سايت تبليغات علفو پلاس

فيزيكدانان توسط سيستم‌هايي كه از موادي تشكيل شده‌اند كه فقط يك يا چند لايه اتم ضخامت دارند، پرچ شده‌اند. هنگامي كه چند ورق از اين مواد دو بعدي در كنار هم قرار مي گيرند، مي توان يك الگوي هندسي به نام الگوي موآر تشكيل داد. در اين به اصطلاح سيستم‌هاي موآر، پديده‌هاي جديد و عجيبي مي‌توانند رخ دهند، از جمله ابررسانايي و مغناطيس غير متعارف. در نتيجه، درك بهتر آنچه كه در رابط بين هر صفحه اتفاق مي افتد و باعث ايجاد اين پديده ها مي شود، مي تواند منجر به كاربردهاي هولناك در الكترونيك جديد و موارد ديگر شود.

اكنون يك تيم بين‌المللي از دانشمندان به رهبري فيزيكدانان MIT ابزار جديد قدرتمندي را براي كمي كردن - و كنترل - يك پارامتر كليدي در سيستم‌هاي موآر گزارش مي‌كنند. اين شامل اعمال فشار شديد بر روي يك سيستم موآر در حالي كه نور از طريق آن مي تابد، سپس آناليز اثرات با طيف سنجي رامان، يك تكنيك آزمايشگاهي رايج است. به همان اندازه براي كار، يك مدل نظري مهم است كه چارچوبي براي درك داده هاي تجربي فراهم مي كند.

اين كار در 15 ژوئن شماره آنلاين Nature Nanotechnology گزارش شده است .

ريكاردو كامين، سرپرست تيم تحقيق، مي‌گويد: «تكنيكي كه ما براي كاوش اين سيستم‌هاي موآر توسعه داديم، از نظر روش‌شناسي مشابه روش‌هاي كريستالوگرافي اشعه ايكس روي پروتئين‌ها است كه به زيست‌شناسان اجازه مي‌دهد تا بدانند اتم‌ها در كجاي پروتئين قرار دارند و پروتئين چگونه كار مي‌كند». كلاس 1947 توسعه شغلي استاديار فيزيك در MIT.

پارامتري كه اكنون تيم مي‌تواند اندازه‌گيري كند، به نام پتانسيل موآر (Moiré) شناخته مي‌شود، «به ما مي‌گويد كه چه فيزيك را مي‌توان در يك پشته خاصي از مواد دو بعدي درك كرد. اين يكي از مهم‌ترين اطلاعاتي است كه ما براي پيش‌بيني اينكه آيا يك ماده خاص فيزيك عجيب و غريبي را نشان مي‌دهد يا خير، به آن نياز داريم.»

به همان اندازه مهم، اين تكنيك همچنين به تيم اجازه مي‌دهد تا پتانسيل موآر را براي دستيابي به پديده‌هاي عجيب و غريب مختلف «كوك» يا كنترل كند.

نظرات متيو يانكوويتز، استاديار فيزيك در دانشگاه واشنگتن كه در اين كار نقشي نداشت: «فشار اخيراً به عنوان يك تكنيك اميدواركننده براي تنظيم خواص اين مواد [موآر] ظاهر شده است، زيرا مستقيماً استحكام موآر را تغيير مي‌دهد. پتانسيل. با مطالعه خواص نوري يك لايه دولايه نيمه هادي موآر تحت فشار، اين تيم ابزار جديدي را براي كاوش و دستكاري اثرات ابرشبكه موآر كشف كرده است. اين كار پايه و اساس پيشرفت‌هاي بيشتر در درك و كنترل ما از حالات همبستگي شديد ماده در سيستم‌هاي نيمه‌رساناي موآر را ايجاد مي‌كند.

اين كار نتيجه همكاري بين محققان MIT، Universidad Nacional Autónoma de México (UNAM) و سه دانشگاه فدرال در برزيل است: Universidade Federal de Minas Gerais (UFMG)، Universidade Federal de Ouro Preto (UFOP) و Universidade Federal. فلوميننس (UFF).  

علاوه بر Comin، نويسندگان مقاله Nature Nanotechnology از MIT، دكتر Luiz G. Pimenta Martins، دكتراي سال 22، اولين نويسنده اين اثر هستند كه اكنون فوق دكتراي دانشگاه هاروارد است. Connor A. Occhialini و Qian Song، دانشجويان فارغ التحصيل در رشته فيزيك. جي هون پارك، دانشمند محقق در گروه مهندسي برق و علوم كامپيوتر (EECS)؛ آنگ يو لو، دانشجوي كارشناسي ارشد در EECS. و جينگ كنگ، استاد EECS. ديويد آ. روئيز-تيجرينا، نويسنده اول اين اثر، از UNAM است. پدرو ونزوئلا از UFF است. Luiz G. Cancado و Mario SC Mazzoni از UFMG هستند. و Matheus JS Matos از UFOP است.

فشار شديد، نمونه هاي كوچك

مجموعه آزمايشي كه اين تيم براي اعمال فشار شديد به يك ماده موآر، كه در اين مورد از دو ورقه بسيار نازك از يك دي‌كالكوژنيد فلز واسطه تشكيل شده است، ايجاد كرد، شامل فشرده‌سازي ماده بين دو نوك الماس است. ابعاد راه اندازي و نمونه فوق العاده كوچك است. به عنوان مثال، قطر محفظه اي كه در آن اين اتفاق مي افتد شبيه به عرض يك موي انسان است. مارتينز، رهبر كار براي توسعه اين تنظيمات مي‌گويد: «و ما بايد نمونه دو بعدي خود را دقيقاً در داخل آن قرار دهيم، بنابراين كمي مشكل است.

اين ابعاد براي ايجاد فشار شديدي كه بر روي نمونه اعمال مي‌شود، لازم است، كه مشابه فشاري است كه برج ايفل در بالاي يك كاغذ يك اينچي مربعي اعمال مي‌كند. قياس ديگر: فشار حدود 50000 برابر فشار هواي اطراف ما است.

آزمايش ها و نظريه ها

سپس تيم، نور را به نمونه تاباند و نور ساطع شده را جمع آوري كرد. مارتينز مي‌گويد: «نور مقداري انرژي در داخل ماده باقي مي‌گذارد و اين انرژي مي‌تواند با چيزهاي مختلفي مرتبط باشد. در اين مورد، تيم روي انرژي به شكل ارتعاشات متمركز شد. او ادامه مي‌دهد: «با اندازه‌گيري تفاوت بين انرژي فوتون‌ها [ذرات نور] كه وارد و خارج مي‌شوند، مي‌توانيم انرژي ارتعاشات ايجاد شده در ماده را بررسي كنيم.

شدت نوري كه از مواد مرتبط با آن ارتعاشات خارج مي شود، به نوبه خود نشان مي دهد كه الكترون هاي يك صفحه نازك اتمي با چه شدتي با الكترون هاي ديگري در ارتباط هستند. هرچه اين تعاملات قوي تر باشد، احتمال وقوع پديده هاي عجيب و غريب بيشتر است. Comin مي گويد: «پتانسيل moiré اساساً قدرت جفت شدن بين لايه هاي دو بعدي است.

مارتينز مي‌گويد: «با مقايسه افزايش تجربي شدت نور خروجي مرتبط با اين ارتعاشات، در مقابل محاسبات مدل نظري‌مان، توانستيم قدرت پتانسيل موآر و تكامل آن را با فشار به دست آوريم.»

مدل نظري كه توسط رويز-تيجرينا توسعه يافته است، به خودي خود بسيار پيچيده است. Comin مي‌گويد: «اين يك مدل پيچيده است زيرا شامل اتم‌ها، شامل الكترون‌ها و به اصطلاح يك مدل ابر سلولي بزرگ است. اين بدان معناست كه شما فقط يك كميت را مدل نمي كنيد، مانند يك اتم با الكترون هايش، بلكه مجموعه بزرگي از آنها را مدل مي كنيد. اين واقعاً به پويايي اتم‌ها نگاه مي‌كند، در حالي كه آنها هنوز با الكترون‌هاي اطراف خود برهم‌كنش دارند.»

روئيز-تيجرينا نتيجه مي گيرد: "وقتي آزمايش آنچه را كه شما پيش بيني كرده ايد نشان مي دهد، يا زماني كه مدل شما مي تواند آن چيزي را كه آزمايش ها مي سنجند بازتوليد كند، اين احساسي است كه شبيه هيچ چيز ديگري نيست."

اين كار توسط دفتر تحقيقات ارتش ايالات متحده پشتيباني شد. بنياد ملي علوم ايالات متحده؛

زماني كه سيندي هرديا برنامه MBA را انتخاب مي كرد، مي دانست كه مي خواهد در خط مقدم صنعت رانندگي خودران باشد. او در حين انجام تحقيقات، متوجه شد كه MIT يك پيشنهاد منحصر به فرد دارد: يك تيم بدون راننده توسط دانشجويان. Heredia براي پيوستن به اين تيم به MIT درخواست داد، به اين اميد كه تجربه عملي كسب كند.

هرديا مي‌گويد: «اميد من اين است كه بتوانيم راه‌هايي براي استفاده از ابزارها و فن‌آوري‌ها، مانند وسايل نقليه خودكار و اشتراك‌گذاري، و استفاده از انواع حالت‌هاي موجود براي خدمت به جمعيت‌هاي آسيب‌پذيري كه به‌طور سنتي از گزينه‌هاي موجود استفاده نمي‌كردند، بيابيم». .

هرديا در 8 سالگي غرق در ماشين‌ها شد و راديو ماشين را تعمير مي‌كرد تا به خانواده‌اش كمك كند. هرديا كه در محله كم درآمد لاردو، تگزاس بزرگ شد، تحرك را به عنوان يك منبع ضروري براي دسترسي بيشتر به شغل، تحصيل و فرصت در اوايل زندگي درك كرد. تنها خودروي خانواده‌اش دائماً براي كار استفاده مي‌شد و برآوردن نيازهاي ضروري مانند رفتن به پزشك را براي آنها دشوار مي‌كرد. وقتي بزرگتر شد، ديد كه دوستانش به دليل سفرهاي طولاني اتوبوس كه ساعت ها طول مي كشد، نمي توانند از فرصت هاي شغلي استفاده كنند.

پذيرفته شدن در MIT و پيوستن به تيم Driverless اولين قدم او براي ترميم نابرابري ها در حمل و نقل بود. تحت نظارت مركز MIT Edgerton ، MIT Driverless نرم افزار هوش مصنوعي خود را براي مسابقه در مسابقات رانندگي خودمختار توسعه مي دهد. Driverless با استفاده از استعدادها و منابع، با دانشگاه پيتسبورگ، موسسه فناوري روچستر (RIT) و دانشگاه واترلو، كانادا همكاري كرد تا MIT-PITT-RW را تشكيل دهد و در چالش خودمختار ايندي رقابت كند.

در زمستان 2021، هرديا كاپيتان تيم شد. اين هميشه آسان نبوده است. در چالش ايندي خودمختار در ماه نوامبر، MIT-PITT-RW تنها تيم كاملاً دانشجويي از بين نه تيم بود. هرديا مي‌گويد: «نه‌هاي زيادي بوده است كه تيم ما دريافت كرده است». به ما گفته شده است كه يك تيم تحت رهبري دانش‌آموزان حتي نبايد در جدول حضور داشته باشد. ما دو روز قبل از مسابقه يك تصادف ويرانگر را پشت سر گذاشتيم (كه خوشبختانه از آن برگشتيم!). ما رفتن هم تيمي ها را ديده ايم. اتفاقاتي در زندگي شخصي ما افتاده است. اما ما هميشه توانسته ايم همه چيز را پشت سر بگذاريم و قوي ظاهر شويم. هيچ چيز ما را پايين نياورده است.»

توسعه الگوريتم‌هاي تصميم‌گيري قابل اعتماد به دليل احتمال تفسير نادرست داده‌هاي حسگر، كه مي‌تواند منجر به برخورد شود، يك چالش است. علاوه بر اين، هنگام سفر با سرعت بيش از 150 مايل در ساعت، تقاضا براي تصميم‌گيري سريع تشديد مي‌شود و تيم‌ها را وادار مي‌كند تا به طور مداوم پشته فناوري خود را ارتقا دهند. تيم‌هايي مانند MIT-PITT-RW با آزمايش الگوريتم‌هاي جديد در سرعت‌هايي كه براي جاده‌هاي معمولي بسيار خطرناك تلقي مي‌شوند، مرزها را در پيش مي‌گيرند و پيشرفت‌هايي را در سراسر ميدان ايجاد مي‌كنند.

علي‌رغم اين چالش‌ها، در ژانويه MIT-PITT-RW به ركورد سرعت جديد 152 مايل در ساعت در طول آزمايش‌هاي زمان (در رقابت براي سريع‌ترين زمان دور) در چالش ايندي خودمختار دست يافت و براي اولين بار در رقابت كلي در جايگاه چهارم قرار گرفت. آنها همچنين در حين عبور از خودروي ديگري به يك ركورد ديگر تيمي 154 مايل در ساعت دست يافتند. رقابت بعدي تيم بدون راننده آنها را به پيست تاريخي مونزا در ايتاليا به عنوان بخشي از نمايشگاه اتومبيل مونزا ميلان از 16 تا 18 ژوئن مي آورد.

اكنون كه هرديا براي فارغ‌التحصيل شدن در MBA خود آماده مي‌شود، به رهبري تيم فكر مي‌كند و بر اهميت ايجاد اعتماد بين اعضاي تيم تأكيد مي‌كند: «اين تا حد زيادي يك نقش مردمي است. شما بايد بتوانيد با انواع مختلف شخصيت ها كار كنيد. درك اينكه چگونه تيم خود را مديريت كنيد بسيار مهم است، و من فكر مي كنم كه ابتدا با ايجاد اعتماد با آنها شروع مي شود. آموخته ام كه بهترين راه براي انجام اين كار اين است كه از كسي چيزي نخواهي كه از خودت نخواهي. اين يك چيز است كه به تيم خود بگوييد: "شما براي من مهم هستيد و من براي شما اينجا هستم." اين كاملاً چيز ديگري است كه اين را بارها و بارها با اعمال خود ثابت كنيد.»

Heredia ساير زنان رنگين پوست را تشويق مي كند تا در صنعت رانندگي خودران در موقعيت هاي رهبري قرار گيرند. "شما بايد خود را در آنجا قرار دهيد، ساخته شده باشيد تا ديده شويد و هرگز پنهان نشويد. اگر به اتاقي دعوت شديد، بايد به خود يادآوري كنيد كه لياقت حضور در آن اتاق را داريد.» او معتقد است كه پشتيباني بيشتري از آنچه فكر مي كنيد وجود دارد. «تعداد شگفت‌انگيزي از زنان رنگين‌پوست در نقش‌هاي رهبري در شركت‌هاي خودران وجود دارد، و من از اينكه برخي از آنها را مربيان خود مي‌نامم سپاسگزارم.» 

هرديا مي گويد هركسي كه وارد اين زمينه مي شود بايد براي شكست هاي زيادي آماده باشد. "لحظه هايي وجود دارد كه مي توانيد سعي كنيد تا جايي كه مي توانيد گوش كنيد و تصميم بگيريد، اما ممكن است تصميم درستي نباشد. پروژه اي مانند اين با خطرات زيادي همراه است و داشتن راحتي با دانستن اينكه گاهي اوقات با شكست همراه خواهد بود بسيار مهم است. و اين اشكالي ندارد. زماني كه سخت ترين لحظات خود را پشت سر بگذاريد، بيشترين چيزها را ياد خواهيد گرفت. بنابراين شما فكر مي كنيد، مي چرخيد و ادامه مي دهيد. بنابراين، توصيه من اين است كه با اين ذهنيت وارد شويد كه اين يك تجربه يادگيري است. و از آن استفاده كنيد تا با به اشتراك گذاشتن چيزهايي كه در طول مسير ياد گرفته ايد، به مردم كمك كنيد به آنچه ممكن است باور كنند.

در حالي كه بسياري از مردم پايان مالكيت وسيله نقليه شخصي را با ظهور وسايل نقليه خودران پيش بيني مي كنند، Heredia معتقد است كه اين روند آهسته و تدريجي خواهد بود. او قصد دارد در صنعت رانندگي خودران حرفه اي را دنبال كند و چالش هاي مهمي را كه اين صنعت به وجود مي آورد را تشخيص دهد. در آينده، او اميدوار است كه ما نيز بتوانيم از اين فناوري‌ها براي منافع اجتماعي استفاده كنيم و آن‌ها را به جوامعي مانند جامعه‌اي كه در آن بزرگ شده است بياوريم. )"

محققان MIT، MIT-IBM Watson AI Lab، IBM Research و جاهاي ديگر تكنيك جديدي را براي تجزيه و تحليل داده‌هاي صوتي و تصويري بدون برچسب ايجاد كرده‌اند كه مي‌تواند عملكرد مدل‌هاي يادگيري ماشيني مورد استفاده در برنامه‌هايي مانند تشخيص گفتار و تشخيص اشيا را بهبود بخشد. اين كار، براي اولين بار، دو معماري يادگيري خود نظارت، يادگيري متضاد و مدل‌سازي داده‌هاي پوشانده را در تلاش براي مقياس‌بندي وظايف يادگيري ماشيني مانند طبقه‌بندي رويداد در داده‌هاي تك و چندوجهي بدون نياز به حاشيه‌نويسي تركيب مي‌كند و در نتيجه تكرار مي‌كند. چگونه انسان ها جهان ما را درك و درك مي كنند.

يوان گونگ، فوق دكتراي MIT مي‌گويد: «بخش بزرگ‌تري از دانش بشري به روشي تحت نظارت خود آموخته مي‌شود، زيرا ما هميشه سيگنال‌هاي نظارتي دريافت نمي‌كنيم، و مي‌خواهيم مدل يادگيري ماشيني را فعال كنيم تا همين توانايي را داشته باشد. در آزمايشگاه علوم كامپيوتر و هوش مصنوعي (CSAIL).

بنابراين، روش ديگري براي بيان آن اين است كه يادگيري خود نظارتي اغلب پايه و اساس يك مدل اوليه را تشكيل مي دهد، زيرا مي تواند بر روي مقادير وسيعي از داده هاي بدون برچسب ياد بگيرد. جيم گلس، دانشمند تحقيقاتي ارشد MIT و عضو آزمايشگاه هوش مصنوعي MIT-IBM Watson مي‌گويد و سپس مي‌توانيد از يادگيري كلاسيك، تحت نظارت يا يادگيري تقويتي براي تنظيم دقيق مدل با چيزي خاص استفاده كنيد.

اين تكنيك كه رمزگذار خودكار ماسك‌دار صوتي و تصويري كنتراست (CAV-MAE) ناميده مي‌شود، نوعي شبكه عصبي است كه مي‌تواند با آموزش بر روي مجموعه داده‌هاي بزرگ يوتيوب، بازنمايي‌هاي نهفته معني‌دار را از داده‌هاي صوتي و بصري استخراج و ترسيم كند. كليپ هاي صوتي و تصويري 10 ثانيه اي. محققان مي گويند اين تكنيك نسبت به رويكردهاي قبلي مؤثرتر است زيرا به صراحت روابط بين داده هاي صوتي و تصويري را به گونه اي مدل مي كند كه روش هاي ديگر اين كار را نمي كنند.

دانشجويان فارغ التحصيل اندرو روديچنكو و الكساندر اچ ليو از MIT، ديويد هاروات PhD '18 از دانشگاه تگزاس در آستين، و اعضاي آزمايشگاه هوش مصنوعي MIT-IBM Watson AI، لئونيد كارلينسكي و هيلد كوئنه، به گونگ و گلس در اين مطالعه پيوستند . Kuehne همچنين به دانشگاه گوته فرانكفورت وابسته است. اين روش اخيراً در كنفرانس بين المللي بازنمايي هاي يادگيري ارائه شده است.

رويكرد مشترك و هماهنگ

گونگ مي‌گويد CAV-MAE با «يادگيري از طريق پيش‌بيني» و «يادگيري از طريق مقايسه» كار مي‌كند. مدل‌سازي داده‌هاي پوشانده يا روش پيش‌بيني، يك ويديو را به همراه شكل موج صوتي هماهنگ آن مي‌گيرد، صدا را به طيف‌گرام تبديل مي‌كند و 75 درصد از هر دو را پنهان مي‌كند. داده‌هاي بدون نقاب توكنيزه مي‌شوند، سپس قبل از ورود به رمزگذار/رمزگشاي مشترك، به رمزگذارهاي صوتي و تصويري جداگانه وارد مي‌شوند، جايي كه از مدل خواسته مي‌شود داده‌هاي از دست رفته را بازيابي كند. سپس تفاوت (از دست دادن بازسازي) بين پيش‌بيني بازسازي شده و تركيب صوتي و تصويري اصلي براي آموزش مدل براي عملكرد بهتر استفاده مي‌شود. نمونه‌اي از اين مي‌تواند پوشش بخشي از ويديوي يك پيانو و بخشي از طيف‌نگاري موسيقي پيانو، و سپس درخواست از مدل براي تعيين ورودي‌هاي پوشانده شده باشد. متاسفانه،

هدف يادگيري متضاد ترسيم نمايش هايي است كه شبيه به يكديگر هستند. به عنوان مثال، اين مدل سعي خواهد كرد تا داده‌هاي مختلف تصويري و صوتي طوطي‌هاي مختلف را نزديك يكديگر و دورتر از جفت‌هاي ويدئويي و صوتي گيتار در حال نواختن قرار دهد. به روشي مشابه رمزگذاري خودكار پوشانده شده، جفت هاي سمعي و بصري به رمزگذارهاي مداليته جداگانه منتقل مي شوند. با اين حال، اجزاي صوتي و بصري به طور جداگانه در رمزگذار مشترك نگهداري مي‌شوند قبل از اينكه مدل ادغام و كاهش كنتراست را انجام دهد. به اين ترتيب، يادگيري متضاد سعي مي‌كند قسمت‌هايي از هر صوت يا ويديو را شناسايي كند كه بيشترين ارتباط را با ديگري دارد. براي مثال، اگر ويديويي نشان مي‌دهد كه فردي صحبت مي‌كند و كليپ صوتي مربوطه حاوي گفتار است، رمزگذار خودكار ياد مي‌گيرد كه حركات دهان گوينده را با كلماتي كه گفته مي‌شود مرتبط كند. سپس پارامترهاي مدل را طوري تنظيم مي كند كه اين ورودي ها نزديك به يكديگر نمايش داده شوند. در نهايت، روش CAV-MAE هر دو تكنيك را با چندين جريان داده رو به جلو با پوشش به عنوان اولين گام، رمزگذارهاي خاص مداليته و نرمال‌سازي لايه تركيب مي‌كند تا نقاط قوت نمايش مشابه باشند.

ما [سپس] مي‌خواستيم CAV-MAE پيشنهادي را با مدلي كه فقط با رمزگذار خودكار پوشانده شده و مدلي كه فقط با يادگيري متضاد آموزش داده شده است مقايسه كنيم، زيرا مي‌خواهيم نشان دهيم كه با تركيب رمزگذار خودكار ماسك‌دار و يادگيري متضاد، مي‌توانيم تا حدودي عملكرد داشته باشيم. گونگ مي‌گويد: بهبود و نتايج از اين فرضيه حمايت مي‌كنند كه بهبود آشكاري وجود دارد.

محققان CAV-MAE - و همچنين روش خود را بدون از دست دادن كنتراست يا رمزگذار خودكار ماسك‌دار - در برابر ساير روش‌هاي پيشرفته در بازيابي ديداري و دسته‌بندي رويدادهاي صوتي و تصويري با استفاده از AudioSet استاندارد (20K و 2M) آزمايش كردند. و مجموعه داده‌هاي VGGSound - كليپ‌هاي كوتاه واقعي و برچسب‌گذاري شده، كه مي‌توانند صداهاي متعددي را شامل شوند. بازيابي سمعي و بصري به اين معني است كه مدل جزء صوتي يا بصري يك جفت پرس و جو را مي بيند و يكي از دست رفته ها را جستجو مي كند. طبقه‌بندي رويداد شامل شناسايي كنش‌ها يا صداها در داده‌ها، مانند آواز خواندن شخصي يا رانندگي با ماشين است.

به طور كلي، آنها دريافتند كه يادگيري متضاد و مدل‌سازي داده‌هاي پوشانده، روش‌هاي مكمل هستند. CAV-MAE توانست تا حدود 2 درصد از تكنيك‌هاي قبلي (با پيش‌آموزش كاملاً خود نظارت) براي مدل‌هاي آيات عملكرد طبقه‌بندي رويداد با محاسبات قابل مقايسه پيشي بگيرد و به‌طور چشمگيرتر، با منابع محاسباتي سطح صنعت همگام يا بهتر از مدل‌ها عمل كرد. مدل تيم به طور مشابه با مدل هايي كه فقط با از دست دادن كنتراست آموزش ديده بودند رتبه بندي كرد. و به‌طور شگفت‌انگيزي، تيم مي‌گويد، ادغام داده‌هاي چندوجهي در پيش‌آموزش CAV-MAE، تنظيم دقيق نمايش تك‌وجهي را از طريق يادگيري نظارت‌شده (با برخي از داده‌هاي برچسب‌گذاري‌شده) و عملكرد در وظايف طبقه‌بندي رويداد فقط صوتي بهبود مي‌بخشد. . اين نشان مي دهد كه مانند انسان ها، اطلاعات چند وجهي حتي براي كارهاي صوتي يا بصري فقط تقويت "برچسب نرم" اضافي را فراهم مي كند. به عنوان مثال، به مدل كمك مي كند تا بفهمد كه آيا به دنبال يك گيتار الكتريك يا آكوستيك است - سيگنال نظارتي غني تر.

"من فكر مي كنم مردم ظرافت اين مدل را براي تركيب اطلاعات در جريان هاي صوتي و تصويري مختلف دوست دارند. گلس مي‌گويد: «تضاد كنتراست و از دست دادن بازسازي دارد، و در مقايسه با مدل‌هايي كه با داده‌هاي مشابه ارزيابي شده‌اند، به وضوح در طيف وسيعي از اين وظايف بسيار خوب عمل مي‌كند.»

گونگ مي افزايد: با تكيه بر اين، "يك چيز خاص اين است كه مدل ما مي تواند هم طبقه بندي و هم بازيابي را انجام دهد، كه معمول نيست." قبل از اين كار، اين روش‌ها به‌طور جداگانه استفاده مي‌شوند، اما بعد از اين كار، مي‌بينم كه بيشتر چارچوب‌هاي يادگيري سمعي و بصري از اتلاف قراردادي و رمزگذار خودكار ماسك‌دار با هم، به طور ضمني يا صريح استفاده مي‌كنند.»

آوردن يادگيري صوتي و تصويري خود نظارت شده به دنياي ما

محققان سهم خود را از رمزگذار خودكار پوشانده شده سمعي و بصري متضاد (CAV-MAE) به عنوان يك نقطه عطف مهم و يك گام رو به جلو براي برنامه‌هايي مي‌دانند كه به طور فزاينده‌اي از حالت تك به چند وجهي در حال حركت هستند و نياز به تركيب سمعي و بصري دارند يا از آن استفاده مي‌كنند. آنها فرض مي كنند كه روزي مي توان از آن براي تشخيص عمل در حوزه هايي مانند ورزش، آموزش، سرگرمي، وسايل نقليه موتوري و امنيت عمومي استفاده كرد. همچنين مي تواند روزي به ساير روش ها نيز گسترش يابد. گونگ مي‌گويد: در حال حاضر، اين واقعيت كه «اين فقط براي داده‌هاي صوتي و تصويري اعمال مي‌شود، ممكن است يك محدوديت باشد، اما ما يادگيري چندوجهي را هدف قرار داده‌ايم، كه روند يادگيري ماشيني است». ما به عنوان انسان، چند وجهي داريم - ما بويايي، لمسي داريم - چيزهاي بسيار ديگري كه فقط سمعي و بصري هستند. بنابراين، وقتي سعي مي كنيم هوش مصنوعي بسازيم، سعي مي كنيم به نحوي از انسان تقليد كنيم.

همانطور كه مدل هاي يادگيري ماشيني همچنان نقش مهمي را در زندگي ما ايفا مي كنند، تكنيك هايي مانند اين به طور فزاينده اي ارزشمند خواهند شد.

اين تحقيق توسط آزمايشگاه هوش مصنوعي MIT-IBM Watson AI پشتيباني شده است.

گابريلا سا پسوا روزنامه نگاري است كه علاقه زيادي به تلاقي حقوق بشر و تغييرات آب و هوايي دارد. او از واشنگتن پست به MIT آمد، جايي كه از كشور خود برزيل به عنوان محقق خبري در مورد آمازون، نقض حقوق بشر و جنايات زيست محيطي گزارش مي كرد. قبل از آن، او در دو تا از تاثيرگذارترين رسانه ها در برزيل نقش داشت: Folha de S.Paulo، پوشش سياسي محلي و ملي، و UOL، جايي كه او به پوشش ويروس كرونا اختصاص يافت و بعداً به ميز تحقيق پيوست.

 Sá Pessoa بورسيه 2023 Elizabeth Neuffer را توسط بنياد بين المللي رسانه زنان دريافت كرد ، كه از دريافت كننده آن با فرصت هاي تحقيقاتي در MIT و آموزش بيشتر در Boston Globe و New York Times حمايت مي كند. او در حال حاضر در مركز مطالعات بين المللي MIT مستقر است. او اخيراً در مورد كار خود در آمازون، تغييرات اخير در سياست برزيل و تجربه خود در MIT صحبت كرد.

س: يكي از محورهاي گزارش شما حقوق بشر و مسائل زيست محيطي در آمازون است. به عنوان بخشي از همكاري خود، در سرمقاله اخير در The Boston Globe در مورد مبارزه با جنگل زدايي در منطقه مشاركت داشتيد . چرا گزارش در مورد اين موضوع مهم است؟

پاسخ: براي بسياري از برزيلي‌ها، آمازون سرزميني دورافتاده و دوردست است و مردمي كه در ساير نقاط كشور زندگي مي‌كنند، كاملاً از همه مشكلات و پتانسيل آن آگاه نيستند. اين شبيه به ايالات متحده است - مانند بسياري از مردم اينجا، آنها نمي دانند كه چگونه مي تواند با نقض حقوق بشر و تخريب جنگل هاي باراني كه در حال وقوع است مرتبط باشد.

اما، همه ما از جهاتي در تخريب شريك هستيم، زيرا نيروهاي اقتصادي كه منجر به تخريب جنگل‌هاي باراني مي‌شوند، همگي بازاري دارند، و اين بازارها در همه جا هستند، در برزيل و اينجا در ايالات متحده، فكر مي‌كنم نشان دادن به مردم بخشي از روزنامه‌نگاري است. در ايالات متحده، برزيل و جاهاي ديگر كه ما بخشي از مشكل هستيم و به عنوان بخشي از مشكل، بايد با آگاهي از آن، اهميت دادن به آن و انجام اقداماتي كه در حيطه قدرت ماست، بخشي از راه حل باشيم.

به عنوان مثال، در ايالات متحده، رأي دهندگان مي توانند بر سياست هايي مانند مذاكرات فعلي براي حمايت مالي براي مبارزه با جنگل زدايي در آمازون تأثير بگذارند. و به‌عنوان مصرف‌كننده، مي‌توانيم بيشتر آگاه باشيم - آيا گوشت گاوي كه مصرف مي‌كنيم با جنگل‌زدايي مرتبط است؟ آيا الوار موجود در سايت هاي ساختماني ما از آمازون مي آيد؟

حقيقت اين است كه ما در برزيل مدت زيادي است كه به آمازون پشت كرده ايم. وظيفه ما حفاظت از آن به خاطر تغييرات آب و هوايي است. اگر ما از آن مراقبت نكنيم، عواقب جدي براي آب و هواي محلي ما، جوامع محلي ما و براي كل جهان خواهد داشت. اين يك موضوع بزرگ حقوق بشر است زيرا زندگي ما هم در سطح محلي و هم در سطح جهاني به آن بستگي دارد.

س: قبل از آمدن به MIT، شما در واشنگتن پست در سائوپائولو بوديد، جايي كه در گزارشي از انتخابات رياست جمهوري اخير مشاركت داشتيد. انتظار داريد با مديريت جديد لولا شاهد چه تغييراتي باشيد؟

پاسخ: براي آب و هوا و محيط زيست، اولين نشانه ها مثبت بود. اما اين خوش بيني يك ترم دوام نياورد، زيرا سياست در حال تحميل خود است. لولا براي ايجاد اكثريت در يك كنگره محافظه كار، كه تجارت كشاورزي قدرت و نفوذ فوق العاده اي بر آن دارد، با مشكلات فزاينده اي مواجه است. همانطور كه صحبت مي كنيم، سياست زيست محيطي مورد حمله كنگره قرار گرفته است. كميته اي در مجلس به تازگي حكم غرق شدن را از وزير محيط زيست، مارينا سيلوا، و از وزارت بوميان ملي به رهبري سونيا گوجاجارا كه اخيراً ايجاد شده است، تصويب كرده است. هر دو مارينا و سونيا قهرمانان جهاني محيط زيست و حقوق بشر هستند، و من نمي دانم كه اگر كنگره اين تغييرات را تصويب كند چه تاثيري خواهد داشت. هنوز مشخص نيست كه چگونه بر تلاش ها براي مبارزه با جنگل زدايي تأثير مي گذارد.

علاوه بر اين، اختلافات داخلي در دولت بين دوستداران محيط زيست و حاميان معدن و پروژه هاي بزرگ زيربنايي وجود دارد. پتروبراس، شركت نفت دولتي، در تلاش است تا مجوز تحقيق و حفاري ذخاير نفتي فراساحلي در دهانه رودخانه آمازون را دريافت كند. آژانس حفاظت از محيط زيست فدرال گزارشي قطعي مبني بر تعليق اين عمليات ارائه كرد و گفت كه اين عمليات حياتي است و محيط زيست حساس منطقه و جوامع بومي را تهديد مي كند. و البته منبع ديگري براي انتشار گازهاي گلخانه اي خواهد بود. را

گفته مي شود، اين يك دولت انكارگرا نيست. بايد به واكنش سريع دولت به نسل كشي يانومامي در اوايل سال جاري اشاره كنم. در ژانويه، يك سازمان رسانه اي مستقل به نام سومائوما از مرگ بيش از پانصد كودك بومي از جامعه يانومامي در آمازون طي چهار سال گذشته خبر داد. اين يك شوك بزرگ در برزيل بود و دولت بلافاصله به آن واكنش نشان داد. آنها گروه هاي ضربت را به منطقه فرستادند و اكنون معدنچيان غيرقانوني را كه عامل بيماري بودند و در نهايت مسئول اين فجايع انساني بودند، بيرون مي كنند. براي روشن شدن: اين هنوز يك مشكل است. حل نشده است اما اين نمونه خوبي از اقدام مثبت است.

مبارزه با جنگل‌زدايي در آمازون و سرادو، يكي ديگر از زيست‌هاي حياتي براي تنظيم آب و هوا در برزيل، آسان نخواهد بود. بازسازي سياست هاي زيست محيطي زمان مي برد و سازمان هاي مسئول اجراي آن كم كار هستند. علاوه بر اين، جرايم زيست محيطي پيچيده تر شده و با ديگر سازمان هاي جنايي بزرگ در كشور ارتباط برقرار كرده است. در ماه آوريل، براي اولين بار، كاهش جنگل زدايي در آمازون پس از دو ماه متوالي افزايش يافت. اينها هنوز داده هاي اوليه هستند و هنوز خيلي زود است كه تأييد كنيم كه آيا آنها نقطه عطفي هستند و ممكن است نشان دهنده تمايل به كاهش جنگل زدايي باشند. از سوي ديگر، سرادو ركورد جنگل زدايي را در ماه آوريل به ثبت رساند.

مشكلاتي در همه جاي اقتصاد و سياست وجود دارد كه لولا بايد با آنها روبرو شود. در هفته اول دوره جديد، در 8 ژانويه، ما شاهد شورش در برازيليا، پايتخت كشور، از سوي راي دهندگان بولسونارو بوديم كه نتايج انتخابات را نپذيرفتند. وقايع شبيه آنچه آمريكايي ها در حملات كنگره در سال 2021 ديدند بود. همچنين به نظر مي رسد كه ما مشكلاتي مانند قتل عام در مدارس را از ايالات متحده وارد كرده ايم. ما هرگز آنها را در برزيل نداشتيم، اما اكنون آنها را مي بينيم. من كنجكاو هستم كه ببينم كشور چگونه به اين مشكلات رسيدگي خواهد كرد و آيا ايالات متحده نيز مي تواند راه حل هايي براي آن الهام بخشد. اين چيزي است كه من در اينجا به آن فكر مي كنم: آيا راه حل هايي در اينجا وجود دارد؟ آنها چه هستند؟

س: تا به حال از MIT و انجمن خود چه آموخته ايد؟ 

پاسخ: بيان همه چيز در قالب كلمات سخت است! من بيشتر در حال گذراندن دوره‌ها و شركت در سخنراني‌هايي در مورد مسائل مبرم براي بشريت، مانند تهديدات وجودي مانند تغييرات آب و هوا، هوش مصنوعي، امنيت زيستي و غيره هستم.

من در مورد همه اين مسائل ياد مي‌گيرم، اما به‌عنوان يك روزنامه‌نگار، فكر مي‌كنم كه در مورد اينكه چگونه مي‌توانم رويكرد علمي را در كارم بگنجانم، بيشتر ياد مي‌گيرم. به عنوان مثال، بيشتر طرفدار مثبت بودن. من در حال حاضر يك روزنامه نگار سختگير هستم، اما به اين فكر مي كنم كه چگونه مي توانم در مورد روش هايم دقيق تر و شفاف تر باشم. حضور در محيط آكادميك و علمي اين گونه الهام بخش است.

من همچنين در مورد چگونگي پوشش موضوعات علمي بسيار ياد مي‌گيرم و به اين فكر مي‌كنم كه چگونه فناوري مي‌تواند راه‌حل‌ها (و مشكلات) را به ما ارائه دهد. من آنقدر در حال يادگيري هستم كه فكر مي كنم براي هضم و درك كامل اين دوره براي من به مدتي زمان نياز دارم!

س: به هوش مصنوعي اشاره كرديد. آيا مي خواهيد در مورد اين موضوع و آنچه كه ياد گرفته ايد، وزن كنيد؟ 

پاسخ: حضور در MIT ترم خوبي بوده است. هوش مصنوعي مولد، كه پس از ChatGPT محبوبيت بيشتري پيدا كرد، موضوع بحث شديد اين ترم بوده است و من توانستم در كلاس‌ها، سمينارها و رويدادهاي زيادي درباره هوش مصنوعي در اينجا شركت كنم، به خصوص از منظر سياست.

الگوريتم‌ها سال‌ها بر اقتصاد، جامعه و سلامت عمومي تأثير گذاشته‌اند. نتايج بسيار خوبي داشته است، اما بي عدالتي نيز در پي داشته است. سيستم هاي محبوبي مانند ChatGPT اين فناوري را حتي براي كساني كه دانش كامپيوتري ندارند بسيار محبوب و قابل دسترس كرده است. اين ترسناك و در عين حال بسيار هيجان انگيز است. در اينجا فهميدم كه ما براي هوش مصنوعي مانند ساير فناوري ها به نرده هاي محافظ نياز داريم. به صنايع داروسازي يا خودروسازي فكر كنيد كه قبل از عرضه محصول جديد به بازار بايد معيارهاي ايمني را رعايت كنند. اما با هوش مصنوعي، اوضاع متفاوت خواهد بود. زنجيره‌هاي تامين بسيار پيچيده و گاهي شفاف نيستند و سرعت توسعه منابع جديد به قدري سريع است كه توانايي سياست‌گذار را براي پاسخگويي به چالش مي‌كشد.

هوش مصنوعي دنيا را به شدت تغيير مي دهد. داشتن امتياز اينجا بودن و ديدن اين بحث ها هيجان انگيز است. بالاخره من آينده اي براي گزارش دارم. حداقل، اميدوارم اينطور باشد!

س: در آينده روي چه چيزي كار مي كنيد؟

پاسخ: پس از MIT، من به نيويورك مي روم، جايي كه با نيويورك تايمز در برنامه كارآموزي آنها كار خواهم كرد. من واقعاً در مورد آن هيجان زده هستم زيرا سرعت آن متفاوت از MIT خواهد بود. من همچنين در حال انجام تحقيقات در مورد بازارهاي اعتبار كربن هستم و اميدوارم بتوانم آن پروژه را چه در يك محيط گزارش يا دانشگاهي ادامه دهم. 

راستش را بخواهيد، من براي ادامه تحصيل احساس الهام مي كنم. من دوست دارم زمان بيشتري را اينجا در MIT بگذرانم. من دوست دارم در اينجا يك كارشناسي ارشد انجام دهم يا به هر برنامه اي بپيوندم. من قصد دارم براي بازگشت به دانشگاه كار كنم زيرا فكر مي كنم بايد از محيط دانشگاهي بيشتر بياموزم. اميدوارم در MIT باشد، زيرا صادقانه بگويم، اين هيجان انگيزترين محيطي است كه تا به حال در آن بوده ام، با همه افراد اينجا از زمينه هاي مختلف و زمينه هاي مختلف. من دانشمند نيستم، اما بودن با آنها الهام بخش است، و اگر راهي وجود داشته باشد كه بتوانم در كار آنها به گونه اي مشاركت كنم كه آنها در كار من مشاركت داشته باشند، خوشحال خواهم شد كه زمان بيشتري را در اينجا بگذرانم.

سقراط يك بار گفت: "اندازه يك چيز نيست، بلكه كيفيت است كه واقعا مهم است. زيرا در ماهيت جوهر، نه حجم آن، ارزش واقعي يافت مي شود.»

آيا اندازه هميشه براي مدل هاي زبان بزرگ (LLM) مهم است؟ در يك چشم انداز فناوري كه توسط LLM ها در مركز توجه قرار گرفته است، تيمي از محققان آزمايشگاه علوم كامپيوتر و هوش مصنوعي MIT (CSAIL) فكر مي كنند كه مدل هاي كوچكتر را نبايد ناديده گرفت، به ويژه براي محصولات درك زبان طبيعي كه به طور گسترده در صنعت استفاده مي شود.

براي اين منظور، محققان رويكردي براي مشكلات طولاني مدت ناكارآمدي و حفظ حريم خصوصي مرتبط با مدل‌هاي هوش مصنوعي بزرگ و مبتني بر متن ايجاد كردند - يك مدل منطقي كه در برخي از وظايف درك زبان بدون انسان، 500 برابر بزرگ‌تر از همتايان خود عمل مي‌كند. حاشيه نويسي ايجاد كرد، در حالي كه حفظ حريم خصوصي و استحكام با عملكرد بالا.

LLMها كه مهارت‌هاي اميدواركننده‌اي در توليد زبان، هنر و كد نشان داده‌اند، از نظر محاسباتي گران هستند و داده‌هاي مورد نياز آن‌ها مي‌توانند هنگام استفاده از رابط‌هاي برنامه‌نويسي برنامه‌نويسي براي آپلود داده‌ها، نشت حريم خصوصي را به خطر بيندازند. مدل‌هاي كوچك‌تر در مقايسه با همتايان بزرگ‌تر خود، از نظر تاريخي توانايي كمتري داشته‌اند، به‌ويژه در وظايف چندوظيفه‌اي و وظايف تحت نظارت ضعيف.

پس چه چيزي به اين مدل هاي كوچكتر كمك مي كند تا اينقدر قدرتمند عمل كنند؟ چيزي به نام «مضافات متني»، راهي براي كمك به اين مدل‌ها براي درك انواع تكاليف زبان، كه در آن اگر يك جمله (فرضيه) درست باشد، احتمالاً جمله ديگر (فرضيه) نيز درست است. براي مثال، اگر فرض اين باشد كه «همه گربه‌ها دم دارند»، فرضيه «گربه‌اي دم‌دار دارد» در اين فرض مطرح مي‌شود. اين مفهوم براي آموزش يك «مدل مستلزم» استفاده مي‌شود كه در تحقيقات قبلي تيم، نسبت به ساير مدل‌هاي زباني كمتر مغرضانه است. آنها سپس «اعلان‌هايي» ايجاد كردند كه مدل‌ها مي‌توانند از آنها براي تشخيص اينكه آيا اطلاعات خاصي توسط يك جمله يا عبارت معين با توجه به وظايف مختلف مستلزم است يا خير، استفاده كنند. اين روش توانايي مدل را براي انطباق با وظايف مختلف بدون آموزش اضافي بهبود بخشيد.

در قلمرو "درك زبان طبيعي"، كاربردهاي مختلفي وجود دارد كه به تعيين رابطه بين دو قطعه متن بستگي دارد. براي مثال، در طبقه‌بندي احساسات، عبارتي مانند «فكر مي‌كنم فيلم خوب است» را مي‌توان از يك نقد فيلم استنباط كرد يا مستلزم آن شد كه مي‌گويد: «من داستان را دوست دارم و بازي عالي است»، كه نشان‌دهنده يك احساس مثبت است. ديگري طبقه بندي اخبار است كه موضوع يك مقاله خبري را مي توان از محتواي آن استنباط كرد. به عنوان مثال، اگر محتواي اصلي مقاله در مورد يك بازي NBA گزارش شود، مي‌توان عبارتي مانند «مقاله خبري درباره ورزش است» بيان كرد. بينش كليدي اين بود كه بسياري از تكاليف درك زبان طبيعي موجود را مي‌توان به عنوان يك كار مستلزم (يعني استنتاج منطقي در زبان طبيعي) بازنويسي كرد. 

"تحقيق ما در مورد بهبود توانايي برنامه هاي كامپيوتري براي درك و پردازش زبان طبيعي - نحوه صحبت و نوشتن انسان است. Hongyin Luo، پست‌دكتر MIT CSAIL، نويسنده ارشد مقاله جديد درباره اين مطالعه، مي‌گويد: مدل‌هاي مستلزم 350 ميليون پارامتر خودآموز ما، بدون برچسب‌هاي توليد شده توسط انسان، از مدل‌هاي زبان نظارت شده با 137 تا 175 ميليارد پارامتر بهتر عمل مي‌كنند . لو مي‌گويد: «اين پتانسيل براي تغيير شكل چشم‌انداز هوش مصنوعي و يادگيري ماشيني دارد و راه‌حلي مقياس‌پذيرتر، قابل اعتمادتر و مقرون‌به‌صرفه‌تر براي مدل‌سازي زبان ارائه مي‌كند. اين كار با اثبات اينكه مدل‌هاي كوچك‌تر مي‌توانند در همان سطح با مدل‌هاي بزرگ‌تر براي درك زبان عمل كنند، راه را براي فناوري‌هاي هوش مصنوعي پايدارتر و حفظ حريم خصوصي هموار مي‌كند.» 

تيم دريافتند كه مي‌توانند با استفاده از تكنيكي به نام «خودآموزي» عملكرد مدل را حتي بيشتر بهبود بخشند، كه در آن مدل از پيش‌بيني‌هاي خود براي آموزش خود استفاده مي‌كند و به طور مؤثر بدون نظارت انسان و داده‌هاي آموزشي مشروح اضافي ياد مي‌گيرد. روش خودآموزي. به طور قابل توجهي عملكرد را در تعدادي از وظايف پايين دستي، از جمله تجزيه و تحليل احساسات، پاسخگويي به پرسش و طبقه بندي اخبار بهبود بخشيد. در قابليت‌هاي شات صفر، مدل‌هاي GPT و ديگر الگوريتم‌هاي نظارت شده، از LaMDA و FLAN گوگل بهتر عمل كرد. 

با اين حال، يك چالش با خودآموزي اين است كه اين مدل گاهي اوقات مي تواند برچسب هاي نادرست يا پر سر و صدايي ايجاد كند كه به عملكرد آسيب مي رساند. براي غلبه بر اين موضوع، آنها الگوريتم جديدي به نام "SimPLE" (ويرايش ساده شبه برچسب) ايجاد كردند، فرآيندي براي بررسي و اصلاح برچسب هاي كاذب ساخته شده در دورهاي اوليه يادگيري. با تصحيح موارد داراي برچسب اشتباه، كيفيت كلي برچسب‌هاي خود توليد شده را بهبود بخشيد. اين نه تنها باعث شد كه مدل‌ها در درك زبان مؤثرتر باشند، بلكه در مواجهه با داده‌هاي متخاصم قوي‌تر شوند. 

مانند بسياري از تحقيقات، محدوديت هايي نيز وجود دارد. خودآموزي در مورد وظايف طبقه بندي چند كلاسه به خوبي وظايف درك زبان طبيعي باينري عمل نمي كند، كه نشان دهنده چالش استفاده از مدل هاي مستلزم براي وظايف چند گزينه اي است.

اين تحقيق يك روش كارآمد و مؤثر براي آموزش مدل‌هاي زباني بزرگ (LLM) با فرمول‌بندي وظايف درك زبان طبيعي به‌عنوان مشكلات مستلزم متني و به‌كارگيري مكانيزم خودآموزي شبه برچسب‌گذاري براي تركيب مقادير زيادي از داده‌هاي متني بدون برچسب در فرآيند آموزش ارائه مي‌كند. جيمز گلس، دانشمند تحقيقات ارشد CSAIL، كه همچنين نويسنده مقاله است، اضافه مي كند. در حالي كه رشته LLM دستخوش تغييرات سريع و چشمگير است، اين تحقيق نشان مي‌دهد كه مي‌توان مدل‌هاي زباني نسبتا فشرده‌اي را توليد كرد كه در مقايسه با همتايان خود با اندازه تقريباً يكسان يا حتي مدل‌هاي زباني بسيار بزرگ‌تر، در وظايف درك معيار بسيار خوب عمل كنند. "

لئونيد كارلينسكي، كارمند تحقيقاتي در آزمايشگاه هوش مصنوعي واتسون MIT-IBM مي‌گويد: «تكليف مستلزم يك پروكسي محبوب براي ارزيابي «درك» يك زمينه مشخص توسط يك مدل هوش مصنوعي است. در بسياري از زمينه‌ها براي تحليل مدل‌هاي تك‌وجهي، مانند LLM، و چند وجهي، مانند VLM [مدل‌هاي زبان بصري] استفاده مي‌شود. ورودي‌ها، ساده‌سازي كار سؤال-پاسخ در مورد يك زمينه ورودي داده‌شده براي يك مسئله طبقه‌بندي باينري - آيا اين بافت مستلزم نتيجه‌گيري معيني (مثلاً متن) است يا خير؟ اين مقاله دو سهم در اين فضا دارد. اول، روشي را براي بهبود عملكرد NLU صفر شات (بدون تنظيم اضافي) و استحكام در برابر حملات متخاصم از طريق تنظيم با وظايف مستلزم تركيبي (تخصصي) توليد شده براي وظيفه NLU اوليه پيشنهاد مي‌كند. دوم، يك روش SimPLE خود نظارت شده شامل برچسب گذاري شبه و فيلتر مبتني بر اطمينان براي بهبود بيشتر عملكرد NLU LLM هاي بزرگ ارائه مي دهد.

لو و گلس اين مقاله را با يون كيم، عضو CSAIL و استاديار دپارتمان مهندسي برق و علوم كامپيوتر MIT و جياكسين جي از دانشگاه پكن نوشتند. كار آنها در ژوئيه امسال در نشست انجمن زبانشناسي محاسباتي در تورنتو، انتاريو ارائه خواهد شد. اين تحقيق با كمك مالي برنامه هوش مصنوعي نوآوري هنگ كنگ حمايت شد.

كتابخانه‌هاي عظيمي از تركيبات دارويي ممكن است درمان‌هاي بالقوه‌اي براي انواع بيماري‌ها مانند سرطان يا بيماري قلبي داشته باشند. در حالت ايده‌آل، دانشمندان مايلند هر يك از اين تركيبات را در برابر تمام اهداف ممكن آزمايش كنند، اما انجام اين نوع صفحه‌نمايش به شدت زمان‌بر است.

در سال‌هاي اخير، محققان استفاده از روش‌هاي محاسباتي را براي غربالگري اين كتابخانه‌ها به اميد تسريع در كشف دارو آغاز كرده‌اند. با اين حال، بسياري از اين روش‌ها نيز زمان زيادي مي‌برند، زيرا اكثر آنها ساختار سه بعدي هر پروتئين هدف را از روي توالي اسيد آمينه آن محاسبه مي‌كنند، سپس از آن ساختارها براي پيش‌بيني مولكول‌هاي دارويي استفاده مي‌كنند.

محققان MIT و دانشگاه تافتز اكنون يك رويكرد محاسباتي جايگزين بر اساس نوعي الگوريتم هوش مصنوعي كه به عنوان مدل زبان بزرگ شناخته مي شود، ابداع كرده اند. اين مدل‌ها - يكي از نمونه‌هاي معروف ChatGPT است - مي‌توانند مقادير زيادي متن را تجزيه و تحليل كنند و بفهمند كدام كلمات (يا در اين مورد، اسيدهاي آمينه) به احتمال زياد با هم ظاهر مي‌شوند. مدل جديد، معروف به ConPLex، مي‌تواند پروتئين‌هاي هدف را با مولكول‌هاي دارويي بالقوه بدون نياز به انجام مرحله محاسباتي فشرده محاسبه ساختار مولكول‌ها مطابقت دهد.

با استفاده از اين روش، محققان مي توانند بيش از 100 ميليون تركيب را در يك روز غربال كنند - بسيار بيشتر از هر مدل موجود.

"اين كار نياز به غربالگري موثر و دقيق سيليكوني كانديداهاي دارويي بالقوه را مورد توجه قرار مي‌دهد و مقياس‌پذيري مدل، نمايشگرهاي مقياس بزرگ را براي ارزيابي اثرات خارج از هدف، استفاده مجدد از دارو، و تعيين تاثير جهش‌ها بر اتصال به دارو را قادر مي‌سازد." باني برگر، استاد رياضيات سيمونز، رئيس گروه محاسبات و زيست شناسي در آزمايشگاه علوم كامپيوتر و هوش مصنوعي MIT (CSAIL) و يكي از نويسندگان ارشد مطالعه جديد مي گويد.

لنور كاون، استاد علوم كامپيوتر در دانشگاه تافتس، همچنين نويسنده ارشد اين مقاله است كه اين هفته در مجموعه مقالات آكادمي ملي علوم منتشر مي شود . روهيت سينگ، دانشمند تحقيقاتي CSAIL، و ساموئل اسلدزيسكي، دانشجوي كارشناسي ارشد MIT، نويسندگان اصلي مقاله و برايان برايسون، دانشيار مهندسي بيولوژيك در MIT و عضو موسسه راگون MGH، MIT و هاروارد، همچنين يك نويسنده است. علاوه بر مقاله، محققان مدل خود را به صورت آنلاين در دسترس ساير دانشمندان قرار داده اند تا از آن استفاده كنند.

پيشگويي

در سال‌هاي اخير، دانشمندان محاسباتي پيشرفت‌هاي زيادي در توسعه مدل‌هايي داشته‌اند كه مي‌توانند ساختار پروتئين‌ها را بر اساس توالي‌هاي اسيد آمينه‌شان پيش‌بيني كنند. با اين حال، استفاده از اين مدل‌ها براي پيش‌بيني اينكه چگونه يك كتابخانه بزرگ از داروهاي بالقوه ممكن است با يك پروتئين سرطاني تعامل داشته باشد، به عنوان مثال، چالش برانگيز است، عمدتاً به اين دليل كه محاسبه ساختارهاي سه‌بعدي پروتئين‌ها به زمان و قدرت محاسباتي زيادي نياز دارد.

يك مانع ديگر اين است كه اين نوع مدل‌ها سابقه خوبي براي از بين بردن تركيبات معروف به فريب ندارند، كه بسيار شبيه به يك داروي موفق هستند اما در واقع به خوبي با هدف تعامل ندارند.

يكي از چالش‌هاي ديرينه در اين زمينه اين بوده است كه اين روش‌ها شكننده هستند، به اين معنا كه اگر به مدل دارو يا مولكول كوچكي بدهم كه تقريباً شبيه چيز واقعي به نظر مي‌رسد، اما به روشي ظريف كمي متفاوت است، سينگ مي‌گويد: «مدل هنوز ممكن است پيش‌بيني كند كه آنها با هم تعامل خواهند داشت، حتي اگر اينطور نباشد.

محققان مدل‌هايي طراحي كرده‌اند كه مي‌توانند بر اين نوع شكنندگي غلبه كنند، اما آنها معمولاً فقط براي يك دسته از مولكول‌هاي دارويي طراحي شده‌اند و براي نمايشگرهاي مقياس بزرگ مناسب نيستند زيرا محاسبات بيش از حد طول مي‌كشد. 

تيم MIT تصميم گرفت يك رويكرد جايگزين را بر اساس يك مدل پروتئيني كه براي اولين بار در سال 2019 توسعه دادند، اتخاذ كند. مدل زباني با كار با پايگاه داده اي از بيش از 20000 پروتئين، اين اطلاعات را در نمايش هاي عددي معني دار هر دنباله آمينو اسيدي رمزگذاري مي كند كه ارتباط ها را نشان مي دهد. بين توالي و ساختار

Sledzieski مي‌گويد: «با اين مدل‌هاي زباني، حتي پروتئين‌هايي كه توالي‌هاي بسيار متفاوتي دارند، اما به طور بالقوه ساختارهاي مشابه يا عملكردهاي مشابهي دارند، مي‌توانند به روشي مشابه در اين فضاي زباني نمايش داده شوند، و ما مي‌توانيم از آن براي پيش‌بيني‌هاي خود استفاده كنيم.» مي گويد.

محققان در مطالعه جديد خود، مدل پروتئين را براي تعيين اينكه كدام توالي پروتئين با مولكول‌هاي دارويي خاص كه هر دو داراي نمايش‌هاي عددي هستند كه توسط يك شبكه عصبي به فضاي مشترك و مشترك تبديل مي‌شوند، برهم‌كنش مي‌دهند، اعمال كردند. آنها شبكه را در مورد برهمكنش هاي شناخته شده پروتئين-دارو آموزش دادند، كه به آن اجازه داد تا بياموزد كه ويژگي هاي خاص پروتئين ها را با توانايي اتصال دارو، بدون نياز به محاسبه ساختار سه بعدي هر يك از مولكول ها، مرتبط كند.

سينگ مي‌گويد: «با اين نمايش عددي با كيفيت، مدل مي‌تواند نمايش اتمي را به طور كامل اتصال كوتاه كند و از روي اين اعداد پيش‌بيني كند كه آيا اين دارو متصل مي‌شود يا خير». "مزيت اين اين است كه شما از نياز به گذر از يك نمايش اتمي اجتناب مي كنيد، اما اعداد هنوز همه اطلاعات مورد نياز شما را دارند."

يكي ديگر از مزاياي اين روش اين است كه انعطاف پذيري ساختارهاي پروتئيني را در نظر مي گيرد كه مي توانند "تقوع كننده" باشند و در هنگام تعامل با يك مولكول دارو شكل هاي كمي متفاوت به خود بگيرند.

ميل تركيبي بالا

محققان براي اينكه مدل خود را كمتر فريب مولكول‌هاي داروي فريبنده را بخورند، يك مرحله آموزشي مبتني بر مفهوم يادگيري متضاد را نيز وارد كردند. بر اساس اين رويكرد، محققان نمونه‌هايي از داروهاي «واقعي» و جعل‌كنندگان را ارائه مي‌كنند و به آن آموزش مي‌دهند كه بين آنها تمايز قائل شود.

سپس محققان مدل خود را با غربالگري كتابخانه اي از حدود 4700 مولكول دارويي كانديد براي توانايي آنها در اتصال به مجموعه اي از 51 آنزيم معروف به پروتئين كينازها آزمايش كردند.

از ميان برترين ها، محققان 19 جفت دارو و پروتئين را براي آزمايش آزمايشي انتخاب كردند. آزمايش‌ها نشان داد كه از 19 مورد، 12 مورد داراي ميل پيوندي قوي (در محدوده نانومولاري) بودند، در حالي كه تقريباً تمام جفت‌هاي احتمالي دارو-پروتئين ديگر هيچ ميل تركيبي نداشتند. چهار مورد از اين جفت‌ها با ميل تركيبي بسيار بالا و زير نانومولاري (آنقدر قوي كه غلظت كوچك دارو، در حد واحد در ميليارد، پروتئين را مهار مي‌كند) متصل شده‌اند.

در حالي كه محققان در اين مطالعه عمدتاً بر غربالگري داروهاي مولكولي كوچك تمركز كردند، اكنون در حال كار بر روي استفاده از اين رويكرد براي انواع ديگر داروها مانند آنتي بادي هاي درماني هستند. اين نوع مدل‌سازي همچنين مي‌تواند براي اجراي نمايشگرهاي سميت تركيبات دارويي بالقوه مفيد باشد، تا قبل از آزمايش آن‌ها در مدل‌هاي حيواني، هيچ گونه عوارض جانبي ناخواسته‌اي نداشته باشند.

بخشي از دليل گران بودن كشف دارو به اين دليل است كه نرخ شكست بالايي دارد. سينگ مي‌گويد: اگر بتوانيم اين نرخ‌هاي شكست را با گفتن اينكه اين دارو احتمالاً مؤثر نيست، كاهش دهيم، مي‌توانيم هزينه‌هاي كشف دارو را كاهش دهيم.

ايتان روپين، رئيس آزمايشگاه علوم داده سرطان در مؤسسه ملي سرطان، كه در اين زمينه دخالتي نداشت، مي‌گويد: اين رويكرد جديد "نشان دهنده يك پيشرفت مهم در پيش‌بيني تداخل دارو-هدف است و فرصت‌هاي بيشتري را براي تحقيقات آينده براي تقويت بيشتر قابليت‌هاي آن باز مي‌كند." در مطالعه به عنوان مثال، تركيب اطلاعات ساختاري در فضاي پنهان يا كاوش در روش‌هاي توليد مولكولي براي توليد طعمه‌ها مي‌تواند پيش‌بيني‌ها را بيشتر بهبود بخشد.»

اين تحقيق توسط مؤسسه ملي بهداشت، بنياد ملي علوم و بنياد فيليپ و سوزان راگون تأمين شده است.

افزايش قابل توجهي در استفاده از الگوريتم ها و هوش مصنوعي براي رسيدگي به طيف گسترده اي از مشكلات و چالش ها وجود داشته است. در حالي كه پذيرش آنها، به ويژه با ظهور هوش مصنوعي، تقريباً هر بخش صنعتي، رشته و حوزه تحقيقاتي را تغيير مي‌دهد، چنين نوآوري‌هايي اغلب پيامدهاي غيرمنتظره‌اي را نشان مي‌دهند كه شامل هنجارهاي جديد، انتظارات جديد و قوانين و قوانين جديد است.

براي تسهيل درك عميق‌تر، مسئوليت‌هاي اجتماعي و اخلاقي محاسبات (SERC)، يك ابتكار فرابخشي در كالج محاسباتي شوارتزمن MIT، اخيراً دانشمندان علوم اجتماعي و انسان‌گرايان را با دانشمندان كامپيوتر، مهندسان و ساير دانشكده‌هاي محاسباتي گرد هم آورده است. روش هايي كه در آن كاربرد گسترده الگوريتم ها و هوش مصنوعي فرصت ها و چالش هايي را در بسياري از جنبه هاي جامعه ارائه كرده است.

ماهيت واقعيت ما در حال تغيير است. دانيل هاتنلوچر، رئيس كالج محاسباتي MIT شوارتزمن، در سخنراني افتتاحيه خود گفت: هوش مصنوعي توانايي انجام كارهايي را دارد كه تا همين اواخر فقط قلمرو هوش انساني بود - چيزهايي كه مي توانند درك ما از معناي انسان بودن را به چالش بكشند. در افتتاحيه سمپوزيوم SERC. اين پرسش‌هاي فلسفي، مفهومي و عملي را در مقياسي مطرح مي‌كند كه از آغاز عصر روشنگري تجربه نشده است. در مواجهه با چنين تغييرات عميقي، ما به نقشه‌هاي مفهومي جديدي براي پيمايش تغييرات نياز داريم.»

اين سمپوزيوم نگاهي اجمالي به چشم انداز و فعاليت هاي SERC در زمينه تحقيقات و آموزش ارائه كرد. جورجيا پراكيس، استاد مديريت ويليام اف. پاوندز در دانشكده مديريت اسلون MIT، گفت: "ما معتقديم مسئوليت ما با SERC آموزش و تجهيز دانش آموزان است و اعضاي هيئت علمي ما را قادر مي سازد تا در توسعه و استقرار فناوري مسئولانه مشاركت كنند." معاون رئيس SERC و برگزاركننده اصلي سمپوزيوم. ما از نقاط قوت و تنوع بسياري از رشته‌ها در سراسر MIT و فراتر از آن استفاده مي‌كنيم و آنها را براي به دست آوردن ديدگاه‌هاي متعدد گرد هم مي‌آوريم.»

اين سمپوزيوم از طريق پانل‌ها و جلسات متوالي به موضوعات مختلف مرتبط با ابعاد اجتماعي و اخلاقي محاسبات پرداخت. همچنين 37 دانشجوي كارشناسي و كارشناسي ارشد از رشته‌هاي مختلف از جمله مطالعات و برنامه‌ريزي شهري، علوم سياسي، رياضيات، زيست‌شناسي، مهندسي برق و علوم كامپيوتر و علوم مغز و علوم شناختي در يك جلسه پوستر شركت كردند تا تحقيقات خود را در اين زمينه به نمايش بگذارند. فضا، پوشش موضوعاتي مانند اخلاق كوانتومي، تباني هوش مصنوعي در بازارهاي ذخيره سازي، ضايعات محاسباتي، و توانمندسازي كاربران در پلتفرم هاي اجتماعي براي اعتبار بهتر محتوا.

نمايش تنوع كار

سمپوزيوم SERC در سه جلسه كه به موضوعات محاسبات مفيد و منصفانه، سلامت عادلانه و شخصي‌شده، و الگوريتم‌ها و انسان‌ها اختصاص داشت، كار 12 عضو هيئت علمي را در اين حوزه‌ها به نمايش گذاشت.

يكي از اين پروژه ها از يك تيم چند رشته اي متشكل از باستان شناسان، معماران، هنرمندان ديجيتال و دانشمندان علوم اجتماعي محاسباتي با هدف حفظ مكان هاي ميراث در خطر انقراض در افغانستان با دوقلوهاي ديجيتالي انجام شد. تيم پروژه مدل‌هاي سه‌بعدي قابل بازجويي بسيار دقيقي از سايت‌هاي ميراث، علاوه بر تجربيات واقعيت و واقعيت مجازي گسترده، به عنوان منابع يادگيري براي مخاطباني كه نمي‌توانند به اين سايت‌ها دسترسي داشته باشند، توليد كردند.

در پروژه اي براي شبكه متحد براي به اشتراك گذاري اعضا، محققان نشان دادند كه چگونه از تجزيه و تحليل كاربردي براي بهينه سازي جنبه هاي مختلف يك سيستم تخصيص اندام در ايالات متحده استفاده مي كنند كه در حال حاضر در حال بازسازي اساسي است تا آن را كارآمدتر، عادلانه تر و فراگيرتر كند. براي گروه‌هاي مختلف نژادي، سني و جنسيتي، از جمله.

بحث ديگري درباره حوزه‌اي بحث مي‌كند كه هنوز توجه عمومي كافي را به خود جلب نكرده است: پيامدهاي گسترده‌تر براي برابري كه داده‌هاي حسگر مغرضانه براي نسل بعدي مدل‌ها در محاسبات و مراقبت‌هاي بهداشتي دارند.

بحث در مورد سوگيري در الگوريتم‌ها هم سوگيري انساني و هم سوگيري الگوريتمي و پتانسيل بهبود نتايج را با در نظر گرفتن تفاوت‌ها در ماهيت اين دو نوع سوگيري در نظر مي‌گيرد.

ديگر تحقيقات برجسته شامل تعامل بين سيستم عامل هاي آنلاين و روانشناسي انسان است. مطالعه اي در مورد اينكه آيا تصميم گيرندگان اشتباهات پيش بيني سيستماتيك در اطلاعات موجود انجام مي دهند يا خير. و تصويري از چگونگي استفاده از تجزيه و تحليل و محاسبات پيشرفته براي اطلاع رساني مديريت زنجيره تامين، عمليات و كارهاي نظارتي در صنايع غذايي و دارويي.

بهبود الگوريتم هاي tomorro w

آسو اوزداگلار، معاون دانشكده محاسبات شوارتزمن MIT و رئيس دپارتمان مهندسي برق و علوم كامپيوتر، در آغاز پانلي كه مديريت آن را بر عهده داشت، گفت: «الگوريتم‌ها بدون ترديد بر هر جنبه از زندگي ما تأثير مي‌گذارند. مفاهيم داده ها و الگوريتم ها

اوزداگلار مي‌گويد: «چه در زمينه رسانه‌هاي اجتماعي، تجارت آنلاين، وظايف خودكار، و اكنون طيف وسيع‌تري از تعاملات خلاقانه با ظهور ابزارهاي مولد هوش مصنوعي و مدل‌هاي زباني بزرگ، ترديدي وجود ندارد كه چيزهاي بيشتري در راه است. . «در حالي كه اين وعده براي همه ما آشكار است، جاي نگراني زيادي نيز وجود دارد. اكنون زمان بسيار زيادي براي تفكر تخيلي و بررسي دقيق براي بهبود الگوريتم هاي فردا است.

اوزداگلار با مراجعه به اين پنل، از متخصصان محاسبات، علوم اجتماعي و علوم داده‌ها خواست تا در مورد چگونگي درك آنچه قرار است بيايند و آن را براي غني‌سازي نتايج براي اكثريت بشريت شكل دهند.

سارا ويليامز، دانشيار فناوري و برنامه‌ريزي شهري در MIT، بر اهميت حياتي درك فرآيند نحوه جمع‌آوري مجموعه‌هاي داده تأكيد كرد، زيرا داده‌ها پايه و اساس همه مدل‌ها هستند. او همچنين بر نياز به تحقيق براي پرداختن به پيامدهاي بالقوه سوگيري ها در الگوريتم هايي تاكيد كرد كه اغلب از طريق سازندگان و داده هاي مورد استفاده در توسعه آنها راه خود را پيدا مي كنند. او گفت: «اين به ما بستگي دارد كه به راه حل هاي اخلاقي خود براي اين مشكلات فكر كنيم. همانطور كه پيشرفت در فناوري مهم است، ما بايد زمينه بررسي اين سؤالات را آغاز كنيم كه كدام سوگيري ها در الگوريتم ها وجود دارد؟ چه سوگيري هايي در داده ها يا در سفر آن داده ها وجود دارد؟

با تغيير تمركز به مدل‌هاي مولد و اينكه آيا توسعه و استفاده از اين فناوري‌ها بايد تنظيم شود يا خير، اعضاي پانل - كه شامل سريني دواداس، استاد مهندسي برق و علوم كامپيوتر از MIT، جان هورتون، استاد فناوري اطلاعات، و سايمون جانسون، استاد كارآفريني - همه موافق بودند كه تنظيم الگوريتم‌هاي منبع باز، كه براي عموم قابل دسترسي هستند، با توجه به اينكه تنظيم‌كننده‌ها هنوز در حال عقب‌نشيني هستند و حتي براي ايجاد حفاظ براي فناوري كه اكنون 20 سال از عمر آن مي‌گذرد، دشوار است.

جانسون با بازگشت به اين سوال كه چگونه مي توان به طور مؤثر استفاده از اين فناوري ها را تنظيم كرد، يك سيستم مالياتي شركتي مترقي را به عنوان يك راه حل بالقوه پيشنهاد كرد. او توصيه مي‌كند كه پرداخت‌هاي مالياتي شركت‌ها بر اساس سودشان باشد، به‌ويژه براي شركت‌هاي بزرگي كه درآمدهاي كلان آن‌ها به دليل بانكداري خارج از كشور تا حد زيادي از ماليات خارج مي‌شود. با انجام اين كار، جانسون گفت كه اين رويكرد مي‌تواند به عنوان يك مكانيسم نظارتي عمل كند كه شركت‌ها را از تلاش براي «مالكيت كل جهان» با تحميل عوامل بازدارنده منصرف مي‌كند.

نقش اخلاق در آموزش محاسباتي

از آنجايي كه محاسبات بدون هيچ نشانه‌اي از كند شدن به پيشرفت خود ادامه مي‌دهد، آموزش دانش‌آموزان به منظور عمدي در تأثير اجتماعي فناوري‌هايي كه در حال توسعه و استقرار در جهان خواهند بود، بسيار مهم است. اما آيا واقعاً مي توان چنين چيزهايي را به فرد آموخت؟ اگر چنين است، چگونه؟

كاسپار هير، استاد فلسفه در MIT و معاون رئيس دانشگاه SERC، اين سوال را به اعضاي هيئت علمي در پانلي كه او در مورد نقش اخلاق در آموزش محاسبات نظارت داشت، مطرح كرد . هر يك از اعضاي پانل با تجربه در آموزش اخلاق و تفكر در مورد پيامدهاي اجتماعي محاسبات، ديدگاه و رويكرد خود را به اشتراك گذاشتند.

ادن مدينا، استاديار علوم، فناوري و جامعه در MIT، يكي از مدافعان جدي اهميت يادگيري از تاريخ، گفت: «اغلب روشي كه ما محاسبات را چارچوب بندي مي كنيم اين است كه همه چيز جديد است. يكي از كارهايي كه من در تدريس خود انجام مي‌دهم اين است كه به نحوه مواجهه مردم با اين مسائل در گذشته نگاه مي‌كنم و سعي مي‌كنم از آنها به عنوان راهي براي فكر كردن به راه‌هاي پيش رو استفاده كنم.» مدينه مرتباً از مطالعات موردي در كلاس‌هاي خود استفاده مي‌كند و به مقاله‌اي كه توسط مورخ علم دانشگاه ييل، جوانا رادين در مورد مجموعه داده‌هاي ديابت هندي پيما نوشته شده است، اشاره مي‌كند كه مسائل اخلاقي را در مورد تاريخچه آن مجموعه خاص از داده‌ها مطرح مي‌كند كه بسياري آن را نمونه‌اي از آن نمي‌دانند. چگونه تصميمات پيرامون فناوري و داده ها مي توانند از زمينه هاي بسيار خاص رشد كنند.

ميلو فيليپس-براون، دانشيار فلسفه در دانشگاه آكسفورد، در مورد پروتكل محاسباتي اخلاقي صحبت كرد كه در زماني كه دكتراي ارشد SERC در MIT بود، ايجاد كرد. اين پروتكل، يك رويكرد چهار مرحله‌اي براي ايجاد مسئوليت‌پذير فناوري، براي آموزش دانشجويان علوم كامپيوتر طراحي شده است تا با تقسيم كردن فرآيند به مراحل قابل مديريت‌تر، به روشي بهتر و دقيق‌تر در مورد پيامدهاي اجتماعي فناوري فكر كنند. او گفت: «رويكرد اساسي كه ما از آن استفاده مي‌كنيم، بسيار بر حوزه‌هاي طراحي حساس به ارزش، تحقيق و نوآوري مسئولانه، طراحي مشاركتي به‌عنوان بينش‌هاي راهنما استوار است و سپس اساساً بين‌رشته‌اي است».

رشته هايي مانند زيست پزشكي و حقوق داراي اكوسيستم اخلاقي هستند كه كاركرد استدلال اخلاقي را در اين زمينه ها توزيع مي كند. نظارت و مقررات براي راهنمايي ذينفعان و تصميم گيرندگان خط مقدم در هنگام بروز مسائل، و همچنين برنامه هاي آموزشي و دسترسي به تخصص بين رشته اي كه مي توانند از آن استفاده كنند، ارائه مي شود. جان باسل، استاديار فلسفه در دانشگاه نورث ايسترن، گفت: «در اين فضا، ما هيچ كدام از اينها را نداريم. براي نسل‌هاي كنوني دانشمندان كامپيوتر و ساير تصميم‌گيرندگان، ما در واقع آنها را وادار مي‌كنيم كه استدلال اخلاقي را خودشان انجام دهند.» باسل همچنين اظهار داشت كه آموزش مهارت‌هاي استدلال اخلاقي اصلي در سراسر برنامه درسي، نه فقط در كلاس‌هاي فلسفه، ضروري است، و هدف نبايد اين باشد كه هر دانشمند كامپيوتر يك متخصص اخلاق حرفه‌اي باشد.

پس از جلسه پاياني، گروه‌هاي بين‌رشته‌اي از اساتيد، دانشجويان و پژوهشگران به بحث‌هاي متحرك مرتبط با موضوعات تحت پوشش در طول روز طي پذيرايي كه پايان سمپوزيوم بود، پرداختند.