2018. 07. 10. - 09:30

Molekuláris kézírást ismer fel a mesterséges intelligencia

Molekuláris kézírást ismer fel a mesterséges intelligencia

Kutatók olyan, DNS-ből álló mesterséges neurális hálózatot fejlesztettek ki, amely képes megoldani a klasszikus gépi tanulás problémáját: megfelelően azonosítja a kézzel írt számokat. Mindez jól mutatja, hogy az MI szintetikus biomolekuláris áramkörökben is programozható.

Újabb meghökkentő újdonság a mesterséges intelligencia terén. A tudósok olyan mesterséges neurális hálózatot fejlesztettek ki a DNS-ből, amely felismeri a nagyon összetett és „zajos” molekuláris információkat is.
 
A Caltech kutatói hozták létre DNS-ből a mesterséges neurális hálózatot, mely képes korrekt módon felismerni a kézzel írt számokat. Mindez azt mutatja, hogy az MI szintetikus biomolekuláris áramkörökön belül is programozható.
 
A fejlesztést Lili Qian, biomérnök professzor laboratóriumában végezték el és a Nature szaklapban közölték.
 
Megfelelően felismeri a kézzel írt számokat a mesterséges neurális hálózat
Megfelelően felismeri a kézzel írt számokat a mesterséges neurális hálózat
 
„Noha a tudósok csak most kezdték felfedezni a molekuláris gépekben létrehozott mesterséges intelligenciát, annak lehetőségei már most tagadhatatlanok – mondta Qian. – Ahhoz hasonlóan, ahogyan az elektromos számítógépek és okostelefonok ma jóval többet segítenek az embereknek, mint 100 éve, a mesterséges molekurális gépeknek köszönhetően bármit elkészíthetünk molekulákból, talán még a kötszereket és a festékeket is, melyek a környezetre is jól reagálnak.”
 
A mesterséges neurális hálózatok az emberi agy által inspirált matematikai modellek. S noha sokkal egyszerűbbek, mint biológiai úton létrejött „társaik”, ezek is úgy működnek, mint az idegsejtek hálózata, s képesek komplex információkat feldolgozni.
 
A Qian laboratórium végső célja intelligens viselkedésmintákat programozni a DNS-ből készült mesterséges neurális hálózatokkal.
 
„Az emberek agya több mint 80 milliárd neuronnal rendelkezik, melyek segítségével igen kifinomult döntéseket hoznak. A kisebb állatok egyszerűbb döntéshozatalra képesek, néhány száz idegsejttel. A laboratóriumban most olyan biokémiai áramköröket alkottunk meg, mely kis neuronhálózatokként működnek és jóval összetettebben osztályozzák a molekuláris információkat, mint ez korábban lehetséges volt” – magyarázta a szakember.
 
Kevin Cherry, a labor végzős hallgatója egy olyan feladatot választott a neurális hálózat képességeinek tesztelésére, mely általában kihívást jelent az elektronikus mesterséges neurális hálózatok számára: ez az emberi kézírás felismerése.
 
Még az emberek sem mindig képesek azonosítani a bonyolultabb kézírást, lehetnek azok betűk vagy számok – ezért ezt gyakran használják az elektronikus mesterséges neurális hálózatoknál is tesztként.
 
A DNS-szekvenciákból álló neurális hálózat azonban az előírt kémiai reakciók segítségével képes volt a „molekuláris kézírás” pontos azonosítására.
 
Az MI rendszer 12 ezer mintát képes azonosítani 6-os és 7-es számból
Az MI rendszer 12 ezer mintát képes azonosítani 6-os és 7-es számból
 
A vizuális kézírással ellentétben, mely mondhatni geometrikusan változó, a molekuláris kézírás példái valójában nem egy szám alakját veszik fel. Ehelyett minden molekuláris szám 20 egyedi DNS-szálból áll, melyeket 100 molekulából választanak ki. Mindegyikük 10x10-es mintánként egyedi pixelt képvisel. Ezen DNS-szálakat összekeverik egy kémcsőben.
 
A természetes molekuláris aláírásokban nem ritka a geometrikus formák hiánya, de kifinomult biológiai neurális hálózatokra van szükség az azonosításukhoz – például az egyedi szagmolekulák keveréke ad egy illatot – mondta Lili Qian.
 
A molekuláris kézírás egyik példájaként a DNS neurális hálózata legfeljebb kilenc kategóriába sorol egy kézírást, mindegyikük 1-9 lehetséges kézzel írt számjegyet tartalmaz.
 
Cherry olyan DNS-ideghálózatot épített, mely megkülönböztette a kézzel írt 6-os és 7-eseket. 36 kézzel írt számot tesztelt, a tesztcső neurális hálózata pedig megfelelően azonosította azokat.
 
A rendszernek megvan az a képessége, hogy több mint 12 ezer kézzel írt 6-ost és 7-est felismerjen.  A számok 90 százalékát kézzel írt számok adatbázisából tanulta, melyet széles körben alkalmaznak a gépi tanuláshoz.
 
László Adrienn

Hírlevél feliratkozás

Kérjük, add meg adataidat a hírlevélre történő feliratkozáshoz! A megadott adatokat bizalmasan kezeljük, azokat harmadik félnek át nem adjuk.

 

gyulai_vafurdo

profight_banner.