วันจันทร์ที่ 12 ธันวาคม พ.ศ. 2565

มุ่งสู่การตรวจสอบคุณลักษณะของถนนโดยอัตโนมัติโดยใช้การเรียนรู้เชิงลึก

research-road-detection
ภาพจาก Hosei University (Japan)

นักวิจัยในญี่ปุ่นสร้างตัวแบบการเรียนรู้เชิงลึก (deep learning) ที่ใช้แผนที่สามมิติที่มีความแม่นยำสูงเพื่อตรวจจับลักษณะของถนนเป็นข้อมูลการฝึกอบรม

นักวิจัยใช้ซอฟต์แวร์ CloudCompare เพื่อแยกพื้นผิวพื้นดิน จากนั้นสร้างข้อมูลพื้นที่จากแผนที่และแยกส่วนประกอบของจุดต่าง ๆ ที่ระบุว่าเป็นป้ายจราจร สัญญาณไฟจราจร หรือสิ่งอื่น ๆ 

ผู้วิจัยได้ค่าพรีซิชัน (precision) รีคอล (recall) และ เอฟ-เมเชอร์ (F-measure) เป็น 0.84, 0.75, และ 0.79 ตามลำดับ สำหรับป้ายสัญญาณบนถนน เป็น 1.00, 0.75, และ 0.76 สำหรับสัญญาณไฟจราจร ค่าพรีซิชันที่ได้จากงานวิจัยนี้มีค่าสูงกว่าตัวแบบเดิมที่มีอยู่ 

อ่านข่าวเต็มได้ที่: Hosei University (Japan)

วันอาทิตย์ที่ 11 ธันวาคม พ.ศ. 2565

รังสีคอสมิกเปรียบได้กับคริปโทไนต์ของคอมพิวเตอร์ควอนตัม

computer-mainboard
Photo by Manuel on Unsplash

นักวิจัยของ University of Chicago ได้พัฒนาวิธีการลดอัตราความผิดพลาดของคอมพิวเตอร์ควอนตัม (quantum computer) ที่ร้ายแรงซึ่งเกิดจากรังสีคอสมิกจากทุก ๆ 10 วินาทีเป็นทุก ๆ 51 วัน

กลยุทธ์นี้คือการแบ่งคอมพิวเตอร์ควอนตัมออกเป็นชิปข้อมูลหลายตัว โดยแต่ละชิปจะมีตัวนำยิ่งยวด (superconducting) แบบคิวบิต (qubit) หลายตัว ในการตรวจสอบประสิทธิภาพ ชิปข้อมูลจะเชื่อมโยงกับ "ชิป ancilla" ที่มีตัวนำยิ่งยวดแบบคิวบิต 

ชิปข้อมูลใช้การจัดการข้อผิดพลาดแบบดั้งเดิมในการจัดการการผิดพลาดแบบปกติ และใช้การแก้ไขที่เพิ่มเติมเข้ามาเพื่อป้องกันการผิดพลาดที่เกิดจากรังสีคอสมิก 

หลังจากเกิดรังสีคอสมิก ชิป ancilla และชิปข้อมูลที่ไม่ถูกรบกวนจากการโจมตีจะทำงานร่วมกันเพื่อแก้ไขชิปข้อมูลที่ได้รับผลกระทบและกู้คืนข้อมูลของคอมพิวเตอร์ควอนตัม

อ่านข่าวเต็มได้ที่: IEEE Spectrum

วันเสาร์ที่ 10 ธันวาคม พ.ศ. 2565

อะไรคือสิ่งที่ข่าวที่เกี่ยวกับ COVID-19 ที่ AI สร้างบอกเราแต่นักข่าวไม่ได้บอก

News-On-Phone
ภาพจาก McGill University (Canada)

ปัญญาประดิษฐ์ (artificial intelligence) หรือ AI ที่พัฒนาโดยนักวิจัยที่มหาวิทยาลัย McGill ของแคนาดา ระบุอคติในการรายงานข่าวเกี่ยวกับ COVID-19 AI สร้างข่าวโดยจำลองจากพาดหัวข่าวจากบทความของ CBC 

ในการเปรียบเทียบข่าวจำลองกับการรายงานของ CBC จริง นักวิจัยพบว่านักข่าวของ CBC ให้ความสำคัญกับบุคคคลและภูมิรัฐศาสตร์มากกว่า (geo-politics) ในขณะที่ AI สร้างการรายงานที่เน้นเรื่องโรคมากกว่า

Andrew Piper จาก McGill กล่าวว่า "การรายงานเหตุการณ์ในโลกแห่งความเป็นจริงต้องใช้ตัวเลือกที่ซับซ้อน รวมถึงการตัดสินใจว่าเหตุการณ์ใดและตัวเล่นใดจะเป็นจุดสนใจ จากการเปรียบเทียบสิ่งที่ถูกรายงานกับสิ่งที่สามารถรายงานได้ การศึกษาของเราให้มุมมองเกี่ยวกับตัวเลือกด้านบรรณาธิการจากสำนักข่าว"

อ่านข่าวเต็มได้ที่: McGill University (Canada)

วันศุกร์ที่ 9 ธันวาคม พ.ศ. 2565

นักวิทยาศาสตร์ใช้การคำนวณแบบควอนตัมเพื่อสร้างกระจกที่ลดการใช้เครืองปรับอากาศ

university-of-Notre-Dame
The University of Notre Dame ภาพจาก Popular Science

นักวิจัยจาก University of Notre Dame และ Kyung Hee University ของเกาหลีใต้ ใช้การคำนวณแบบควอนตัม (quantum computing) เพื่อสร้างชั้นเคลือบกระจกประหยัดพลังงาน นักวิจัยผสมผสานการคำนวนแบบควอนตัมและการเรียนรู้ของเครื่อง (machine learning) เพื่อค้นหาวัสดุที่ดีที่สุดโยการผสมผสานวัตถุดิบทั้งหมดที่เป็นไปได้เข้าด้วยกัน

ในที่สุดพวกเขาก็ได้สูตรคือการนำชั้นที่หนา 1.5 ไมครอน ที่ประกอบด้วยซิลิกา (silica) อลูมินา (alumina) และไททาเนียมออกไซด์ (titanium oxide)  ใส่ลงบนฐานแก้วที่เคลือบด้วยโพลิเมอร์ของคอนแทคเลนส์ ผลที่ได้คือชั้นทำความเย็นแบบโปร่งใสที่ยอมให้แสงผ่านเข้ามาได้โดยไม่เพิ่มอุณหภูมิภายในอาคารให้สูงขึ้น ลดต้นทุนการทำความเย็นลงได้หนึ่งในสาม

Tengfei Luo แห่ง Notre Dame กล่าวว่า "ฉันคิดว่าการใช้การคำนวณแบบควอนตัมมีความสำคัญพอๆ กับตัววัสดุ"

อ่านข่าวเต็มได้ที่: Popular Science


 

วันพฤหัสบดีที่ 8 ธันวาคม พ.ศ. 2565

AI กระตุ้นให้มีการศึกษาด้านมะเร็งสมองมากที่สุดจนถึงปัจจุบัน

cancer-cell
Photo by National Cancer Institute on Unsplash

นักวิจัยจาก University of Pennsylvania Health System (Penn Medicine) และ Intel เป็นผู้นำโครงการวิจัยการเรียนรู้ของเครื่อง (machine learning) หรือ ML ที่ใหญ่ที่สุดซึ่งรวบรวมข้อมูลจากการสแกนสมองของผู้ป่วยโรคไกลโอบลาสโตมา (glioblastoma) 6,314 รายทั่วโลก

นักวิจัยใช้การเรียนรู้แบบสมาพันธ์ (federated learning) ซึ่งนำอัลกอริทึม ML ไปใช้กับข้อมูล แทนที่จะรวมศูนย์ข้อมูลไว้ที่อัลกอริทึม พวกเขาฝึกอบรมล่วงหน้ากับตัวแบบเบื้องต้นจากข้อมูลที่เปิดเผยต่อสาธารณะ จากการแข่งขันการแบ่งกลุ่มเนื้องอกในสมองระหว่างประเทศ จากนั้นจึงเพิ่มข้อมูลเพื่อสร้างตัวแบบฉันทามติเบื้องต้นที่แม่นยำยิ่งขึ้น

ตัวแบบนี้และข้อมูลที่ป้อนเพิ่มเติมเข้าสู่ตัวแบบฉันทามติขั้นสุดท้าย เพื่อเพิ่มประสิทธิภาพและประเมินความสามารถทั่วไปของข้อมูลที่ไม่เคยเห็นมาก่อน 

"ยิ่งเราสามารถป้อนข้อมูลลงในตัวแบบการเรียนรู้ของเครื่องได้มากเท่าใด ข้อมูลเหล่านี้ก็จะแม่นยำมากขึ้นเท่านั้น ซึ่งจะช่วยเพิ่มความสามารถของเราในการทำความเข้าใจ รักษา และกำจัดมะเร็งเม็ดเลือดขาวในผู้ป่วยได้แม่นยำยิ่งขึ้น" Spyridon Bakas จาก Penn Medicine อธิบาย

อ่านข่าวเต็มได้ที่: Penn Medicine News