan teknologi yang paling kompleks dan berbahaya dalam sejarah manusia. Dalam bidang ini, kecerdasan buatan (AI) telah membuktikan dirinya sebagai pembantu yang berkuasa.
Oleh sebab itu, angkasawan, saintis dan orang lain yang misinya untuk meneroka dan mendokumentasikan sempadan muktamad secara aktif beralih kepada pembelajaran mesin (ML) untuk membantu menangani cabaran mereka hadapi cabaran yang luar biasa.
Daripada memandu roket melalui ruang angkasa hingga mengkaji permukaan planet yang jauh, kepada mengukur saiz alam semesta dan mengira trajektori gerakan badan angkasa, AI mempunyai banyak senario aplikasi yang menarik dan menarik di angkasa.
Pelayaran Angkasa Lepas
Semasa proses berlepas dan mendarat kapal angkasa, AI boleh mengautomasikan operasi enjin dan menguruskan penggunaan sebenar fungsi seperti gear pendaratan, dengan itu mengoptimumkan pengedaran dan penggunaan bahan api.
SpaceX menggunakan sistem juruterbang AI untuk mencapai operasi autonomi kapal angkasa Falcon 9nya, dan berjaya berlabuh dengan Stesen Angkasa Antarabangsa (ISS) mengikut kontrak penghantaran kargo yang ditandatangani dengan NASA. Sistem ini mampu mengira trajektori roket melalui ruang angkasa, dengan mengambil kira penggunaan bahan api, gangguan atmosfera dan cecair "sloshing" di dalam enjin.
CIMON 2 ialah robot yang direka oleh Airbus, yang setara dengan pembantu maya Amazon Alexa mudah alih di sebelah angkasawan. Dibina menggunakan sistem IBM Watson AI, ia menggunakan kipas dalaman untuk mendorong dirinya ke hadapan dan boleh bertindak sebagai pangkalan data maklumat bebas tangan, komputer dan kamera. Ia juga boleh menilai mood dan keadaan minda angkasawan dengan menganalisis tahap tekanan dalam suara mereka.
Perancang misi di Makmal Pendorong Jet NASA menggunakan AI untuk memodelkan dan menilai pelbagai parameter misi untuk memahami potensi hasil pilihan dan tindakan yang berbeza. Eksperimen ini boleh memberikan maklumat panduan untuk reka bentuk dan operasi kejuruteraan kapal angkasa masa hadapan. Data yang dikumpul juga boleh digunakan untuk perancangan hadapan beberapa misi masa depan hipotesis, termasuk pendaratan di Zuhrah dan Europa, bulan berais yang mengorbit Musytari.
SpaceX juga menggunakan algoritma AI untuk memastikan satelit Starlinknya tidak bertembung dengan kenderaan lain yang mengorbit atau peralihan di angkasa. Sistem navigasi autonomi mereka dapat mengesan bahaya berdekatan dalam masa nyata dan melaraskan kelajuan dan orbit satelit untuk mengambil tindakan mengelak.
Agensi Angkasa UK juga telah membangunkan sistem autonomi yang membolehkan kapal angkasa dan satelitnya mengelakkan serpihan angkasa melalui tindakan autonomi. Menjelang 2025, Agensi Angkasa British merancang untuk melancarkan kapal angkasa autonomi atas dasar ini dengan tugas menangkap dan membersihkan serpihan angkasa lepas. Jika tidak dikawal secara proaktif, serpihan angkasa lepas berkemungkinan akan menimbulkan ancaman kepada penerbangan angkasa lepas.
Penerokaan Planet
Rover Marikh ialah robot yang dikhaskan untuk meneroka permukaan Marikh Kita boleh menganalisis dan belajar daripada data yang dihantar semula ke Bumi. Terima kasih kepada algoritma pembelajaran mesin, robot ini boleh menavigasi secara autonomi di permukaan Marikh, mengelakkan lubang dalam dan dinding curam yang boleh merosakkan atau melumpuhkan perkakasan mereka. Rover Spirit yang sebelum ini dihantar ke Marikh tersangkut di tempat apabila rodanya tersangkut di tanah lembut NASA akhirnya memutuskan untuk berhenti menyelamat dan menghubungi pada tahun 2011. Dengan bantuan teknologi pembelajaran mesin, NASA telah berjaya mengelak kehilangan rover lain secara tidak sengaja.
Dalam beberapa tahun kebelakangan ini, Makmal Pendorong Jet NASA telah menggunakan alat pengecaman imej untuk mengkaji imej yang diambil oleh robot darat seperti rover Marikh dan mengklasifikasikan ciri rupa bumi. Mereka juga menemui kawah di permukaan Marikh yang hanya berdiameter empat meter.
Perseverance rover dilengkapi dengan sistem penglihatan komputer yang dipanggil AEGIS, yang boleh mengesan dan mengklasifikasikan jenis batu yang berbeza yang terdapat di permukaan Marikh, membolehkan kita mengetahui lebih lanjut tentang komposisi geologi planet merah.
Anda juga boleh mengambil bahagian dalam melatih algoritma AI yang digunakan oleh rover Mars di rumah. Projek AI4Mars menjemput pengguna untuk memuat turun alatan untuk menambah baik sistem navigasi autonomi pada rover Curiosity dengan menandakan ciri rupa bumi pada komputer peribadi mereka.
Walaupun kebanyakan penerokaan permukaan setakat ini telah dicapai dengan robot beroda, Agensi Angkasa Eropah sedang bereksperimen dengan robot "melompat". Robot ini boleh menggunakan kaki mereka untuk bergerak ke hadapan dan melompat. Algoritma AI akan menyelaraskan pergerakan dan keseimbangan anggota robot untuk meneroka lokasi yang sebelum ini tidak boleh diakses di bulan, seperti Dataran Tinggi Aristarchus, yang dibentuk oleh kawah besar di bulan.
Orang ramai telah mula menggunakan AI untuk mengesan permukaan bulan dan menentukan tapak pendaratan terbaik untuk misi berawak pada masa hadapan. Ini juga membantu angkasawan memahami sepenuhnya persekitaran di mana mereka akan mendarat pada masa hadapan, dan mereka tidak perlu menghadapi risiko besar seperti generasi pertama pendarat bulan seperti Armstrong.
Memetakan Alam Semesta
Ahli astronomi menggunakan AI untuk mengenal pasti corak dalam gugusan bintang di nebula jauh, digabungkan dengan ciri terperingkat lain yang dikesan di angkasa lepas untuk memetakan alam semesta.
Ambil teleskop Kepler NASA sebagai contoh Ia boleh menentukan kemungkinan lokasi planet dengan menganalisis pengecilan sinaran cahaya yang dipancarkan oleh bintang.
AI juga digunakan untuk meramalkan aktiviti bintang dan galaksi, membantu kita memahami potensi lokasi kejadian kosmik seperti letupan supernova.
Penyelidik telah mengesan kewujudan berpuluh-puluh lubang hitam dengan menganalisis masa gelombang graviti yang dihasilkan apabila objek misteri ini bertembung dengan bintang neutron.
Teknologi AI juga digunakan untuk mengabaikan bumi dan seluruh alam semesta. Projek Autonomous Sciencecraft Experiment, yang mula beroperasi pada tahun 2004, disambungkan ke satelit Earth Prediction 1, membolehkannya mengklasifikasikan imej yang ditangkap oleh kamera secara automatik, dan kemudian menentukan imej yang lebih layak untuk membelanjakan penghantaran lebar jalur yang berharga Kembali ke Bumi.
Projek SETI@Home di University of California, Berkeley, menggunakan algoritma AI untuk memproses sejumlah besar data yang dijana oleh teleskop radio, dengan harapan dapat mencari tanda-tanda kecerdasan luar angkasa di angkasa. Walaupun projek itu telah berhenti menghantar data baharu kepada sukarelawan untuk diperiksa, masih terdapat sejumlah besar data yang belum dianalisis dan diambil, jadi kebenaran yang menarik mungkin terletak pada bahan ini!
AI juga digunakan untuk mencipta imej lohong hitam yang paling tepat setakat ini. Roger Penrose, Reinhard Genzel dan Andrea Ghez memenangi Hadiah Nobel 2020 kerana mencipta imej realistik lubang hitam supermasif di tengah galaksi M87.
Skop aplikasi AI menjangkau jauh daripada ini Penyelidik kini berharap untuk melampaui ufuk peristiwa dan menggunakan teknologi AI untuk mendedahkan perkara yang berlaku di dalam lubang hitam. Kerja ini juga akan melibatkan pengkomputeran kuantum dan dijangka membantu ahli fizik menyelesaikan salah satu masalah paling utama dalam bidang - menyatukan teori umum relativiti Einstein dengan Model Standard fizik zarah.
Orang ramai juga berharap AI boleh membantu mengukur alam semesta dan memahami saiz dan bentuknya dengan lebih baik. Menggunakan superkomputer AI untuk mengkaji data astronomi dari Jepun, kami telah berjaya mencipta peta bintang simulasi yang sepadan dengan kewujudan alam semesta yang diketahui. Ini bermakna kita boleh meramalkan ciri-ciri alam semesta dan bergerak melangkaui sempadan penerokaan semasa yang dihalang oleh kelajuan had cahaya (iaitu, alam semesta yang boleh diperhatikan).
Atas ialah kandungan terperinci Pembelajaran mesin membuka kunci misteri alam semesta dengan cara yang mengejutkan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Dalam bidang pembelajaran mesin dan sains data, kebolehtafsiran model sentiasa menjadi tumpuan penyelidik dan pengamal. Dengan aplikasi meluas model yang kompleks seperti kaedah pembelajaran mendalam dan ensemble, memahami proses membuat keputusan model menjadi sangat penting. AI|XAI yang boleh dijelaskan membantu membina kepercayaan dan keyakinan dalam model pembelajaran mesin dengan meningkatkan ketelusan model. Meningkatkan ketelusan model boleh dicapai melalui kaedah seperti penggunaan meluas pelbagai model yang kompleks, serta proses membuat keputusan yang digunakan untuk menerangkan model. Kaedah ini termasuk analisis kepentingan ciri, anggaran selang ramalan model, algoritma kebolehtafsiran tempatan, dsb. Analisis kepentingan ciri boleh menerangkan proses membuat keputusan model dengan menilai tahap pengaruh model ke atas ciri input. Anggaran selang ramalan model

Artikel ini akan memperkenalkan cara mengenal pasti pemasangan lampau dan kekurangan dalam model pembelajaran mesin secara berkesan melalui keluk pembelajaran. Underfitting dan overfitting 1. Overfitting Jika model terlampau latihan pada data sehingga ia mempelajari bunyi daripadanya, maka model tersebut dikatakan overfitting. Model yang dipasang terlebih dahulu mempelajari setiap contoh dengan sempurna sehingga ia akan salah mengklasifikasikan contoh yang tidak kelihatan/baharu. Untuk model terlampau, kami akan mendapat skor set latihan yang sempurna/hampir sempurna dan set pengesahan/skor ujian yang teruk. Diubah suai sedikit: "Punca overfitting: Gunakan model yang kompleks untuk menyelesaikan masalah mudah dan mengekstrak bunyi daripada data. Kerana set data kecil sebagai set latihan mungkin tidak mewakili perwakilan yang betul bagi semua data. 2. Underfitting Heru

Dalam istilah orang awam, model pembelajaran mesin ialah fungsi matematik yang memetakan data input kepada output yang diramalkan. Secara lebih khusus, model pembelajaran mesin ialah fungsi matematik yang melaraskan parameter model dengan belajar daripada data latihan untuk meminimumkan ralat antara output yang diramalkan dan label sebenar. Terdapat banyak model dalam pembelajaran mesin, seperti model regresi logistik, model pepohon keputusan, model mesin vektor sokongan, dll. Setiap model mempunyai jenis data dan jenis masalah yang berkenaan. Pada masa yang sama, terdapat banyak persamaan antara model yang berbeza, atau terdapat laluan tersembunyi untuk evolusi model. Mengambil perceptron penyambung sebagai contoh, dengan meningkatkan bilangan lapisan tersembunyi perceptron, kita boleh mengubahnya menjadi rangkaian neural yang mendalam. Jika fungsi kernel ditambah pada perceptron, ia boleh ditukar menjadi SVM. yang ini

Pada tahun 1950-an, kecerdasan buatan (AI) dilahirkan. Ketika itulah penyelidik mendapati bahawa mesin boleh melakukan tugas seperti manusia, seperti berfikir. Kemudian, pada tahun 1960-an, Jabatan Pertahanan A.S. membiayai kecerdasan buatan dan menubuhkan makmal untuk pembangunan selanjutnya. Penyelidik sedang mencari aplikasi untuk kecerdasan buatan dalam banyak bidang, seperti penerokaan angkasa lepas dan kelangsungan hidup dalam persekitaran yang melampau. Penerokaan angkasa lepas ialah kajian tentang alam semesta, yang meliputi seluruh alam semesta di luar bumi. Angkasa lepas diklasifikasikan sebagai persekitaran yang melampau kerana keadaannya berbeza daripada di Bumi. Untuk terus hidup di angkasa, banyak faktor mesti dipertimbangkan dan langkah berjaga-jaga mesti diambil. Para saintis dan penyelidik percaya bahawa meneroka ruang dan memahami keadaan semasa segala-galanya boleh membantu memahami cara alam semesta berfungsi dan bersedia untuk menghadapi kemungkinan krisis alam sekitar

Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Penterjemah |. Disemak oleh Li Rui |. Chonglou Model kecerdasan buatan (AI) dan pembelajaran mesin (ML) semakin kompleks hari ini, dan output yang dihasilkan oleh model ini adalah kotak hitam – tidak dapat dijelaskan kepada pihak berkepentingan. AI Boleh Dijelaskan (XAI) bertujuan untuk menyelesaikan masalah ini dengan membolehkan pihak berkepentingan memahami cara model ini berfungsi, memastikan mereka memahami cara model ini sebenarnya membuat keputusan, dan memastikan ketelusan dalam sistem AI, Amanah dan akauntabiliti untuk menyelesaikan masalah ini. Artikel ini meneroka pelbagai teknik kecerdasan buatan (XAI) yang boleh dijelaskan untuk menggambarkan prinsip asasnya. Beberapa sebab mengapa AI boleh dijelaskan adalah penting Kepercayaan dan ketelusan: Untuk sistem AI diterima secara meluas dan dipercayai, pengguna perlu memahami cara keputusan dibuat

MetaFAIR bekerjasama dengan Harvard untuk menyediakan rangka kerja penyelidikan baharu untuk mengoptimumkan bias data yang dijana apabila pembelajaran mesin berskala besar dilakukan. Adalah diketahui bahawa latihan model bahasa besar sering mengambil masa berbulan-bulan dan menggunakan ratusan atau bahkan ribuan GPU. Mengambil model LLaMA270B sebagai contoh, latihannya memerlukan sejumlah 1,720,320 jam GPU. Melatih model besar memberikan cabaran sistemik yang unik disebabkan oleh skala dan kerumitan beban kerja ini. Baru-baru ini, banyak institusi telah melaporkan ketidakstabilan dalam proses latihan apabila melatih model AI generatif SOTA Mereka biasanya muncul dalam bentuk lonjakan kerugian Contohnya, model PaLM Google mengalami sehingga 20 lonjakan kerugian semasa proses latihan. Bias berangka adalah punca ketidaktepatan latihan ini,
