Теги → нейроны
Быстрый переход

Imagination предложила нейронный процессор для систем автопилота

Британская компания Imagination Technologies держит руку на пульсе технического прогресса, предлагая передовые разработки не только в мобильном сегменте, но и в секторе систем искусственного интеллекта для автоматизации управления транспортом. Новое семейство нейронных процессоров Imagination может в разы превзойти конкурирующие решения по уровню быстродействия.

Источник изображения: Imagination Technologies

Источник изображения: Imagination Technologies

Семейство нейронных процессоров IMG Series4, по словам британских разработчиков, сочетает высокую степень масштабируемости с выдающейся энергетической эффективностью. Например, удельная производительность одного ядра составляет 12,5 трлн операций в секунду (TOPS) при уровне энергопотребления менее 1 Вт. Восьмиядерный блок позволяет поднять быстродействие до 100 TOPS, а кластер из шести блоков обеспечивает производительность на уровне 600 TOPS. Выпускаться нейронные процессоры IMG Series4 могут по 7-нм технологии, их пиковая тактовая частота достигает 1,5 ГГц.

Для сравнения, передовой процессор NVIDIA Orin семейства DRIVE AGX Xavier предлагает быстродействие на уровне 30 TOPS, а для достижения 320 TOPS в одной системе нужно объединить не только два таких процессора, но и два дискретных графических процессора с архитектурой Turing. На практике для охлаждения таких комбинаций нередко приходится использовать жидкостные системы.

Клиентам Imagination необходимый для создания процессоров на основе IMG Series4 инструментарий будет доступен с декабря этого года. В одном блоке могут объединяться два, четыре, шесть или восемь ядер. Особенности компоновки этого нейронного процессора сокращают время отклика пропорционально росту количества ядер. Таким образом, время реакции восьмиядерной комбинации меньше, чем двухъядерной.

Специальная технология сегментации данных и локального кеширования позволяет сократить требования к пропускной способности внешнего интерфейса до десяти раз. Процессоры Imagination данной серии соответствуют требованиям отраслевого стандарта ISO 26262 в области безопасности и безотказности работы. По словам разработчиков, новые процессоры работают с нейронными сетями в 1000 раз быстрее, чем центральные процессоры для встраиваемой техники, а по сравнению с графическими процессорами такого класса преимущество достигает ста раз. Дебют своего профильного решения в Imagination считают своевременным, ссылаясь на увеличение спроса на системы активной помощи водителю в три раза к 2027 году, прогнозируемое специалистами ABI Research.

«ВКонтакте» протестирует нейросеть для борьбы с оскорблениями и травлей в комментариях

Соцсеть «ВКонтакте» проведёт эксперимент по борьбе с нетерпимостью и травлей в комментариях при помощи нейросети. Об этом сообщается в пресс-центре компании. Разработчики в течение суток будут тестировать функции, которые призваны сократить число оскорблений.

Первой функцией станет фильтр враждебных высказываний, который будет удалять комментарии с угрозами. Администраторы сообществ смогут увидеть все враждебные комментарии и добавить автора в чёрный список, если он часто нарушает правила.

Вторая — рекомендации по отказу от оскорблений. Во время написания комментария соцсеть будет анализировать, есть ли в тексте признаки оскорблений. Если система находит их, то пользователь получит предложение отказаться от агрессивного высказывания. В прошлом году функция позволила сократить число оскорбительных высказываний на 36 %.

Администраторы пабликов смогут включить фильтр враждебных высказываний в настройках сообществ. Несмотря на это, в соцсети сохранится стандартная форма подачи жалоб на оскорбления. По итогам тестирования «ВКонтакте» примет решения об улучшении и дальнейшем использовании функций.

Отечественный ИИ-вахтёр: представлена умная система пропускного контроля «Зоркий»

В эти дни на ВДНХ проходит выставка «Интерполитех-2020», где можно увидеть передовые российские радиоэлектронные разработки. Одной из них является комплекс высокоинтеллектуальной системы контроля «Зоркий», созданный холдингом «Швабе» Госкорпорации Ростех. Система распознаёт лица, фиксирует температуру тела человека, отслеживает движения и оставленные предметы, а также делает многое другое, что необходимо для организации безопасных пропускных режимов.

Фото: «Швабе»

Фото: «Швабе»

Платформа «Зоркий» объединяет видеокамеры с функциями адаптивной ИК-подсветки, нейросетевую аналитику и встроенную аппаратную криптозащиту. Камеры оборудованы сервисными датчиками, которые определяют попытки вывести оборудование из строя. Связь оборудования в рамках платформы обеспечивает встроенное телекоммуникационное оборудование, поэтому «Зоркий» не зависит от внешних линий связи и самостоятельно поддерживает видеотрансляцию, телефонную связь, локальный Интернет и возможность подключения измерительной аппаратуры.

«Платформа «Зоркий» позволяет выстроить комплекс безопасности любого масштаба, адаптировав его под требования и технические особенности конкретного проекта. Специализированные модули в составе комплекса позволяют строить на базе нашего решения системы самого разного назначения: охраны периметра, контроля кассовых операций, защиты банкоматов, распознавания номеров, пожарной сигнализации. Комплекс может включать видеонаблюдение и аудиоконтроль. Управление и мониторинг осуществляется как из централизованного пункта, так и с удалённых рабочих мест», — рассказал генеральный директор «Швабе» Алексей Патрикеев.

Бренд «Зоркий» позаимствован от серии одноимённых фотоаппаратов — у семейства малоформатных дальномерных фотоаппаратов, которые выпускались в СССР с 1948 по 1988 год. В новой роли «Зоркий» отражает задачи и функционал новой платформы — интеллектуальную идентификацию пола, возраста и личности даже за солнцезащитными очками или масками, что становится обычным в период пандемии коронавируса COVID-19.

Искусственный интеллект поможет избавить законодательство США от устаревших норм

Работа по актуализации законодательства отнимает много времени и сил. Порой годы уходят на выявление устаревших законов. Новая инициатива американских властей направлена на использование в этих целях потенциала искусственного интеллекта. В эксперименте будут участвовать сразу несколько федеральных ведомств США.

Источник изображения: Dreamstime

Источник изображения: Dreamstime

Административно-бюджетное управление в составе администрации президента США на этой неделе заявило о расширении эксперимента по применению системы искусственного интеллекта для поиска технических ошибок и устаревших норм в законодательных и отраслевых нормах. С 2019 года подобным анализом занималось Министерство здравоохранения и социальных служб США. В итоге искусственный интеллект выявил сотни ошибок и устаревших требований — например, требующих от заявителя отправки документов по факсимильной связи.

Несколько федеральных агентств вызвались принять участие во второй фазе эксперимента. Среди них замечены министерства, отвечающие за транспорт, сельское хозяйство и труд, а также Министерство внутренних дел США. Участникам предоставлена определённая гибкость в определении методов анализа и выбора подрядчиков, которые разработают необходимое программное обеспечение и проведут конечные работы. Администрация Дональда Трампа считает снижение административных барьеров одним из своих приоритетов, поэтому подобные проекты получают одобрение на высшем уровне.

ИИ научили превращать древние карты в подобие спутниковых снимков

Древние карты без привязки к современному ландшафту могут помочь только искушённому исследователю. Но таких не так много, тогда как изображения городов и объектов на картах прошлых веков способны дать пищу для ума учёным многих специальностей, а не только географам и историкам. Например, это ворох ценных данных для изучения вопросов урбанизации, развития социума, экологии и других областей знаний о человеке и цивилизации. Так что же делать?

Источник изображения: Escola Politécnica da Universidade de Pernambuco/IEEE

Источник изображения: Escola Politécnica da Universidade de Pernambuco/IEEE

Идея как сделать древние карты понятными широкому кругу непосвящённых пришла в голову одному из студентов высшего заведения в Бразильском городе Ресифи. Он и его профессор предложили методику преобразования оцифрованных изображений древних карт в изображения, напоминающие спутниковые, с которыми все вы наверняка знакомы по картографическим сервисам Google, Яндекс или другим.

К примеру, на снимке выше представлено цифровое изображение окрестностей Ресифи, сделанное в 1808 году, а справа эта же карта представлена в образе «спутникового снимка», который создали нейронные сети Pix2pix после цикла обучения и обработки массива входных данных.

На изображениях ниже можно сравнить полученное алгоритмом изображение с современным спутниковым снимком этой же местности (правая картинка). На полученном ИИ изображении по карте не хватает детализации, с чем согласны авторы исследования, и с чем они дальше планируют разбираться.

Источник изображения: Escola Politécnica da Universidade de Pernambuco/IEEE

Источник изображения: Escola Politécnica da Universidade de Pernambuco/IEEE

«Когда вы смотрите на изображения, вы лучше понимаете, как город изменился за 200 лет», — объясняет Андраде, студент, предложивший идею. — География города кардинально изменилась — свалки уменьшили количество водоёмов, а зелёные зоны были удалены в результате деятельности человека».

Что же антропологи и историки смогут пополнить свой аналитический аппарат новыми инструментами. Но как донести до больших и маленьких людей мысль, что загадить окружение легко, а вернуть ему первозданную чистоту практически невозможно? Может наглядно показать, как было и как стало, используя древние карты городов и современные алгоритмы машинного обучения? Хоть так.

Автомеханик в кармане: Skoda научила смартфоны «на слух» выявлять проблемы в автомобиле с помощью ИИ

Отдел послепродажного обслуживания автопроизводителя Skoda Auto и Skoda Auto DigiLab тестируют новое приложение для смартфонов — Sound Analyzer. Приложение использует искусственный интеллект (ИИ) и помогает быстро и точно определить необходимость любого обслуживания с помощью анализа звука.

ПО записывает шумы, издаваемые соответствующим автомобилем во время езды, и сравнивает их с сохранёнными образцами. В случае каких-либо расхождений приложение использует алгоритм, определяя их природу и способы устранения проблем. По словам компании, Sound Analyzer помогает повысить эффективность обслуживания автомобиля, сократить время, которое машина находится в гараже, и повысить уровень удовлетворённости клиентов.

Приложение Sound Analyzer использует ИИ, чтобы надёжно, чётко и быстро оценить текущее состояние изнашиваемых деталей и уведомить технических специалистов о любом необходимом обслуживании. Для этого программа рассматривает различные специфические для автомобиля параметры и анализирует профиль использования соответствующего автомобиля. Sound Analyzer позволяет техническим специалистам упростить задачу точной диагностики автомобиля, ведь для использования приложения требуется только обычный смартфон или планшет.

Как утверждает компания, ПО уже способно распознавать десять шаблонов проблем с точностью более 90 %, в том числе для таких компонентов, как система рулевого управления, компрессор кондиционера, сцепление в роботизированной коробке передач DSG. Приложение также умеет распознавать другие звуковые шаблоны.

В основе Sound Analyzer лежит обученная нейронная сеть: приложение сначала преобразует аудиофайл в спектрограмму, которая визуально отображает акустические сигналы. Затем с помощью ИИ это представление сравнивается с сохранёнными записями для выявления отклонений. После анализа ПО классифицирует потенциальную потребность в предстоящем техническом обслуживании или ремонте и выдаёт советы.

С июня 2019 года приложение для смартфонов было протестировано в 14 странах, включая Россию, Германию, Австрию и Францию. В пилотном проекте приняли участие 245 дилеров Skoda. Информация от них позволила получить ряд записей, играющих ключевую роль в процессе обучения нейросети. Компания собирается постепенно расширять спектр определяемых приложением акустических отклонений от нормы — это должно открыть массу новых возможностей с точки зрения профилактического обслуживания.

Учёные создали компактный искусственный нейрон в виде простейшего электронного устройства

Новое изобретение группы американских учёных обещает приблизить создание фактической электронной копии мозга человека со всеми его основными вычислительными и коммуникационными элементами — нейронами и синапсами. И всё это не в габаритах сотен серверных стоек, а в относительно компактном виде, что для прогресса в вычислительной технике обещает много интересного и прорывного.

Новая структура электронного нейрона (R. Stanley Williams)

Новая структура электронного нейрона (R. Stanley Williams)

К прорыву подошла группа исследователей под управлением Стэнли Уильямса (R. Stanley Williams) из Texas A&M, который вместе с сотрудником Hewlett Packard Laboratories Сухасом Кумаром (Suhas Kumar) и студентом Стэнфордского университета Зивеном Воном (Ziwen Wang) представили простейшее электронное устройство, действующее как нейрон живого мозга человека. До этого искусственные нейроны представлялись не раз и не два, но каждый раз этот ключевой элемент мозга выполнялся в виде довольно большой и сложной схемы из нескольких составляющих, а это означает большие размеры и немаленькое потребление энергии.

Группа Стэнли Уильямса разработала и создала искусственный нейрон на базе так называемых моттовских диэлектриков (переходов). Моттовские диэлектрики в обычных условиях ведут себя как изоляторы и не пропускают электрический ток, но под действием температуры, напряжения, магнитного поля или другого воздействия временно становятся проводниками.

Предложенный учёными простейший элемент содержит моттовский переход в виде нанометрового слоя оксида ниобия (NbO2). Помимо него элемент включает ёмкость и сопротивление, как часть электронного «нейрона». Добавим, слой оксида ниобия по сути ведёт себя как мемристор — управляемое током и напряжением сопротивление с эффектом памяти. Это делает искусственный нейрон отчасти энергонезависимым устройством. Глупо было бы тратить энергию в те моменты, когда устройство прекращает «думать».

Изображение элемента под электронным микроскопом (R. Stanley Williams)

Изображение элемента под электронным микроскопом (R. Stanley Williams)

Под действием напряжения с постоянным током происходит локальный нагрев слоя оксида ниобия, что делает переход проводящим. Это разряжает накопленный в ёмкости элемента заряд, после чего переход остывает и снова становится изолятором. Ёмкость в элементе снова заряжается, и так до бесконечности, пока подаётся управляющее напряжение. Тонкость здесь в том, что этот простейший элемент может работать в разных режимах, подобно живому нейрону: передавать импульс (спайк, сигнал возбуждения) по цепочке нейронов, выдавать серию импульсов, поддерживать автогенерацию импульсов и выполнять другую работу, которую обычно делает нейрон в живом мозге.

Некоторой проблемой для масштабирования предложенной конструкции электронного нейрона может оказаться довольно высокая температура превращения моттовского перехода из оксида ниобия в проводник. Он становится таковым при нагреве до 800 °C. В составе многих тысяч и миллионов элементов это может стать проблемой, поэтому учёные будут искать другие соединения для своего элемента с существенно меньшей температурой воздействия.

Продемонстрирована российская нейросистема для управления отрядами боевых роботов

Государственная корпорация Ростех продемонстрировала в рамках международного военно-технического форума «Армия-2020» передовую интеллектуальную систему управления формированиями боевых роботов.

Платформа разработана специалистами АО «Радиозавод» холдинга «Росэлектроника», входящего в Ростех. В основе системы лежат нейросети: применяются специализированные математические модели с элементами искусственного интеллекта.

Схема работы комплекса выглядит следующим образом. На первом этапе производится обнаружение цели средствами разведки — спутником, дроном или радиолокационной станцией. Затем данные об объекте поступают в мобильный пункт управления. На основе полученной информации интеллектуальная система формирует и передаёт команду средствам поражения — перспективным робототехническим комплексам. Это могут быть ракетные, реактивные или артиллерийские роботизированные платформы.

Утверждается, что применение нового решения позволит повысить эффективность боевых систем более чем в три раза за счёт минимизации участия человека в процессе управления.

«Новая автоматизированная система управления роботами может применяться при оснащении ВС РФ и других силовых ведомств в рамках создания единого информационного пространства. Разработка может использоваться в интересах МЧС для управления робототехническими комплексами пожаротушения», — отмечает Ростех. 

Видео: ИИ реконструирует процесс написания картин известными живописцами

Невозможно вернуться назад во времени, чтобы увидеть, как Моне или Ван Гог создавали свои шедевры, но ИИ может помочь нам в этом. Специалисты Лаборатории искусственного интеллекта Массачусетского технологического института (MIT CSAIL) создали систему машинного обучения Timecraft, которая может воссоздать процесс написания картин и нанесения мазков даже для известных художников.

Нейросеть вначале была обучена на двух сотнях видеороликов с ускоренной съёмкой процесса написания реальных цифровых и акварельных картин. После этого учёные создали свёрточную нейронную сеть, которая призвана «деконструировать» художественные работы на основе своих знаний о процессе создания картин.

Результаты не идеальны, но они более содержательны, чем это было ранее. Как отмечает команда, Timecraft показывает более высокую эффективность, чем существующие подобные системы более чем в 90 % случаев. И когда технология применялась для воссоздания процесса написания картин, для которых существовали реальные видеоролики с интервальной съёмкой, ИИ смог убедить почти половину людей, участвующих в онлайн-опросе — очень высокий результат, близкий к статистической погрешности.

Исследователи обещают опубликовать исходный код Timecraft, чтобы любой желающий мог опробовать технологию или использовать её в работе. Помимо уроков виртуальной истории, она может быть полезна для иллюстрации общих приёмов рисования новичкам: скажем, начиная с наброска общих цветовых пятен и затем постепенной детализации.

«ВКонтакте» научилась распознавать текст аудиосообщений

В соцсети «ВКонтакте» появилась функция распознавания текста аудиосообщений. Об этом сообщается в пресс-службе компании. Пока что функция доступна только части пользователей мобильного приложения, но в ближайшую неделю ею смогут воспользоваться все желающие.

Распознаванием речи занимается нейросеть, разработанная сотрудниками «ВКонтакте». По словам разработчиков, она распознаёт сленг и учитывает сложные условия записи. В текст можно будет переработать как отправленные, так и полученные сообщения длительностью до 30 секунд. Кроме этого, нейросеть позволит искать голосовые сообщения по указанному тексту. В будущем функцию планируют добавить в декстопную версию соцсети.

«Расшифровка аудиосообщений значительно отличается от распознавания речи в голосовых помощниках. С другом в чате общаются совсем не так, как с умной колонкой: сообщения записываются на бегу с посторонними шумами, большим количеством сленга и сокращений. Поэтому мы сделали три нейросети: одна отвечает за распознавание, вторая находит подходящие слова, а третья расставляет знаки препинания. Вместе они станут самым высоконагруженным сервисом по распознаванию речи на русском языке», — директор по исследованиям в области искуственного интеллекта «ВКонтакте» Павел Кайдин.

Компания сообщила о планах добавить распознавание голосовых сообщений ещё в марте. Соцсеть объяснила необходимость тем, что голосовые сообщения являются очень популярным форматом общения — ежемесячно ими обмениваются около 30 миллионов пользователей.

Искусственному интеллекту тоже нужен сон

В попытке создать искусственный разум исследователи копируют природу. В основу нейроморфных процессоров и нейронных сетей ложатся искусственные аналоги нейронов и синапсов. Поэтому не стоит удивляться, что нейронным сетям тоже оказался нужен сон. Перенапряжённые длительной вычислительной нагрузкой искусственные нейроны снижали свою эффективность и восстанавливали полную работоспособность только после того, как им давали поспать.

Иллюстрация New Atlas

Иллюстрация New Atlas

Впрочем, речь идёт об аналоге сна. ИИ не придётся спать часами, чтобы вернуть себе пик вычислительной формы. В процессе машинного обучения нейронной сети в режиме без учителя в Лос-Аламосской национальной лаборатории исследователи заметили снижение эффективности алгоритма. Ради эксперимента решено было «успокоить» нейроны с помощью пропускания шума через сигнальные каналы нейроморфного процессора (в дальнейшем эксперименты обещают провести на нейроморфном процессоре Intel Loihi).

Выяснилось, что лучше всего возбуждённые искусственные нейроны восстанавливаются после пропускания так называемого гауссовского шума. Этот шум сильнее всего напоминает распространение сигналов между нейронами в фазе медленного сна биологического мозга. Без сна, как известно, биологический организм ждёт истощение и смерть. В голове в это время также происходит много чего разного, но далёкого от реальности.

Искусственные нейронные сети оказались в плену тех же проблем, но направление для их решения уже известно. Что дальше? Перерыв ИИ на обед, выходные дни, отпуска и профсоюзы?

Новая нейросеть NVIDIA воссоздала игру Pac-Man за 4 дня

Pac-Man появилась на аркадных автоматах 22 мая 1980 года. На разработку игры ушло целых 17 месяцев — ни один проект прежде не требовал столько времени. Ровно 40 лет спустя компания NVIDIA представила нейросеть GameGAN, которая смогла воссоздать всю игру Pac-Man всего за 4 дня.

GameGAN — это игровая генеративно-состязательная сеть (Generative Adversarial Network, GAN), подобная тем, которые используются для создания фотореалистичных изображений несуществующих людей.

В общем понимании GAN состоит из двух нейросетей — генерирующей и дискриминативной. Генерирующую сеть обучают с использованием больших наборов данных, а затем ставят перед ней задачу — создать или воссоздать какое-то изображение на основе полученной информации. Дискриминирующая нейросеть сравнивает результат работы первой сети с тем, что содержится в базе данных, а затем определяет, насколько точным получился этот результат. Совместная цикличная работа обеих нейросетей способна приводить к созданию всё более и более реалистичных изображений.

В случае с GameGAN компания NVIDIA обучила генеративную нейросеть с помощью 50 тыс. игровых сессий в Pac-Man. Затем перед ней поставили задачу — воссоздать увиденную игру целиком, начиная от статичных стен и точек и заканчивая двигающимися призраками и самим Пакманом. Обучение и воссоздание игры проводилось с использованием квартета графических ускорителей NVIDIA Quadro GP100.

Самое интересное заключается в том, что GameGAN не предоставили доступ к оригинальному коду игры или её движку. Всё обучение сводилось к тому, что одна нейросеть наблюдала за тем, как в Pac-Man играла другая нейросеть.

«За последние годы было создано множество ИИ, способных играть в игры. Но они лишь агенты в этих играх. Наша GAN способна воспроизводить игры фактически из ничего», — прокомментировал Рев Лебаредян (Rev Lebaredian), вице-президент NVIDIA по вопросам технологий симуляции.

Создателем GameGAN является специалист NVIDIA Сын-Вук Ким (Seung-Wook Kim)

Создателем GameGAN является специалист NVIDIA Сён-Вук Ким (Seung-Wook Kim)

Как указано в блоге компании, одна нейросеть выступает в качестве агента (игрока), GameGAN в свою очередь реагирует на действия первой нейронной сети и покадрово создаёт новое игровое окружение в реальном времени. Более того, на основе изображений из игр с многоуровневой структурой GameGAN способна генерировать новые игровые уровни, которые она никогда не видела раньше.

Это чем-то похоже на методы процедурной генерации, которые использовались ещё с конца 70-х годов.

«Для создания игры, подобной Pac-Man, программисту требуется придумать и прописать правила поведения и взаимодействия всех имеющихся агентов внутри игры. Это очень кропотливая работа. GAN может упростить эту задачу. Нейросеть способна обучаться новым правилам через наблюдение. В идеале алгоритмы, подобные GameGAN, можно будет обучить процедурной генерации правил для той игры, которую вы хотите создать», — пояснил Лебаредян.

Процесс обучения при этом будет таким же простым, как, скажем, установка видеорегистратора в автомобиль с последующей поездкой по городу. Аналог GameGAN сможет обучаться по записанным видео и процедурно генерировать реалистичные уровни на основе того, что покажет камера.

В перспективе подобный метод также сможет ускорить подготовку автоматизированных машин. Использующиеся на тех же складах и сборочных линиях роботы могут представлять опасность для работающих там людей. Поэтому перед запуском в работу эти машины проходят виртуальную подготовку с применением различных сценариев, что в итоге минимизирует возможные риски. Проблема в том, что разработка всех этих обучающих сценариев отнимает большое количество ресурсов и времени. Вполне возможно, что однажды будет создана модель глубокого машинного обучения, с помощью которой можно будет предсказывать те или иные последствия в различных сценариях. Но пока этого нет.

«В конечном итоге мы создадим ИИ, который сможет имитировать правила вождения или законы физики, просто наблюдая за тем, как действуют агенты в этих средах. GameGAN — первый шаг к этому», — добавил Санья Фидлер (Sanja Fidler), директор исследовательской лаборатории NVIDIA в Торонто.

Полноценную версию Pac-Man, созданную нейросетью GameGAN, NVIDIA собирается опубликовать в Сети этим летом.

Нейросеть научилась превращать портреты людей в фотографии животных

Бельгийский программист Ксандер Стинбрюгге (Xander Steenbrugge) разработал нейросеть «Humanimals», которая превращает людей на фото в животных. Новый эксперимент исследователя стал частью его крупного проекта «Neural Synesthesia», в рамках которого он создаёт произведения искусства совместно с искусственным интеллектом.

В рамках нового эксперимента программист совместил две нейронные сети, выложенные в открытый доступ. Первая генеративная модель называется StarGAN v2, основана на 15 тысячах HD-изображениях животных и способна превращать одних зверей в других. Вторая модель известна как StyleGAN v2 и плавно придаёт лицу одного человека очертания другого лица.

Обе нейронные сети являются генеративно-состязательными и состоят из двух частей. Первая генерирует образцы, а вторая отфильтровывает те, которые не соответствуют заданным требованиям и пропускает «правильные». Обычно генеративно-состязательные нейросети используются для создания портретов и улучшения качества фотографий.

«В большинстве научных работ нейронная сеть имеет одну намеченную цель «А». Но поскольку методы машинного обучения очень гибки, на самом деле он может достигать целей «B», «C» и «D» с одной и той же моделью, но с разными алгоритмами. Вот тут-то и начинается настоящее веселье»,объяснил Ксандер Стинбрюгге журналистам издания Motherboard.

Практического применения новой нейронной сети нет, но она в очередной раз доказывает, что компьютеры тоже могут заниматься творчеством. В рамках проекта «Neural Synesthesia» Ксандер уже создавал произведения искусства. Например, ранее он научил нейронную сеть создавать плавные переходы между картинами и скрестил полученный результат с музыкой. Результат работы можно посмотреть на видео ниже.

Разработкой подобных нейронных сетей занимаются в России. В 2019 году сотрудники Центра искусственного интеллекта Samsung создали модель, которая буквально «оживляет» портреты известных людей. Посмотреть, как бы выглядел говорящий Ф. М. Достоевский, можно здесь.

Бельгийцы научат дроны высшему пилотажу

Когда ты большой, обходить препятствия много ума не надо. Их можно даже не замечать. Другое дело маленький и юркий дрон, встреча которого со стенкой, веткой, столбом закончится там же, где началась. В жизни с задачей безопасного пилотирования и уклонения от препятствий легко справляется относительно маленький аналоговый мозг птиц. Но рукотворные цифровые решения с той же функциональностью представляются всё ещё слишком большими для маленьких дронов. Или уже нет?

Бельгийский исследовательский центр Imec сообщил об интересной разработке. Сводная группа инженеров спроектировала первый в мире чип на основе нейронной сети для обработки радиолокационных сигналов. Утверждается, что процессор (или ускоритель) на основе спайковой рекуррентной нейронной сети потребляет в 100 раз меньше «традиционных решений» и имеет в 10 раз меньшие задержки. Это означает, что дроны или любая другая автономная система с использованием радаров, лидаров, сонаров и прочего будет практически мгновенно реагировать на препятствия и тратить на расчёты, предотвращающие столкновения, минимум энергии.

Первоначально чип SNN (спайковая нейронная сеть) разрабатывался бельгийцами для расшифровки показаний приборов ЭКГ (съём электрокардиограмм). Однако получившийся в результате микропроцессор превзошёл все ожидания. Рекордно низкое потребление и мизерные задержки перевели разработку в плоскость систем с автопилотами. Более того, они подходят и для дронов, размеры которых и ограниченная ёмкость батарей не позволяли им быть слишком умными и сообразительными.

По данным разработчиков, спайковая нейронная сеть в составе чипа классифицирует микродоплеровские сигнатуры радиолокаторов с использованием всего 30 мкВт мощности, а интеллектуальная маломощная радиолокационная система определяет приближающиеся объекты за считанные миллисекунды. Впрочем, это не ограничивает использование чипа в таких сферах, как распознавание речи или расшифровка показаний медицинских приборов или данных с других произвольных наборов датчиков. Но предложенное сочетание экономности, эффективности и производительности обещает привести к появлению портативных решений с достаточно сильным интеллектом.

В светлое облачное будущее Huawei рассчитывает въехать на собственных GPU

Взятый Huawei курс на самодостаточность является отчасти вынужденной мерой, поскольку китайскую компанию регулярно притесняют американские власти. Южнокорейские источники теперь сообщают, что в недрах нового подразделения Huawei вызревают планы по созданию собственных графических процессоров.

Источник изображения: Reuters

Источник изображения: Reuters

Впрочем, речь пока не идёт о выходе на потребительский рынок. Графические процессоры нужны Huawei для развития платформ искусственного интеллекта и ускорения масштабных вычислений. Как сообщает корейское издание The Elec, местное представительство Huawei Technologies в этом году сформирует новое подразделение Cloud and AI Business Group, входящее в состав дивизиона по работе с корпоративными клиентами. В дальнейшем новое подразделение обретёт независимость и расширится.

Сейчас Huawei уже охотится за бывшими и действующими специалистами NVIDIA, а также руководящим составом американской компании, чтобы переманить на работу людей с опытом создания графических процессоров. В августе 2019 года Huawei представила процессоры Ascend 910, ориентированные на работу в системах искусственного интеллекта. В январе текущего года были представлены процессоры Kunpeng 920, которые сочетают архитектуру ARMv8 и наличие 64 ядер: они будут применяться в серверных системах. Для полного «ансамбля» Huawei не хватает только ускорителей вычислений на базе графических процессоров, и теперь компания надеется их создать силами нового подразделения.

window-new
Soft
Hard
Тренды 🔥