Aktuální vydání

Číslo 5/2021 vyšlo tiskem 5. 5. 2021. V elektronické verzi na webu 31. 5. 2021. 

Téma: Elektrotechnika v roce 2021; Software pro projektování a řízení

Hlavní článek
Jak postupovat po zrušení řazení prostor z hlediska nebezpečí úrazu elektrickým proudem a jak se vypořádat s vnějšími vlivy

Číslo 2/2021 vyšlo tiskem
9. 4. 2021. V elektronické verzi na webu 19. 4. 2021.

Denní světlo
Denné osvetlenie novostavby telocvične pomocou GLASSFLOOR

Příslušenství osvětlovacích soustav
DALI LINK – inteligentní a ekonomické řízení osvětlení pro samostatné místnosti
Napájecí zdroje LED s bezdrátovým rozhraním v nabídce MEAN WELL

„Tekutý“ systém strojového učení se přizpůsobuje proměnlivým podmínkám

29. 1. 2021 | MIT | www.mit.edu

Vědeckému týmu z Massachusettského technologického institutu (MIT) se podařilo vyvinout typ neuronové sítě, která se učí za pochodu, nejen během prvotní fáze. Tyto flexibilní algoritmy, přezdívané „tekuté“ sítě, mění své výchozí rovnice pro nepřetržitou adaptaci novým vstupním datům.

Tento přístup je zásadní pro budoucnost ovládání robotů, přirozené zpracování jazyka a zpracování videa – v podstatě jakékoliv formy věcně a prostorově srovnatelných pozorování dat,“ uvedl hlavní autor studie Ramin Hasani. „Potenciál je skutečně velmi významný.“ Hasani navrhl neuronovou síť schopnou adaptace na proměnlivost systémů reálného světa. Neuronové sítě jsou algoritmy, které rozpoznávají vzorce analýzou sady zkušebních příkladů.

Proměnný systém strojového učení

Hasani se při kódování své neuronové sítě nechal inspirovat způsoben aktivace a vzájemné komunikace neuronů haďátek obecných (haďátko je významným modelovým organismem, který se používá zejména v molekulární a vývojové biologii) prostřednictvím elektrických impulzů. Ve svých rovnicích umožnil proměnlivost parametrů na základě výsledků vnořené sady různorodých rovnic. Tato flexibilita je klíčová, jelikož chování většiny neuronových sítí po skončení zkušební fáze je neměnné, což znamená, že mají potíže přizpůsobit se změnám vstupních dat.

Celý článek na MIT

Image Credit: Jose-Luis Olivares

-jk-