به گزارش سیناپرس همدان، با با داشتن داده های بسیار پیچیده، که به دلیل پارامترهای متعددشان ابعاد زیادی دارند، همبستگی های بین آنان اغلب قابل تشخیص نیستند. به خصوص از آنجایی که دادههای بهدستآمده تجربی به دلیل تأثیراتی که نمیتوان کنترل کرد، بهعلاوه آشفته و پر سر و صدا هستند.
اکنون، نرمافزار جدید مبتنی بر روشهای هوش مصنوعی میتواند کمک کند: این یک کلاس خاص از شبکههای عصبی (NN) است که متخصصان آن را شبکه رمزگذار خودکار متغیر جداشده ( β-VAE) مینامند. به زبان ساده، NN اول به فشرده سازی داده ها می پردازد، در حالی که NN دوم متعاقباً داده ها را بازسازی می کند.
دکتر گرگور هارتمن توضیح می دهد: در این فرآیند، دو NN آموزش داده می شوند تا فرم فشرده شده توسط انسان قابل تفسیر باشد. این فیزیکدان و دانشمند داده بر آزمایشگاه مشترک روشهای هوش مصنوعی در HZB نظارت میکند که توسط HZB به همراه دانشگاه کاسل اداره میشود.
Google Deepmind قبلاً پیشنهاد استفاده از β-VAEs را در سال 2017 داده بود. بسیاری از کارشناسان تصور میکردند که کاربرد در دنیای واقعی چالش برانگیز خواهد بود، زیرا جدا کردن اجزای غیرخطی دشوار است.
هارتمن می گوید: پس از چندین سال یادگیری نحوه یادگیری NN ها، سرانجام کار کرد. β-VAE ها قادرند اصل اصلی اساسی را از داده ها بدون دانش قبلی استخراج کنند.در مطالعه ای که اکنون در مجله Scientific Reports منتشر شده است، این گروه از این نرم افزار برای تعیین انرژی فوتون FLASH از طیف فوتوالکترون تک شات استفاده کردند.
ما موفق شدیم این اطلاعات را از دادههای آزمایش زمان پرواز الکترون نویزی استخراج کنیم، و بسیار بهتر از روشهای آنالیز مرسوم این امر به ثمر رسید.
هارتمن میگوید: این روش برای دادههای مختل شده واقعاً خوب است. این برنامه حتی قادر به بازسازی سیگنال های کوچکی است که در داده های خام قابل مشاهده نبودند. چنین شبکه هایی می توانند به کشف اثرات فیزیکی یا همبستگی های غیرمنتظره در مجموعه داده های آزمایشی بزرگ کمک کنند. هارتمن می گوید: فشرده سازی داده های هوشمند مبتنی بر هوش مصنوعی یک ابزار بسیار قدرتمند است، نه تنها در علم فوتون.در مجموع، هارتمن و تیمش سه سال را صرف توسعه نرم افزار کردند. اما الان کم و بیش پلاگین است. امیدواریم به زودی همکاران زیادی با داده هایشان بیایند و بتوانیم از آنها حمایت کنیم.
منبع : phys.org
مترجم: سید سپهر ارومیهء