سايت تبليغات علفو پلاس

تابستان گذشته، رهبران MIT's Venture Mentoring Service (VMS) متوجه روند رو به رشد برنامه‌هاي كارآفريني در اين برنامه شدند: تعداد فزاينده‌اي از بنيان‌گذاران مشتاق ابراز علاقه به تأثير اجتماعي مي‌كردند.

VMS كه دانش‌آموزان و فارغ‌التحصيلان را با تيم‌هايي از مربيان مرتبط مي‌سازد، بوت‌كمپ‌ها را ميزباني مي‌كند، ساعات اداري متخصص را برگزار مي‌كند، و يك روز آزمايشي سالانه ارائه مي‌كند، قبلاً پيشنهاداتي براي كمك به بنيان‌گذاران متمركز بر اين نوع تأثير نداشت، بنابراين رهبران آن تصميم گرفتند يك Impact را آزمايش كنند. سري بلندگو.

اين مجموعه كه كارآفرينان باتجربه در مراحل اوليه از جامعه MIT را به نمايش گذاشت و در طول سال برگزار شد، موفقيت چشمگيري بود. در مجموع، بيش از 1200 عضو انجمن MIT در هشت رويداد ثبت نام كردند، از جمله دانشجويان در تمام مراحل تحصيل و همچنين فارغ التحصيلاني كه علاقه مند به ايجاد تأثير مثبت بر جهان از طريق كارآفريني بودند.

پل بوسكو، مربي VMS و يكي از رهبران مجموعه، مي‌گويد: «ما تمايل شديد شركت‌كنندگان را براي كشف كارآفريني به‌عنوان راهي براي حل فوري‌ترين مشكلاتمان احساس كرديم. ميزان شناسايي دانش‌آموزان با چالش‌هايي مانند آب و هوا، سلامت، پايداري و آموزش، به جاي رشته تحصيلي، قابل توجه بود. هدف ما اين بود كه به آنها كمك كنيم مسيري را به عنوان اولين بنيانگذار ببينند."

اكنون VMS با ارائه خدمات پشتيباني بيشتر براي دانشجويان تأثيرمحور، از جمله ميزباني رويدادهاي اضافي، افزودن كارآفرينان تأثيرگذار با تجربه و كارشناسان شركت هاي اجتماعي به شبكه مربيان خود، و ارتباط با سرمايه گذاران و مديران با تجربه بيشتر، از شتاب مجموعه بلندگوها استفاده مي كند. سازمان‌هاي پيشرو كه بر تأثير تمركز دارند.

در نهايت، VMS بر اين باور است كه اين تلاش‌هاي جديد، مأموريت گسترده‌تر MIT را در تبديل علم و نوآوري از آزمايشگاه‌ها و كلاس‌هاي درس به پيشرفت‌هاي مثبت در سراسر جهان تقويت مي‌كند.

بوسكو مي‌گويد: «محور ما براي تقويت حمايت از بنيان‌گذاراني كه علاقه به تأثيرگذاري دارند، كاملاً با مأموريت MIT همسو است. «پيگيري تحقيقات و ايده‌ها با اشتياق براي تأثيرگذاري در تغيير جهان، هميشه در DNA MIT بوده است. نسل جديدي از كارآفرينان ما را به چالش مي‌كشند تا به آنها كمك كنيم تا مهارت‌هاي خود را ارتقا دهند و سازمان‌ها را براي ساختن دنيايي بهتر رهبري كنند.»

زدن وتر

هر يك از رويدادهاي VMS موضوع متفاوتي داشت، از پرداختن به چالش‌هاي كلي بنيان‌گذار، مانند جمع‌آوري سرمايه اوليه يا بدون كاهش هزينه‌ها تا ايجاد سرمايه‌گذاري‌هاي استارت‌آپ در بخش‌هايي مانند آب و هوا، مراقبت‌هاي بهداشتي، و آموزش. يكي از پانل‌ها بر كمك به كارآفرينان براي يافتن مسيرهاي شخصي خود براي موفقيت و تأثيرگذاري متمركز بود و بنيان‌گذاران شركت‌هاي تأثيرگذار را در مراحل مختلف توسعه نشان مي‌داد. ميزگرد ديگري با عنوان تامين مالي مسير شما به سمت تأثير و موفقيت ، سرمايه‌گذاران و مديران برنامه‌هاي سرمايه‌گذاري سرمايه‌گذاري را كه تأثيرگذار بودند، نشان مي‌داد.

مي‌خواهم بنيان‌گذاران را تشويق كنم كه به سمت يك مدل جديد «موفقيت تك‌شاخ» حركت كنند، كه در آن موفقيت با ارزش‌هاي ۱ ميليارد دلاري سنجيده نمي‌شود، بلكه بر اساس كاهش كربن در حال تغيير جهان، پاكيزگي آب، نجات جان‌ها، الهام گرفتن از دانش‌آموزان است. الا ميروسكي، مدير برنامه بنياد ملي علوم، در يكي از رويدادها به حضار گفت.

در مجموع، اين رويدادها 24 سخنران خبره، بنيانگذاران مراحل اوليه و سرمايه گذاران را به نمايش گذاشتند. سخنرانان تأكيد كردند كه كسب‌وكارهاي تأثيرگذار، مي‌توانند اشكال مختلفي داشته باشند. بوسكو، كه مديريت يكي از پانل‌ها را بر عهده داشت، مي‌گويد از دانشجويان و فارغ‌التحصيلان علاقه‌مند به راه‌اندازي شركت‌هاي انتفاعي كه بر روي سود و تأثير تمركز داشتند، چيزي كه او آن‌ها را «پايين‌هاي دوگانه» مي‌خواند، شنيده است و همچنين دانشجويان علاقه‌مند به راه‌اندازي شركت‌هاي عام المنفعه، اجتماعي. شركت ها و سازمان هاي غيرانتفاعي سنتي

Akshit Singla SM '22 مي گويد: "VMS در استفاده از انواع مختلف كارآفرينان در مراحل مختلف سفر آنها بهتر مي شود." اين دقيقاً همان چيزي است كه نياز است، و من اين را مي‌دانم زيرا ليست انتظار بزرگي براي اين رويدادها وجود داشت.»

زهرا كانجي، كه در آخرين رويداد VMS در ماه مه شركت كرد و در حال حاضر مدير MIT Hacking Medicine است، اين مجموعه سخنران را پاسخي طبيعي به نيازهاي دانشجويان در حال تكامل مي‌داند.

كانجي گفت: "براي دانش آموزان، من فكر مي كنم تمركز در طول سال ها تغيير زيادي كرده است." «قبلاً علاقه بسيار بيشتري به كارآفريني با كسب درآمد به عنوان هدف نهايي وجود داشت، و اكنون به يك هدف سه گانه تبديل شده است، مانند يك شركت عام المنفعه يا چيزي كه تأثير بيشتري دارد. بنابراين، شنيدن درس‌هاي كليدي آموخته‌شده از متخصصان واقعاً مهم است – اينها پاسخ‌هايي نيستند كه بتوانيد در يك كتاب درسي دريافت كنيد.

گوش دادن به جامعه

بسياري از رويدادهاي VMS سال آينده شبيه به رويدادهايي خواهند بود كه امسال در جامعه MIT بيشتر طنين انداز شد. VMS همچنين رويدادي در مورد كارآفريني در هوش مصنوعي و محاسبات براي تأثيرگذاري اضافه خواهد كرد. VMS اميدوار است به گسترش ارتباطات دانشجويي با بنيانگذاران اخير، يا آنچه بوسكو به عنوان «بنيان‌گذاران نزديك به همتا» مي‌نامد، ادامه دهد، كه بتواند ارتباط نزديك‌تري با بنيان‌گذاراني كه براي اولين بار در محيط راه‌اندازي فعلي حركت مي‌كنند، داشته باشد.

Matt Cherian SM '11، مربي VMS مي‌گويد: «با توجه به اينكه بسياري از كارآفرينان جديد در حال تغيير روي تأثيرگذاري هستند، ما نياز به تكامل داريم». خوشحالم كه دانش‌آموزان شروع به تفكر متفاوت كرده‌اند، و من واقعاً خوشحالم كه VMS اين برنامه‌نويسي را براي كمك به مردم در تفكر به اين روش جديد ايجاد مي‌كند.

بوسكو مي‌گويد: «قابل توجه‌ترين جنبه مجموعه ما تعهد دانشجويان، از جمله فارغ‌التحصيلان، فارغ‌التحصيلان و فوق‌دكتري‌ها بود كه اشتياق خود را براي تأثيرگذاري از طريق كارآفريني دنبال مي‌كردند». «بسياري از دانش‌آموزاني كه در جستجوي كارآفريني براي تأثيرگذاري با آنها آشنا شديم، پيشنهادهاي شغلي استثنايي از كارفرمايان برتر دارند، يا اگر دانش‌آموز هستند، موقعيت‌هاي مهمي را ترك مي‌كنند تا هدف بزرگ‌تري را در زندگي خود دنبال كنند. كمك به هر يك از اين بنيانگذاران عميقاً الهام‌بخش و باعث افتخار است.»

تيمي از شيميدانان از MIT و دانشگاه دوك يك راه غيرمستقيم براي قوي‌تر كردن پليمرها كشف كرده‌اند: چند پيوند ضعيف‌تر به مواد وارد كنند.

محققان با كار با نوعي پليمر به نام الاستومرهاي پلي آكريلات دريافتند كه مي توانند مقاومت مواد در برابر پارگي را تا 10 برابر افزايش دهند، به سادگي با استفاده از نوع ضعيف تر اتصال دهنده براي اتصال برخي از بلوك هاي ساختماني پليمري.

اين پليمرهاي لاستيكي مانند معمولاً در قطعات خودرو استفاده مي شوند و همچنين اغلب به عنوان جوهر براي اشياء چاپ شده با چاپ سه بعدي استفاده مي شوند. محققان اكنون در حال بررسي گسترش احتمالي اين رويكرد به انواع ديگر مواد مانند تايرهاي لاستيكي هستند.

جرميا جانسون، استاد شيمي در MIT و مي‌گويد: «اگر مي‌توانيد يك تاير لاستيكي را 10 برابر در برابر پارگي مقاوم‌تر كنيد، اين مي‌تواند تأثير چشمگيري بر طول عمر لاستيك و ميزان ضايعات ميكروپلاستيكي كه جدا مي‌شود داشته باشد. يكي از نويسندگان ارشد اين مطالعه، كه امروز در Science ظاهر مي شود .

مزيت قابل توجه اين روش اين است كه به نظر نمي رسد هيچ يك از خواص فيزيكي ديگر پليمرها را تغيير دهد.

مهندسان پليمر مي‌دانند كه چگونه مواد را سخت‌تر كنند، اما هميشه شامل تغيير برخي ويژگي‌هاي ديگر مواد است كه شما نمي‌خواهيد تغيير دهيد. در اينجا، افزايش چقرمگي بدون هيچ تغيير قابل توجه ديگري در خواص فيزيكي - حداقل آن چيزي كه ما بتوانيم اندازه گيري كنيم - حاصل مي شود و تنها از طريق جايگزيني بخش كوچكي از مواد كلي حاصل مي شود. دانشگاه دوك كه همچنين نويسنده ارشد مقاله است.

اين پروژه از همكاري ديرينه جانسون، كريگ و پروفسور دانشگاه دوك، مايكل روبينشتاين، كه نويسنده ارشد مقاله نيز هست، شكل گرفت. نويسنده اصلي مقاله، شو وانگ، يك فوق دكتراي MIT است كه دكتراي خود را در دوك به دست آورده است.

ضعيف ترين حلقه

الاستومرهاي پلي‌اكريلات شبكه‌هاي پليمري هستند كه از رشته‌هاي آكريلات ساخته شده‌اند كه توسط مولكول‌ها به هم متصل مي‌شوند. اين بلوك‌هاي ساختماني را مي‌توان به روش‌هاي مختلف به يكديگر متصل كرد تا موادي با خواص متفاوت ايجاد كنند.

يكي از معماري هايي كه اغلب براي اين پليمرها استفاده مي شود شبكه پليمري ستاره اي است. اين پليمرها از دو نوع بلوك ساختماني ساخته مي‌شوند: يكي، ستاره‌اي با چهار بازوي يكسان، و ديگري زنجيره‌اي كه به‌عنوان يك رابط عمل مي‌كند. اين اتصال دهنده ها به انتهاي هر بازوي ستاره ها متصل مي شوند و شبكه اي شبيه تور واليبال ايجاد مي كنند.

در يك مطالعه در سال 2021، كريگ، روبينشتاين و پروفسور MIT بردلي اولسن براي اندازه گيري استحكام اين پليمرها با يكديگر همكاري كردند. همانطور كه انتظار داشتند، آنها دريافتند كه وقتي از اتصال دهنده هاي انتهايي ضعيف تري براي نگه داشتن رشته هاي پليمري در كنار هم استفاده مي شود، ماده ضعيف تر مي شود. آن پيوندهاي ضعيف‌تر، كه حاوي مولكول‌هاي حلقوي به نام سيكلوبوتان هستند، مي‌توانند با نيروي بسيار كمتري نسبت به پيوندهايي كه معمولاً براي اتصال به اين بلوك‌هاي ساختماني استفاده مي‌شوند، شكسته شوند.

در ادامه آن مطالعه، محققان تصميم گرفتند نوع متفاوتي از شبكه پليمري را بررسي كنند كه در آن رشته‌هاي پليمري به جاي اتصال در انتها، به رشته‌هاي ديگر در مكان‌هاي تصادفي متصل مي‌شوند. 

اين بار، هنگامي كه محققان از اتصال دهنده هاي ضعيف تري براي اتصال بلوك هاي ساختماني آكريلات به يكديگر استفاده كردند، دريافتند كه اين ماده در برابر پاره شدن بسيار مقاوم تر شده است.

محققان بر اين باورند كه اين اتفاق مي‌افتد، زيرا پيوندهاي ضعيف‌تر به‌جاي اينكه بخشي از خود رشته‌هاي نهايي باشند، به‌صورت تصادفي بين رشته‌هاي قوي‌تر در سراسر ماده توزيع مي‌شوند. هنگامي كه اين ماده تا نقطه شكست كشيده مي شود، هر تركي كه در ماده منتشر مي شود سعي مي كند از پيوندهاي قوي تر جلوگيري كند و به جاي آن از پيوندهاي ضعيف تر عبور كند. اين به اين معني است كه ترك بايد پيوندهاي بيشتري را نسبت به زماني كه همه پيوندها داراي استحكام يكساني بودند بشكند.

جانسون مي‌گويد: «اگرچه اين پيوندها ضعيف‌تر هستند، اما تعداد بيشتري از آنها در نهايت نياز به شكستن دارند، زيرا شكاف مسيري را از ضعيف‌ترين پيوندها طي مي‌كند كه در نهايت مسير طولاني‌تري است».

مواد سخت

با استفاده از اين رويكرد، محققان نشان دادند كه پلي‌اكريلات‌هايي كه داراي پيوندهاي ضعيف‌تر بودند، 9 تا 10 برابر سخت‌تر از پلي‌اكريلات‌هاي ساخته‌شده با مولكول‌هاي اتصال عرضي قوي‌تر پاره مي‌شوند. اين اثر حتي زماني به دست آمد كه پيوندهاي عرضي ضعيف تنها حدود 2 درصد از تركيب كلي ماده را تشكيل مي دادند.

محققان همچنين نشان دادند كه اين تركيب تغييريافته هيچ يك از خواص ديگر مواد مانند مقاومت در برابر شكستن در هنگام گرم شدن را تغيير نداد.

جانسون مي‌گويد: «ساختار و خواص يكسان دو ماده در سطح شبكه، اما تفاوت تقريباً بزرگي در پارگي داشته باشند، بسيار نادر است.

محققان اكنون در حال بررسي هستند كه آيا اين رويكرد مي تواند براي بهبود چقرمگي مواد ديگر از جمله لاستيك مورد استفاده قرار گيرد يا خير.

كريگ مي‌گويد: «در اينجا چيزهاي زيادي براي بررسي در مورد اينكه چه سطحي از پيشرفت را مي‌توان در انواع ديگر مواد به دست آورد و بهترين استفاده از آن را بررسي كرد.

كار اين گروه بر روي استحكام پليمري بخشي از يك مركز سرمايه گذاري شده توسط بنياد ملي علوم به نام مركز شيمي شبكه هاي بهينه مولكولي است . ماموريت اين مركز كه توسط كريگ هدايت مي شود، بررسي چگونگي تاثير خواص اجزاي مولكولي شبكه هاي پليمري بر رفتار فيزيكي شبكه ها است. 

در اوج همه‌گيري كوويد-19، زماني كه بسياري از بيمارستان‌ها فاقد تخت‌ها و دستگاه‌هاي تنفس مصنوعي بودند، پالس اكسي‌متر نوك انگشتي - يك خريد 20 دلاري از داروخانه‌هاي محله - به داوري اصلي در مورد اينكه آيا يك بيمار «به‌اندازه كافي بيمار» است براي پذيرش در اورژانس تبديل شد. اتاق

در بهار امسال، 10 دانشجو كه توسط مدل هاي تلسكوپ عتيقه در يك كلاس درس در موزه MIT احاطه شده بودند، روي يك ميز سمينار مربع شكل خم شدند. آنها پالس اكسيمترهاي اوليه را از كيت‌هاي ارزان‌قيمت انجام دهيد (DIY) از سيم‌كشي‌هاي مختلف از  TinyCircuits مي‌ساختند . 

اين فقط يك جلسه از كلاس MIT 21A.311 (زندگي اجتماعي اشياء پزشكي) بود، دوره اي كه توسط امي موران-توماس، دانشيار انسان شناسي و برنده جايزه دستاورد دانشكده ادگرتون در سال 2022 تدريس  شد .

موران توماس مشاهده كرد كه چارچوب‌هاي كليدي انسان‌شناسي براي مطالعه فرهنگ مادي اغلب در فضاهاي طراحي دستگاه و دوره‌هاي پيش‌پزشكي وجود ندارد. او اين كلاس را در سال 2019 براي تشويق دانش آموزان به يادگيري از رويكردهاي قوم نگاري، برنامه MIT در علم، فناوري و جامعه، و تاريخ ايجاد كرد تا به بررسي سوالات اجتماعي مرتبط با اشياء بهداشتي بپردازد.

با توجه به مطالعه موردي مربوط به مواد، دستگاه يا فناوري مختلف سلامت، هر جلسه آنچه را موران توماس به عنوان «فرض‌هاي اجتماعي كه در اشياء براي بهبود سلامتي ساخته مي‌شوند» بررسي مي‌كند.

براي تمركز اين هفته بر روي «سياست اندازه‌گيري»، دانش‌آموزان آستين‌هاي خود را براي بخش آزمايشگاهي كلاس بالا زدند و خوزه گومز-ماركز از  MakerHealth به آنها پيوست . او تيم ها را از طريق مونتاژ اكسيمتر خود راهنمايي كرد. 

سپس دانش‌آموزان تشويق شدند تا در كنار دو مدل از پيش بسته‌بندي شده كه خوانش‌هاي «جعبه‌هاي سياه» بسته‌شده را نشان مي‌دادند، با آن تعامل كنند. مدل‌هاي TinyCircuits با طراحي باز، اين عملكردهاي دروني را ابهام زدايي كردند، كه موران توماس به آن اشاره كرد كه يادآور تمام انتخاب‌هايي است كه هر جعبه سياهي مي‌تواند داشته باشد. دانش‌آموزان حسگرهاي DIY را به يك برد ميكروكنترلر وصل كردند و  با خطوط كد بازي كردند و فكر مي‌كردند كه چگونه ويرايش‌هاي كوچك ممكن است بر خواندن حسگرهايي كه روي نوك انگشتانشان نگه داشته شده‌اند، تأثير بگذارد.

نيكول سمن 23، تازه فارغ التحصيل رشته مهندسي مكانيك، ديابت نوع 1 دارد و از پمپ انسولين استفاده مي كند. او در اين دوره ثبت نام كرد زيرا وابستگي به يك دستگاه پزشكي چيزي است كه او خيلي خوب مي داند. او در مقاله‌اي در مورد تجربه تعويض پمپ‌ها نوشت و از يك قوم‌نگاري در مورد مفروضات بدن‌هاي «عادي» در كاشت‌هاي حلزون جهاني و آينده  حسي آن‌ها استفاده كرد .

سمن پس از سرهم بندي با اكسي متر DIY اشاره كرد كه چگونه برخي از دانش آموزان بلافاصله هنگام پوشيدن دو دستگاه از پيش بسته بندي شده به طور همزمان اختلافات زيادي را گزارش كردند. "اين يك كلاس متنوع است، و بنابراين ما توانستيم از نزديك ببينيم كه چگونه پالس اكس بسته به رنگ پوست متفاوت عمل مي كند."

كلاسي با پيامدهاي به موقع

 اين مشاهدات، كه شايد در سال 2023 آشكار بود، زماني كه موران توماس براي اولين بار مقاله اي پرخواننده را   در بوستون ريويو منتشر كرد كه شواهدي را در مورد اينكه چگونه پالس اكسيمترها مي توانند نتايج مغرضانه اي را براي افراد با پوست تيره تر ارائه دهند، منتشر كرد، با واكنش شديدي روبرو شد.

در اين مقاله، او توضيح داد كه اكسي‌مترها تا حدي با اندازه‌گيري جذب رنگ، سطح اكسيژن را اندازه‌گيري مي‌كنند: هموگلوبين حاوي آهن خون وقتي كاملاً با اكسيژن اشباع شود به رنگ زرشكي روشن‌تر است و وقتي اكسيژن كمتري در خود نگه مي‌دارد به رنگ ارغواني-قرمز خنك‌تر است. براي اندازه‌گيري اين، يك پالس اكسيمتر دو طول موج نور را به پوست مي‌تاباند – اما بسياري از توسعه‌دهندگان دستگاه‌ها روش‌هاي متفاوت جذب نور در رنگ‌هاي مختلف پوست را به دقت در نظر نگرفته‌اند، و اغلب آن را با گروه‌هاي آزمايشي عمدتاً سفيد رنگ طراحي و آزمايش مي‌كنند. اندازه‌گيري‌هاي تحريف شده را مي‌توان با الگوريتم‌ها تقويت كرد و موران توماس هشدار داد كه پيامدهاي اين سوگيري ذاتي مي‌تواند باعث ايجاد خطاهاي دستگاه با پيامدهاي تغيير دهنده زندگي شود، مانند اينكه آيا بيمار در بيمارستان بستري مي‌شود يا به او اكسيژن داده مي‌شود.

در كلاس درس موران توماس، دانش‌آموزان اين فرصت را داشتند كه دستگاه‌ها را باز كنند و انتخاب‌هاي انساني را كه «جعبه‌هاي سياه» مي‌توانند رمزگذاري كنند، ببينند. اين يك مثال ساده و زيبا از اين بود كه چقدر آسان است فرض كنيم كه اعداد در مراقبت هاي بهداشتي خنثي هستند - در حالي كه در واقع، كدها و نحوه تفسير آنها اغلب مملو از تعصبات ظريف است.

او مي‌گويد: «چيزي كه اميدوارم دانش‌آموزان از اين تمرين ببينند اين است كه بسياري از چيزهايي كه به عنوان داده‌هاي خام در نظر گرفته مي‌شوند، در واقع سيگنال‌هاي پردازش‌شده هستند، با واسطه تصميم‌هاي طراحي و تاريخچه‌هاي نابرابر. مفروضات اجتماعي در نحوه ساخت فناوري و اقدامات ما تحقق مي يابد. اين مفروضات در مورد اينكه كاربران نهايي يك دستگاه چه كساني خواهند بود، مستقيماً  بر عادلانه بودن طراحي و عملكرد آن تأثير مي گذارد - يا به طور خطرناكي نابرابر.

جلسه در آن روز با بازديد دانشيار مهندسي برق و كامپيوتر دانشگاه تافتس و فارغ التحصيلان MIT و پروفسور مدعو اخير MLK والنسيا جوينر كومسون '98، MNG '99 به پايان رسيد. كومسون با كار در يك چشم انداز حرفه اي كه در آن تنها 2 درصد از مهندسان را زنان سياه پوست تشكيل مي دهند، كار خود را براي ساختن يك  پالس اكسيمتر " هوشمند" ارائه كرد  كه براي همه كار مي كند، با توجه به دسترسي جهاني.   

موران توماس مي‌گويد كه ارائه كومسون نشان داد كه چرا طراحي عادلانه مهم است، و به دانش‌آموزان منتقل كرد كه چگونه چنين كاري  بسيار بيشتر  از آزمايش‌هاي متنوع است: همچنين تنوع در مهندسي و متخصصان را مي‌طلبد.

تورهاي دستگاه

براي يكي از سفرهاي ميداني در اوايل ترم، موران-توماس يك "تور دستگاه" از آمبولانس MIT به رهبري ابي شيپر جوان، كه در خدمات فوريت هاي پزشكي MIT به عنوان  تكنسين  پزشكي اورژانس داوطلب مي شود، ترتيب داد. شيپر دانش‌آموزان را از طريق تجهيزات حياتي از جمله فشارسنج و دستبند، و پالس اكسي‌متر برد.

تور شيپر همچنين نشان داد كه چگونه آگاهي گسترده‌تر درباره سؤالات دستگاه در جامعه پزشكي در حال رشد است. او كه از قبل به خوبي آگاه بود كه پالس اكسي متر براي همه به يك اندازه كار نمي كند، مثال هاي ديگري را به دانش آموزان آورد: كاف هاي فشار خون كه به صورت دستي كار مي كنند، به طور مشهور غيرقابل اعتماد هستند زيرا آمبولانس در جاده هاي پر چاله كمبريج شتاب مي گيرد. شيپر به دانش آموزان گفت: «شما بيمار را درمان مي كنيد، نه شماره. آمبولانس خود يك وسيله پزشكي بزرگ است.

دانش‌آموزان كلاس از شنيدن اينكه چگونه تجارب خود شيپر در كار در حمل‌ونقل اضطراري بر تفكر او در مورد سؤالات طراحي به عنوان يك دانشجوي مهندسي مكانيك تأثير گذاشته است، قدرداني كردند.

كلويي مك كري، يك دانشجوي ارشد كه قصد دارد در دانشكده پزشكي تحصيل كند، مي‌گويد: «اين كلاس واقعاً مرا به فكر واداشت. همه ما مسئوليت داريم كه مطمئن شويم اين دستگاه‌ها به صورت اخلاقي ساخته و استفاده مي‌شوند.»

ترسيم درس هاي آينده از اشياء تاريخي در موزه MIT

كلاس همچنين از مجموعه فناوري در موزه MIT بيرون كشيده شد. در يكي از جلسات اخير، دانش‌آموزان يكي از آخرين دستاوردهاي موزه را بررسي كردند، يك آشكارساز قديمي به نام  مانيتور آريتمي كنار تخت . اين توسط شخصي در حال تميز كردن يك ساختمان قديمي در محوطه دانشگاه دوباره كشف شد و پاييز گذشته به موزه بازگشت.

موران توماس مي‌گويد: «موزه MIT شروع به تحقيق در مورد آن كرد و متوجه شد كه اين دستگاه نقطه عطفي است. آنها از كلاس ما دعوت كردند تا در كشف جنبه اجتماعي داستان مشاركت كنند. متصديان موزه توانسته بودند مطمئن شوند كه اين دستگاه مستطيلي در دهه 1970 در مركز مهندسي زيست پزشكي MIT براي ابزار دقيق باليني نمونه‌سازي شده بود و برچسب‌هاي فلزي سال‌هايي را كه در مركز پزشكي Beth Israel Deaconess و ناسا سپري كرده بود بر روي آن نصب شده بود. 

Bedside Arrhythmia Monitor به ايجاد PhysioNet كمك كرد كه امروزه يكي از پركاربردترين پايگاه‌هاي داده سلامت باز در جهان است. موران توماس پل اسكات شلوتر را كه آشكارساز را براي پايان نامه خود ساخت و مشاورش پروفسور MIT راجر مارك را دنبال كرد. آنها به طور مجازي با كلاس صحبت كردند تا در مورد چگونگي پيدايش آشكارساز آريتمي و پايگاه داده باز محوري آن به اشتراك بگذارند. در طول گفتگوي آنها، دستگاه روي يك ميز بين نسل‌ها قرار گرفت و گفتگو در مورد پيامدهاي بالقوه آن براي فصل‌هاي بعدي طراحي داده‌هاي باز در سلامت آغاز شد.

موران-توماس مي‌گويد: «هر مطالعه موردي براي تأكيد بر يكي از درس‌هاي اصلي انسان‌شناسي است: در هر مرحله از ايجاد و استفاده از يك شي، افرادي با تاريخچه و بينش‌هايي وجود دارند كه بايد در نظر گرفته شوند».

اكنون، اين به دانش‌آموزان اوست كه پرسش‌هاي قوم‌نگاري و رويكردهاي اجتماعي را در كار آينده‌شان بياورند.

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.