Search Results ML

エイントホーフェンとノースウェスタン大学の研究者が、外部のトレーニングを必要としないオンチップ学習が可能な新しいニューロモーフィックバイオセンサーを開発しました

ニューロモーフィックコンピューティングは、人間の脳の構造と機能に触発されています。ニューロモーフィックチップは、物理的な人工ニューロンを使用して計算を行うデバイスです。従来のデジタルプロセッサとは異なり、これらのチップは生物学的にインスパイアされたエネルギー効率の良い方法で人工知能（AI）および機械学習（ML）の活動を行うように設計されています。しかし、ニューロモーフィックコンピュータを外部のトレーニングソフトウェアを使用してトレーニングする必要性により、広範な使用が改善される可能性がありますが、時間がかかりエネルギー効率が低下します。この問題に取り組むために、オランダのアイントホーフェン工科大学とアメリカのノースウェスタン大学の研究者らは、外部のトレーニングを必要としない、チップ上で学習できるニューロモーフィックバイオセンサーを開発しました。彼らが使用したスマートバイオセンサーは、人間の脳でのニューロン間のコミュニケーションの仕方に似た構造を持つニューロモーフィックバイオセンシングコンピュータです。研究者は、スマートバイオセンサーが、コンピュータやソフトウェアを使用せずにシスティック線維症のような疾患を検出することができると述べました。さらに、ニューロモーフィックコンピューティングは、特に病気や状態をチェックするための診療所での使用に大きな影響を与える可能性があると指摘しました。研究者は、新しいチップの効果をシスティック線維症（肺や消化器系などの臓器に損傷を与える遺伝性の状態）に対してテストしました。システィック線維症は、塩化アニオンの高い量が状態を示すという発汗試験で検出することができます。研究者は、実装の容易さのために実際の患者データを使用しなかったと述べました。ただし、彼らは健康なドナーからの発汗サンプルを使用しました。彼らは陰性または健康な一つのドナーの発汗サンプルを使用し、塩化アニオンの非常に高い量を含む第二のサンプルを準備しました。研究者は、さまざまな既知のイオン濃度を持つ複数の発汗サンプルを調査し、それらのサンプルをチップ上でテストしました。テストの結果が誤っていた場合、彼らはチップを修正しました。バイオセンサーは、センサーモジュール、ハードウェアニューラルネットワーク、および出力分類部の3つの主要なパーツから構成されています。モジュール式のバイオセンサーは、ハードウェアニューラルネットワークのシナプスの重みと出力分類層を形成する有機ニューロモーフィックデバイスの統合アレイです。イオン選択電極は、発汗の一滴がセンサーモジュールに適用された後、塩化物および他のイオンの量を測定します。ニューロモーフィックチップはこれらのインパルスを処理し、分析結果は、成功または失敗の結果を示す緑色または赤色の光として表示されます。このチップ上での学習手法により、エンドユーザーが自分のデータを使用して直接トレーニングできる個別化可能な埋め込み型ニューラルネットワークの可能性が実現されます。このような方法は、人々に大きな影響を与える可能性を秘めています。最終的には、チップを実時間で義肢などのデバイスを操作するようにトレーニングすることができるかもしれません。従来の方法とは異なり、これらのチップは仕事と環境に学習し適応する能力があり、事前プログラミングの必要性を排除しています。

「VirtuSwapがAmazon SageMaker StudioのカスタムコンテナとAWS GPUインスタンスを使用して、Pandasベースの取引シミュレーションを加速する方法」

「この投稿は、VirtuSwapのディマ・ザドロジニーとフアド・ババエフとの共同執筆ですVirtuSwapは、ブロックチェーン上の資産の非中央集権型取引のための革新的なテクノロジーを開発しているスタートアップ企業ですVirtuSwapのテクノロジーは、直接のペアが存在しない資産のより効率的な取引を提供します直接のペアの不在により、コストのかかる間接的な取引が生じます...」

AWSにおける生成AIとマルチモーダルエージェント：金融市場における新たな価値を開拓するための鍵

マルチモーダルデータは、市場、経済、顧客、ニュースおよびソーシャルメディア、リスクデータを含む、金融業界の貴重な要素です金融機関はこのデータを生成し、収集し、利用して、金融業務の洞察を得たり、より良い意思決定を行ったり、パフォーマンスを向上させたりしますしかし、マルチモーダルデータには複雑さと不足に起因する課題があります

「アメリカのトップ10のデータサイエンススタートアップ企業」

データサイエンスは有望な分野として浮上しています。人間社会を革新する能力の理論的な予測を超えて、数多くのスタートアップがその莫大な潜在能力を示すために進出してきました。この記事では、アメリカのトップデータサイエンスのスタートアップを紹介しています。アメリカのトップデータサイエンスのスタートアップスタートアップ名資金調達額年数検索の成長 Logz.Io $121.9M (シリーズE) 9 ピーク Featurespace $107.9M (助成金) 15 ピーク Zencity $51.2M (シリーズ未定) 8 急増 ComplyAdvantage $108.2M (シリーズC)…

疾病の原因を特定するための遺伝子変異のカタログ

私たちは、研究者がそれらがどのような影響を持つかについてさらに学ぶことができる「ミスセンス」変異のカタログを公開しましたミスセンス変異は、ヒトのタンパク質の機能に影響を与える遺伝子変異です一部の場合、システィックフィブローシス、鎌状赤血球貧血症、またはがんなどの疾患を引き起こすことがありますAlphaMissenseカタログは、ミスセンス変異を分類する私たちの新しいAIモデルであるAlphaMissenseを使用して開発されました

research

データサイエンスによる在庫最適化：Pythonによるハンズオンチュートリアル

在庫最適化は、トリッキーなパズルを解くようなものです広範な問題として、さまざまなドメインで発生しますそれは、店舗のためにどのくらいの商品を注文するかを理解することです自転車を考えてみてください...

このAIニュースレターは、あなたが必要とするすべてです＃65

今週のAIでは、AI規制に関する進展がありましたエロン・マスクやマーク・ザッカーバーグなどのテックリーダーが60人以上の上院議員とAIについて話し合いましたが、彼らは皆同意しました-

「見えないものを拡大する：この人工知能AIの手法は、3Dで微妙な動きを可視化するためにNeRFを使用します」

私たちは、身体の微妙な動きから地球の大規模な動きまで、動きに満ちた世界に生きています。しかし、これらの動きの多くは肉眼では見えないほど小さいものです。コンピュータビジョンの技術を使用して、これらの微妙な動きを抽出し、拡大することで、より見やすく理解しやすくすることができます。最近、ニューラル放射フィールド（NeRF）が3Dシーンの再構築とレンダリングにおける強力なツールとして登場しました。 NeRFは、画像のコレクションから3Dシーンの外観を表現するために訓練することができ、その後、任意の視点からシーンをレンダリングするために使用することができます。 NeRFは、画像のコレクションから3Dシーンの外観を表現します。 NeRFは、3Dポイントから対応する色と輝度へのマッピング関数を学習することによって動作します。この関数は、任意の視点からシーンをレンダリングするために使用することができます。これらのモデルは、複雑な3Dシーンの外観を非常に効果的に表現することが示されています。これらは、物体、シーン、さらには人物のリアルな3Dモデルをレンダリングするために使用されています。 NeRFは、仮想現実、拡張現実、コンピュータグラフィックスの新しいアプリケーションの開発にも使用されています。 3Dシーンの微妙な動きを拡大するためにNeRFの力を利用したらどうでしょうか？これは簡単な課題ではありません。いくつかの課題が存在します。最初の課題は、微妙な動きを持つシーンの画像のセットを収集することです。これは困難な課題であり、動きは肉眼では感じられないほど小さくなければなりませんが、カメラでキャプチャするには十分に大きくなければなりません。 2番目の課題は、収集した画像からシーンの外観を表現するためにNeRFを訓練することです。これは難しい課題であり、NeRFはシーンの微妙な時間的変動を学習できる必要があります。 3番目の課題は、NeRFのポイント埋め込みにオイラー運動解析を行うことです。これは計算量の多いタスクであり、高次元空間での時間的変動を分析する必要があります。それでは、これらの課題に賢明に対処する3Dモーションマグニフィケーションについて見てみましょう。 3Dモーションマグニフィケーション。出典：https://arxiv.org/pdf/2308.03757.pdf 3Dモーションマグニフィケーションは、NeRFの力を利用するAIの手法です。 NeRFを使用して、微妙な時間的変動を持つシーンを表現します。 NeRFのレンダリングの上に、オイラー運動解析が適用され、NeRFのポイント埋め込みの時間的変動が増幅されます。これにより、以前は見えなかった微妙な動きが拡大された3Dシーンが表示されます。この手法にはいくつかの重要なステップがあります。最初のステップはデータ収集とNeRFの訓練です。微妙な動きを持つシーンの画像のセットを収集することから始まります。画像は異なる視点から、さまざまな時間ステップでキャプチャする必要があります。そして、これらの収集した画像を使用して、収集した画像からシーンの外観を表現するために使用するNeRFモデルを訓練します。これは、レンダリングされた画像と正解の画像との間の差を測定する損失関数を最小化するために訓練されます。提案手法の概要。出典：https://arxiv.org/pdf/2308.03757.pdf NeRFモデルが準備できたら、次のステップはオイラー運動解析を行うことです。NeRFのポイント埋め込みの時間変動は、オイラー運動解析を使用して増幅されます。これは流体や固体の運動を解析するための数学的なフレームワークです。NeRFのポイント埋め込みなど、任意の時間変動するフィールドの時間変動を抽出するために使用することができます。これらの増幅された時間変動は、シーン内の動きを拡大するために使用されます。これは、増幅されたポイント埋め込みを使用してNeRFからシーンをレンダリングすることによって行われます。

「医療AIの基礎モデル」

「私たちはPLIPという医療AIの基盤モデルを説明しますPLIPは病理学のAIタスクをサポートするために構築されたビジョン言語モデルです」

「AIにおけるプロダクションシステムとは何ですか？例、動作方法、その他」

AIプロダクションシステムは意思決定の基盤です。これらのシステムは、製造ルールによって複雑なタスクを自動化し、データを効率的に処理して洞察を生成します。これらは、グローバルデータベース、製造ルール、制御システムから構成される知識集約型のプロセスを容易にする役割を果たします。その主な特徴は、シンプルさ、モジュラリティ、適応性、修正可能性です。AIプロダクションシステムは、前方推論や後方推論などの制御戦略に基づいて、その特性に応じてさまざまなタイプに分類されます。AIにおけるプロダクションシステムの理解は、AIの潜在能力を活用し、機械学習と統合し、展開時の倫理的な考慮事項に対処するために重要です。プロダクションシステムの構成要素 AIプロダクションシステムの構成要素は、次の3つの要素から成り立ちます：グローバルデータベース：グローバルデータベースはシステムのメモリとして機能し、操作に関連する事実、データ、知識を格納します。これは製造ルールが情報を参照して適切な意思決定を行い、結論を導くためのリポジトリです。製造ルール：製造ルールはシステムの中核となる論理を形成します。これらは、意思決定を行う際にシステムが従うためのガイドラインのセットです。これらの規則は、さまざまな入力や状況に対するシステムの反応を定義します。制御システム：制御システムは製造ルールの実行を管理します。ルールが適用される順序を決定し、効率的な処理とシステムのパフォーマンスの最適化を確保します。 AIにおけるプロダクションシステムの特徴 AIプロダクションシステムは、自動化された意思決定や問題解決のための多様で強力なツールとなるいくつかの重要な特徴を備えています：シンプリシティ：プロダクションシステムは、ルールのエンコードと実行を簡単に行う方法を提供します。これにより、開発者やドメインの専門家にとってアクセスしやすくなります。モジュラリティ：これらのシステムはモジュール化されたコンポーネントから構成されており、ルールの追加、削除、または変更を行うことなくシステム全体に影響を与えずに行うことができます。このモジュラリティは柔軟性とメンテナンスの容易さを向上させます。修正可能性： AIプロダクションシステムは非常に適応性があります。ルールは広範囲の再設計なしで更新や置換ができるため、システムが最新の要件に合わせて調整され、進化し続けることができます。知識集約型：これらのシステムは知識豊富なタスクの処理に優れています。包括的なグローバルデータベースに依存しています。適応性： AIプロダクションシステムは新しいデータやシナリオに動的に適応することができます。この適応性により、システムを持続的に改善することができます。 AIにおけるプロダクションシステムの分類 AIプロダクションシステムは、次の4つの一般的な分類に分類されます：単調プロダクションシステム：…

Learn more about Search Results ML - Page 264