این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.
هارتمن می‌گوید: «ما موفق شدیم این اطلاعات را از داده‌های زمان پرواز الکترون‌های پر سر و صدا استخراج کنیم، و بسیار بهتر از روش‌های آنالیز مرسوم». حتی داده های دارای مصنوعات خاص آشکارساز را می توان به این روش پاک کرد.
دکتر گرگور هارتمن توضیح می دهد: “در این فرآیند، دو NN آموزش داده می شوند تا فرم فشرده شده توسط انسان قابل تفسیر باشد.” این فیزیکدان و دانشمند داده بر آزمایشگاه مشترک روش‌های هوش مصنوعی در HZB نظارت می‌کند که توسط HZB به همراه دانشگاه کاسل اداره می‌شود.
هارتمن می گوید: «پس از چندین سال یادگیری نحوه یادگیری NN ها، سرانجام کار کرد. β-VAE ها قادرند اصل اصلی اساسی را از داده ها بدون دانش قبلی استخراج کنند.
بیشتر همیشه بهتر نیست – گاهی اوقات این یک مشکل است. با داده های بسیار پیچیده، که به دلیل پارامترهای متعددشان ابعاد زیادی دارند، همبستگی ها اغلب دیگر قابل تشخیص نیستند. به خصوص از آنجایی که داده‌های به‌دست‌آمده تجربی به دلیل تأثیراتی که نمی‌توان کنترل کرد، به‌علاوه آشفته و پر سر و صدا هستند.
Google Deepmind قبلاً پیشنهاد استفاده از β-VAEs را در سال 2017 داده بود. بسیاری از کارشناسان تصور می‌کردند که کاربرد در دنیای واقعی چالش برانگیز خواهد بود، زیرا جدا کردن اجزای غیرخطی دشوار است.
چکیده گرافیکی اعتبار: گزارش های علمی (2022). DOI: 10.1038/s41598-022-25249-4
در مجموع، هارتمن و تیمش سه سال را صرف توسعه این نرم افزار کردند. اما الان کم و بیش پلاگ اند پلی شده است. امیدواریم به زودی همکاران زیادی با داده های خود بیایند و بتوانیم از آنها حمایت کنیم.”
اطلاعات بیشتر:
گرگور هارتمن و همکاران، استخراج دانش دنیای واقعی بدون نظارت از طریق رمزگذارهای خودکار متغیر جداشده برای تشخیص فوتون، گزارش های علمی (2022). DOI: 10.1038/s41598-022-25249-4
گرگور هارتمن و همکاران، استخراج دانش دنیای واقعی بدون نظارت از طریق رمزگذارهای خودکار متغیر جداشده برای تشخیص فوتون، گزارش های علمی (2022). DOI: 10.1038/s41598-022-25249-4
در مطالعه ای که اکنون در مجله منتشر شده است گزارش های علمی، گروه از این نرم افزار برای تعیین انرژی فوتون FLASH از طیف فوتوالکترون تک شات استفاده کردند.
هارتمن می‌گوید: «این روش برای داده‌های مختل شده واقعاً خوب است. این برنامه حتی قادر به بازسازی سیگنال های کوچکی است که در داده های خام قابل مشاهده نبودند. چنین شبکه هایی می توانند به کشف اثرات فیزیکی یا همبستگی های غیرمنتظره در مجموعه داده های آزمایشی بزرگ کمک کنند. هارتمن می گوید: فشرده سازی داده های هوشمند مبتنی بر هوش مصنوعی یک ابزار بسیار قدرتمند است، نه تنها در علم فوتون.