เรดาร์ที่เชื่อถือได้ เทคโนโลยีเซ็นเซอร์ AI สำหรับการขับขี่อัตโนมัติ

ภาพจาก  Graz University of Technology (Austria)

ระบบปัญญาประดิษฐ์ (artifical intelligence) หรือ AI สำหรับเซ็นเซอร์เรดาร์ในรถยนต์ที่พัฒนาโดยนักวิจัยจาก Graz University of Technology (TU Graz) ของออสเตรีย จะกรองสัญญาณรบกวนจากเซ็นเซอร์เรดาร์อื่นๆ เพื่อปรับปรุงการตรวจจับวัตถุ

นักวิจัยได้สร้างตัวแบบสถาปัตยกรรมสำหรับกำจัดสัญญาณรบกสนโดยอัตโนมัติ โดยอิงจากโครงข่ายประสาทเทียมแบบคอนโวลูชัน (convolution neural network) หรือ CNN เพื่อให้มีประสิทธิภาพมากขึ้น นักวิจัยได้ฝึกอบรมโครงข่ายประสาทเทียมด้วยข้อมูลที่มีสัญญาณรบกวนจำนวนมาก และค่าผลลัพธ์ที่ต้องการ จากนั้นบีบอัดตัวแบบที่มีประสิทธิภาพมากที่สุดต่อไปโดยลดความกว้างของบิต ส่งผลให้ตัวแบบ AI มีประสิทธิภาพการกรองสูงและใช้พลังงานต่ำ

Franz Pernkopf แห่ง TU Graz กล่าวว่า "เราต้องการทำให้พฤติกรรมของ CNN อธิบายได้ชัดเจนขึ้นอีกเล็กน้อย เราไม่เพียงแต่สนใจในผลลัพธ์ แต่ยังสนใจช่วงของการแปรปรวน ยิ่งมีช่วงความแปรปรวนน้อยเท่าใด เครือข่ายก็ยิ่งมีความแน่นอนมากขึ้นเท่านั้น"

อ่านข่าวเต็มได้ที่: Graz University of Technology (Austria)

เตรียมรับมือกับโรคระบาดครั้งต่อไป

ภาพจาก University of Waterloo News (Canada)

ทีมวิจัยสหวิทยาการที่ GoodLabs Studio และ University of Waterloo ของแคนาดากำลังพัฒนา Syndrome Anomaly Detection System (SADS) เพื่อให้ข้อมูลแบบเรียลไทม์ และขับเคลื่อนด้วยข้อมูลเชิงลึก ซึ่งสามารถช่วยให้เจ้าหน้าที่สาธารณสุขป้องกันการระบาดใหญ่ในอนาคตได้ 

ระบบนี้ใช้การเรียนรู้ของเครื่อง (machine learning) หรือ ML  และปัญญาประดิษฐ์ (artificial intelligence) หรือ AI เพื่อติดตามโรคในวงกว้าง โดยมีเป้าหมายในการระบุรูปแบบของโรคที่ผิดปกติในชุมชนต่างๆ เพื่อให้ดำเนินการได้อย่างรวดเร็ว

SADS ใช้แอปที่ใช้การประมวลผลภาษาธรรมชาติ (natural language processing) หรือ NLP เพื่อบันทึกอาการที่ผู้ป่วยอธิบายในการสนทนากับแพทย์ของตัวเอง การใช้ NLP ภายในแอปปกป้องข้อมูลส่วนบุคคลของผู้ป่วย จากนั้น ML ด้านภาษาเชิงลึก (deep language) จะถูกนำมาใช้เพื่อรวบรวมและจัดหมวดหมู่ข้อมูล เช่น อาการ อายุ เพศ และที่อยู่ เพื่อตรวจจับรูปแบบ SADS ติดตามอาการผิดปกติเมื่อเวลาผ่านไปเพื่อแสดงให้เห็นว่าโรคใหม่สามารถแพร่กระจายในชุมชนได้อย่างไร

อ่านข่าวเต็มได้ที่: University of Waterloo News (Canada)

การทัวร์ฟาร์มแบบ VR ขยายการเข้าถึงการเกษตรในเมือง

ภาพจาก Cornell Chronicle

นักวิจัยจากมหาวิทยาลัยคอร์เนลล์ได้สร้างทัวร์แบบ VR สำหรับ Red Hook Farms ในนครนิวยอร์ก พวกเขาสร้างแบบจำลองเสมือนจริงโดยใช้โดรน และโฟโตแกรมมีทรี (photogrammetry) ผู้ใช้ที่มีชุดหูฟัง VR, คอมพิวเตอร์ หรือโทรศัพท์มือถือ สามารถ "เดิน" รอบฟาร์มและเข้าไปในพื้นที่ที่ผู้จัดการฟาร์มนำเสนอวิดีโอสาธิตและให้คำแนะนำในหัวข้อต่าง ๆ เช่น การเพาะปลูก การทำปุ๋ยหมัก และการกำจัดวัชพืช

Tapan Parikh จาก Cornell กล่าวว่า "เรากำลังมองหาสื่อที่ทำให้เกิดความสุข ที่ผสมผสานระหว่างการได้รับประสบการณ์ และความสามารถในการประชุมผู้คนจากทั่วทั้งรัฐ เราหวังว่านั่นคือสิ่งที่ [VR] มอบให้เรา"

อ่านข่าวเต็มได้ที่: Cornell Chronicle

เครื่องมือ AI ตรวจพบโรคหัวใจที่มักถูกมองข้าม

Photo by National Cancer Institute on Unsplash

นักวิทยาศาสตร์จากสถาบัน Smidt Heart Institute ของ Cedars-Sinai ได้พัฒนาเครื่องมือปัญญาประดิษฐ์ที่สามารถตรวจจับและแยกแยะอาการของโรคหัวใจสองอาการที่มักถูกมองข้าม นักวิจัยใช้อัลกอริธึมนี้ในการวิเคราะห์วิดีโออัลตราซาวนด์หัวใจประมาณ 34, 000 รายการจาก Cedars-Sinai และ Stanford Healthcare และระบุลักษณะที่บ่งชี้ว่าผู้ป่วยบางรายอาจแสดงอาการ hypertrophic cardiomyopathy หรือ  cardiac amyloidosis

David Ouyang จาก Smidt กล่าวว่าอัลกอริธึมตรวจพบผู้ป่วยที่มีความเสี่ยงสูง โดยมีความแม่นยำมากกว่าผู้เชี่ยวชาญทางคลินิก "เนื่องจากอัลกอริธึมรับสัญญาณที่ละเอียดอ่อนในวิดีโออัลตราซาวนด์ที่แยกความแตกต่างระหว่างภาวะหัวใจที่มักจะดูคล้ายกับเงื่อนไขที่ไม่เป็นพิษเป็นภัย หรือเหมือนกับอาการอื่น ๆ ในการตรวจสอบขั้นต้น

อ่านข่าวเต็มได้ที่: Cedars-Sinai

ใช้การเรียนรู้ของเครื่องเพื่อเข้าใจว่าเซลล์สมองทำงานอย่างไร

 

Photo by Markus Winkler on Unsplash

Daifeng Wang แห่ง University of Wisconsin-Madison (UW) และเพื่อนร่วมงานใช้การเรียนรู้ของเครื่อง (machine learning) หรือ ML และปัญญาประดิษฐ์ (artificial intelligence)  หรือ AI เพื่อให้เข้าใจได้ดีขึ้นว่าลักษณะปฏิสัมพันธ์มีอิทธิพลต่อการทำงานของเซลล์สมองอย่างไร 

นักวิจัยได้ใช้การเรียนรู้ที่หลากหลายเพื่อทำนายลักษณะของเซลล์ประสาท โดยจัดแนวการแสดงตัวของยีน และข้อมูลอิเล็กโทรฟิสิกส์ (electrophysiological) สำหรับเซลล์ประสาทประมาณ 3, 000 เซลล์ในสมองของหนู คุณลักษณะของเซลล์ประสาททั้งสองแสดงค่าสูงในกลุ่มเซลล์เดียวกัน แต่มีค่าต่ำในส่วนที่เหลือ และแสดงความสัมพันธ์ซึ่งกันและกันซึ่งอธิบายรูปร่างที่หลากหลาย 

จากนั้นนักวิจัยได้ใช้กลุ่มเซลล์เพื่อเปิดเผยความเชื่อมโยงระหว่างลักษณะทางอิเล็กโทรฟิสิกส์ กับยีนเฉพาะที่ควบคุมการแสดงออกของยีนอื่น ๆ สิ่งนี้ทำให้ทราบถึงการพัฒนาของ deepManReg ซึ่งเป็นรูปแบบการเรียนรู้ที่หลากหลายซึ่งปรับปรุงการทำนายลักษณะของเซลล์ประสาทตามการแสดงออกของยีนและอิเล็กโทรฟิสิกส์  "โดยพื้นฐานแล้ว [เราสามารถศึกษา] ว่ายีนเหล่านั้นถูกควบคุมอย่างไรเพื่อให้ส่งผลต่ออิเล็กโทรฟิสิกส์ หรือพฤติกรรมในเซลล์ที่เป็นโรค" Wang กล่าว

อ่านข่าวเต็มได้ที่: University of Wisconsin-Madison News