في عصر النقص العالمي في إمدادات الشرائح الإلكترونية، فإن أي تسريع في عملية تصنيع الشرائح واختبارات ضمان الجودة يعتبر شريان حياة محتمل. لذلك، يتم الآن إعادة تجهيز تقنية تم تطويرها لأول مرة في الثمانينيات للعثور على عدم 

الاستقرار في أوامر موجه الأوامر لنظام لينكس (UNIX command line) لأتمتة اختبارات الرقائق على Assembly-line واكتشاف الأخطاء التي يمكن أن تؤدي في النهاية إلى ثغرات في الأجهزة مثل تلك التي أدت إلى ثغرات Meltdown و Spectre وموجات الاختراقات التي نجمت عنهم.

يقول جاي فيجايان راجندران، الأستاذ المشارك في الهندسة بجامعة تكساس إيه آند إم، وهو أحد المشاركين في تأليف الدراسة الجديدة، “من الصعب تصحيح عيوب الأجهزة  لذلك فإن إكتشافها في وقت مبكر في دورة تطوير المنتجات أمر مهم جدًا، شبه راجندران مصنعي الرقائق بصناعة السيارات التي يستوجب فيها سحب المنتجات لإصلاح المشكلات المتعلقة بالحماية. من الناحية المثالية يتم إيجاد العيوب قبل أن تصل المركبات الى المستهلكين في المقام الاول”. 

“عندما يصمم الناس الأجهزة، فإنهم لا يفكرون في الأمان في البداية. يفكرون في أشياء مثل الطاقة والأداء – لكن الأمان ليس مقياس التصميم الأول لديهم. وبسبب ذلك، تتسلل العديد من ثغرات الأجهزة إلى النظام”.

– جاي فيجايان راجندران، جامعة تكساس.

يعتمد عمل راجندران الذي سيتم تقديمه في مؤتمر التصميم والأتمتة والاختبار بأوروبا (DATE)  على تقنية تسمى “fuzzing” أي التمويه، التي تقدم أوامر وتعليمات ليست صحيحة تماما للشريحة.  إن الأوامر المقدمة ليست غير منطقية تمامًا إنما

تحتوي على بنية صحيحة بشكل كافي لجعل النظام يتصرف بشكل متذبذب ولايمكن توقعه. إن دراسة الاستجابات لهذه الأوامر تمكن الباحثين أو المخترقين  من الإشارة الى نقاط الضعف المحتملة في النظام.

لهذا السبب يزداد استخدام fuzzing لاختبار الأجهزة. إنه يكشف عن العيوب عن طريق تشغيل الأجهزة مع حالات شاذة

ومدخلات غير متوقعة – مثل البيانات أو الاوامر العشوائية- لإجهاد النظام ومراقبة ما إذا كان شيء ما سيتعطل. إذا استجاب النظام بشكل غير متوقع فإنه على الباحثين تحديد إمكانية إستفادة المخترقين من ذلك الخلل.

يقول راجندران: إننا نقوم بالمقارنة بين التوقعات عن ما يجب على المعالج القيام به وبين حقيقة ما يقوم به المعالج فعلا.

توفر هذه الاختبارات الوقت لأنه يمكن أتمتتها وتشغيلها عدة مرات خلال دورة تطوير المنتجات، ويمكن تنفيذها بشكل مواز  للأعمال الهندسية الاخرى. لكن لا يزال الباحثون يبحثون عن طرق لجعل تقنيات fuzzing أسرع وأكثر كفاءة. حاليًا، توظف خوارزميات fuzzing إستراتيجية جامدة لإختيار المدخلات العشوائية. هذه الصلابة تبطئ من قدرة المعالج على اكتشاف نقاط الضعف لأنها لا تستفيد من التقدمات الواعدة.

في هذه الدراسة، استخدم الباحثون التعلم المعزز لاختيار المدخلات لاختبار التمويه (fuzzing testing). قاموا بتكييف خوارزمية تستخدم لحل مشكلة مشكلة أفضل الاختيارات المتسلسلة (MAB)  وهي معضلة حول كيفية تحسين المكافآت عند مواجهة خيار قبول المكافآت المعروفة أو استكشاف المكافآت التي قد تكون أكبر أو أقل. في هذه الحالة، يتم استخدام الخوارزمية  التي تسمى MAPFuzz  لتحديد ما إذا كان يجب تجربة مدخل عشوائي جديد أم الإبقاء على المدخل الذي يعمل بشكل جيد. وجد الباحثون أن MABFuzz حققت تسارعًا كبيرًا في اكتشاف نقاط الضعف وتغطية مساحة الاختبار.

وكما يقول راجندران: جذب موضوع ثغرات الأجهزة المزيد من الاهتمام مؤخرًا لأن المعالجات تزداد تعقيدًا وتصمم لتحسين الأداء، يعرض هذا أماكن أخرى يمكن للعيوب الأمنية الاختباء فيها. كذلك يقول: عندما يصمم الناس الأجهزة، فإنهم لا يفكرون في الأمان في البداية. يفكرون في أشياء مثل الطاقة والأداء – لكن الأمان ليس مقياس التصميم الأول لديهم. وبسبب ذلك، تتسلل العديد من ثغرات الأجهزة إلى النظام.

تتكون إستراتيجيات اختبار الأجهزة التقليدية في الغالب من اختبارات يدوية يقوم بها خبراء أمان الأجهزة، ولكن هذه الإستراتيجية لا يمكن توسيع نطاقها لتلبية احتياجات المعالجات الحديثة. الاختبار اليدوي يستغرق وقتًا طويلاً ومكلفًا، ويقتصر على توفر خبراء الأمن.

يقول راجندران: إن تقنيات اختبار الأجهزة مثل اختبار التمويه لا تهدف إلى استبدال الاختبار اليدوي من قبل الخبراء. بدلاً من ذلك، يعتبر خط دفاع أول يمكنه الكشف عن عدد كبير من نقاط الضعف التي يمكن العثور عليها بسهولة، مما يوفر وقت خبراء الأمن للكشف عن الأخطاء الصعبة حقًا التي لا تزال تتطلب خبرة للعثور عليها.

يقول أحمد رضا صادق، أستاذ علوم الكمبيوتر في الجامعة التقنية في دارمشتات والمشارك في تأليف الدراسة، “إن تحسين اختبار الأمان للأجهزة سيكون مهمًا لمستقبل هندسة الرقائق. هناك حاجة إلى إستراتيجيات تجعل عملية اكتشاف نقاط الضعف بسرعة أسهل من أجل صناعة شرائح صحية، تمامًا كما هو الحال بالنسبة لسلاسل التوريد وقدرات التصنيع”.

المصدر:

https://spectrum.ieee.org/hardware-hacking

الترجمة:

ريم الصادق بن جمعة

التدقيق:

اسراء ابوشهيوة

حثّ أعضاء مجلس النواب الأمريكي لجنة الأوراق المالية والبورصات الأمريكية (SEC) على إجراء تحقيق مع إيلون ماسك حول ادعاءات بتصريحات كاذبة بشأن اختبار الحيوانات على شريحة دماغية مزروعة جراحياً طورتها شركة نيورالينك الناشئة في مجال الأعصاب التكنولوجية التي يملكها ماسك.

في رسالة إلى هيئة الأوراق المالية والبورصات الأمريكية بتاريخ 21 نوفمبر، دفع أربعة أعضاء من مجلس النواب الأمريكي الجهات التنظيمية إلى التحقيق فيما إذا كان ماسك ارتكب احتيالًا في الأوراق المالية من خلال تضليل المستثمرين حول سلامة الشريحة، ودورها في وفاة 12 قردًا على الأقل، وفقًا لتقارير منفصلة نشرتها وكالة رويترز ومجلة Wired.

>>

زعم أكثر من اثني عشر موظفًا في شركة نيورالينك أن الشركة كانت تستعجل عمليات جراحية تجرى على الحيوانات وتسيئها، وذلك في محاولة منها للتقدم بوتيرة أسرع نحو إجراء التجارب على البشر.

وفقًا لشركة نيورالينك، منحت إدارة الغذاء والدواء الأمريكية (FDA) موافقتها على إجراء اختبارات على البشر في مايو 2023. جاء الضوء الأخضر بعد أن رفضت الوكالة في البداية طلب نيورالينك في أوائل عام 2022، وفقًا لتحقيق أجرته رويترز.

جهاز نيورالينك التجريبي يهدف إلى تمكين المستخدمين من التواصل مباشرة مع جهاز الكمبيوتر باستخدام أفكارهم فقط، وذلك من خلال تقنية تعرف باسم واجهة الدماغ والكمبيوتر (BCI). يمكن للرقاقة تسجيل إشارات الدماغ ونقلها إلى تطبيق خارجي يقوم بفك تشفيرها إلى أوامر كمبيوترية مثل التحكم بمؤشر الماوس أو لوحة المفاتيح. يبلغ حجم الغرسة حجمًا أصغر من قطعة عملة معدنية ، وتحتوي على أكثر من 1000 قناة قطب كهربي، ويتم وضعها في الدماغ بواسطة روبوت جراحي.

استعدادًا للتجارب على البشر، عرضت نيورالينك جهازها، وسط ضجة كبيرة، على القرود والخنازير والأغنام. لكن مجموعة واسعة من الناس أثاروا مخاوفهم بشأن نهج الشركة في اختبار الحيوانات وسلامة الجهاز.

أبلغ أكثر من اثني عشر موظفًا في نيورالينك لوكالة رويترز أن الشركة كانت تتسرع وتفسد العمليات الجراحية على الحيوانات بهدف التقدم بشكل أسرع نحو التجارب على البشر. وحث أعضاء من الكونغرس الأمريكي الوكالات الفيدرالية على التدقيق في الشركة بشأن دراساتها على الحيوانات. وتقول منظمة الرفق بالحيوان “لجنة الأطباء للمسؤولية الطبية” إنها تكتب إلى المشرعين والوكالات الفيدرالية بشأن نيورالينك منذ ما يقرب من عامين.

>>

“هناك ضغط شديد من نيورالينك لتجاوز عالم البحث التقليدي، وهناك القليل من التفاعل مع الأكاديميين، كما لو كانوا يعتقدون أننا على المسار الخطأ.”

–نيك رامزي، مركز الطب الجامعي في أوتريخت، هولندا

عرب باحثو واجهة الدماغ والكمبيوتر (BCI) خارج نطاق نيورالينك أيضًا عن مخاوفهم، حيث صرحو لمجلة IEEE Spectrum أن نيورالينك يبدو أنها تتحرك بسرية تامة وسرعة مفرطة. يقول نيك رامسي، عالم الأعصاب السريري في المركز الطبي الجامعي يوترخت بهولندا: “أعتقد أن ما يقلق الناس هو أن نيورالينك قد تقطع الزوايا، ولم يردعهم أحد حتى الآن. هناك ضغط شديد من نيورالينك لتجاوز عالم البحث التقليدي، وهناك القليل من التفاعل مع الأكاديميين، كما لو كانوا يعتقدون أننا على المسار الخطأ – أننا نتقدم ببطء بينما يريدون قفزات لسنوات إلى الأمام”..

وفقًا لتقرير صادر عن رويترز، فتح مكتب المفتش العام بوزارة الزراعة الأمريكية تحقيقًا في عام 2022 بشأن مزاعم إساءة معاملة الحيوانات من قبل شركة نيورالينك. وبالمثل، في أوائل عام 2023، فتح قسم النقل الأمريكي تحقيقًا بشأن الشركة بسبب احتمال قيامها بنقل مواد خطرة بيولوجيًا بشكل غير قانوني.

في رد على المخاوف المتعلقة بالرفق بالحيوانات ، نشر ماسك في 10 سبتمبر 2023 على X، تويتر سابقًا، أنه ’’لم يمت أي قرد نتيجة شريحة نيورالينك‘‘. وقال ماسك أن الشركة قد اختارت لدراستها قرودًا ذات أمراض مزمنة كانت ’’على وشك الموت بالفعل‘‘.

>>

أشارت رسالة أعضاء الكونغرس إلى أن الحيوانات عانت من ’’آثار صحية منهكة‘‘ نتيجة للشريحة المزروعة، بما في ذلك الشلل والتشنجات وتورم الدماغ.

ببعد عشرة أيام، قامت لجنة الأطباء من أجل الطب المسئول (Physicians Committee for Responsible Medicine) بإرسال خطاب إلى لجنة الأوراق المالية والبورصة الأمريكية (SEC)، زاعمةً بأن تصريحات إيلون ماسك كانت غير صحيحة. وذكرت المجموعة أنها حصلت على سجلات بيطرية من تجارب شركة نيورالينك تُظهر أن ما لا يقل عن 12 قردًا شابًا وصحيًا قد تم إنهاء حياتهم نتيجة لمشاكل في شريحة نيورالينك. وادعت المجموعة أن تصريحات ماسك مضللة للمستثمرين، وحثت هيئة تنظيم الأوراق المالية والبورصة الأمريكية (SEC) على التحقيق مع ماسك و نيورالينك بتهمة الاحتيال في الأوراق المالية.

في نوفمبر، ردد عدد من اعضاء مجلس النواب الشكوى التي قدمتها المجموعة المدافعة في رسالة إلى لجنة الأوراق المالية والبورصات الأمريكية (SEC) تطلب إجراء تحقيق. أشار خطابهم إلى أن الحيوانات عانت من “آثار صحية منهكة” ناتجة عن شريحة نيورالينك, بما في ذلك الشلل والنوبات وتورم الدماغ، وأن ما لا يقل عن 12 قردًا تم إنهاء حياتهم “نتيجة مباشرة لمشاكل تتعلق بشريحة نيورالينك”، وذلك وفقًا لمراجعة للرسالة من قبل رويترز. وجاء الطلب من أعضاء مجلس النواب الديمقراطيين إيرل بلوميناور من ولاية أوريغون، وجيم ماكغفرن من ماساتشوستس، وباربرا لي وتوني كارديناس من كاليفورنيا، وفقًا لرويترز..

اعتبر رامزي أن التضحية باثني عشر قردًا في تطوير جهاز واجهة الدماغ الحاسوبية أمرًا مفرطًا، مشيرًا إلى أنه سيكون “متفاجئًا للغاية” إذا ثبت صحة الاتهام. ويقول: “لا تختبر السلامة في الرئيسيات غير البشرية لأنها تحتل مرتبة عالية جدًا في التسلسل الهرمي البيولوجي. يتم اختبار السلامة على الأغنام.” قد يتم اختبار وظيفة شريحة نيورالينك على عدد قليل من القرود، ولكن يجب التأكد من السلامة على أعداد أكبر من الحيوانات الأخرى التي تحتل مرتبة أدنى في التسلسل الهرمي. ويقول: “من الصعب جدًا علي أن أقبل فكرة أن نيورالينك ستتخذ عمدًا اختصارات كبيرة إلى هذا الحد.”

في الأسبوع الماضي، تمسّك ماسك بتعليقاته حول أسباب وفاة القرود أثناء حديثه في قمة DealBook لصحيفة نيويورك تايمز، وفقًا لتقرير صادر عن Business Insider. قال ماسك في المؤتمر: “لم تتسبب نيورالينك في موت أي قرد”.

أعلنت شركة نيورالينك في سبتمبر عن أنها بصدد توظيف متطوعين لدراسة بشرية لاستخدام شريحة نيورالينك. وبحسب ما ورد، فقد سجل آلاف الأشخاص لتلقي الشريحة..

يهدف الجهاز، على الأقل في البداية، إلى استخدامه من قبل الأشخاص الذين يعانون من شلل شديد أو أمراض تنكسية يعانون من صعوبة التواصل بسبب حالتهم. صرح ماسك سابقًا أنه يتصور أن شريحة الدماغ سيستخدمها الأشخاص الأصحاء في محاولة لمزامنة أدمغتهم مع الذكاء الاصطناعي.

المصدر:

IEEE Spectrum

Neuralink Barrels Into Human Tests Despite Fraud Claims – IEEE Spectrum

الترجمة:

حسين الرتيمي.

التدقيق:

محمد الامين مالك ابوشهيوة.

أدى ظهور نماذج جديدة وقوية للذكاء الاصطناعي إلى نقلة نوعية في العديد من المجالات. إن ما حفز في البداية الفضول فيما يتعلق بمدى إمكانية الاستعانة بمصادر خارجية للعمل الرتيب للذكاء الاصطناعي، ظهر كأداة ممكنة للطلاب ذوي الاحتياجات التعليمية الشخصية. دعونا نرحب بالذكاء الاصطناعي في الفصول الدراسية ونقدم طرقًا للسماح لهذه التكنولوجيا الثورية بتعليم كل طالب ومساعدة كل معلم. نقترح نهجًا معززًا باستخدام الذكاء الاصطناعي، والذي يساعد في التحقق من المحتوى وإشراك الأقران والمعلمين والأشخاص.

يكتشف الباحثون التربويون والتعليميون أن هناك العديد من طرق التدريس، بما في ذلك التعلم المدمج. ينصب التركيز الأحدث على التعلم التكيفي، الذي يستفيد من التكنولوجيا المتقدمة وتحليلات البيانات لتقديم تعليم مخصص، وإحداث ثورة في التعلم.

تتطلب الأساليب التعليمية التقليدية عادةً أن يقوم معلم واحد بتعليم ما متوسطه 30 طالبًا. إنه نظام يمكنه بسهولة التغاضي عن احتياجات بعض الطلاب. على الرغم من أن النموذج قد خدم العديد من الطلاب بشكل جيد، إلا أن عددًا كبيرًا من المتعلمين يحتاجون إلى نهج أكثر تخصيصًا. ولسوء الحظ، فإن عدد المعلمين ومقدمي الخدمات المتاحين يمثل جزءًا صغيرًا مما هو مطلوب.

قد يبدو الذكاء الاصطناعي أمرًا مخيفًا، ولكن إذا استخدم أعضاء هيئة التدريس في المؤسسات التعليمية التكنولوجيا بشكل مناسب، فإن الفوائد ستسمح بوجود فصل دراسي حيث يتم تحفيز جميع الأطفال معرفيًا بغض النظر عن مكانهم في رحلة التعلم الخاصة بهم. سوف يتعلمون بطريقة تناسبهم، ويحصلون على إجابات للأسئلة دون خوف من الحكم.

سيتمكن المعلمون من قضاء وقتهم ليس فقط في مساعدة جميع طلابهم على فهم ما يدرسونه ولكن أيضًا مساعدتهم على تنمية حب التعلم.

كيف يتم استخدام الذكاء الاصطناعي في التعليم

إن عدد أساليب التعلم الفريدة وطرائق التدريس المبتكرة آخذ في الازدياد، لكنه لا يقترب بأي حال من سرعة تطوير نماذج جديدة للتعليم اللغوي الكبير ومتعدد الوسائط، والتي تشمل البصرية والسمعية والقراءة والكتابة والحركية.

بفضل عمل مهندسي الذكاء الاصطناعي ورواد الأعمال في مجال التكنولوجيا التعليمية مثل سام ألتمان من OpenAI، وسال خان من أكاديمية خان، وأندرو انج من كورسيرا، أصبح لدى المعلمين الآن مخططو دروس، ومدرسون خاصون، ومدربون، وفنانون في متناول أيديهم.

على سبيل المثال، تعمل أكاديمية خان على دمج الذكاء الاصطناعي في برامجها لتخصيص مسارات التعلم للطلاب، باستخدام الخوارزميات لتكييف المشكلات والدروس بناءً على الأداء الفردي.

“إن الاستخدام السليم للذكاء الاصطناعي يقلل من فجوة الموارد والمساواة بين الطلاب من خلال تزويدهم بأداة يمكن تخصيصها لكل منهم كفرد فريد.”

يتم تجربة برنامج الدردشة الآلي خانميغو الذي يعمل بالذكاء الاصطناعي والذي يمتلكه خان كمعلم محتمل. يشجع خانميغو الطلاب على تعلم المزيد، ويحفز الإبداع، ويشرح الموضوعات المعقدة بطرق بسيطة وشخصية. يمكن لروبوت الدردشة أن يحاكي مدرب الكتابة، على سبيل المثال، حيث يقدم اقتراحات للطلاب لإلهامهم للكتابة بطرق أكثر إثارة.

يقدم تطبيق Duolingo لـ GPT-4 الخاص بـ OpenAI تعلمًا للمحادثة يتم إنشاؤه بواسطة الذكاء الاصطناعي والذي يمكن أن يساعد الطلاب على تعلم اللغات الثانية بسرعة أكبر من خلال توفير ممارسة محادثات تفاعلية تحاكي محادثات الحياة الواقعية بشكل أفضل من الطرق التقليدية. ويتكيف البرنامج أيضًا مع مستوى كفاءة المتعلم.

أداة تعليمية أخرى هي نموذج Speechify لتحويل النص إلى كلام، والذي يساعد الطلاب الذين يعانون من عسر القراءة.

بالنسبة للمعلمين، يعمل برنامج Gradescope على تبسيط عملية وضع الدرجات. ويستخدم نظامًا يعتمد على الذكاء الاصطناعي يمكنه تقديم تعليقات أكثر اتساقًا وفي الوقت المناسب للطلاب، مما يقلل من العناصر الذاتية للدرجات – وهو أمر مهم بشكل خاص للتلاميذ الذين يعانون من صعوبات في التعلم.

يتبنى المدربون، بما في ذلك إيثان موليك من جامعة بنسلفانيا في فيلادلفيا، وبريان هاليت من جامعة آي إي في إسبانيا، الذكاء الاصطناعي كأداة لخلق بيئة تعليمية حيث يتم تقدير كل طالب وفهمه وتمكينه.

اقتراحات لتنفيذ الذكاء الاصطناعي

فيما يلي بعض الطرق التي يمكن للمؤسسات التعليمية من خلالها استخدام الذكاء الاصطناعي لتعزيز الممارسات التعليمية:

• الاستثمار في تدريب المعلمين، مع التركيز على كيفية استخدام الذكاء الاصطناعي ودمج التكنولوجيا في التدريس.
• إنشاء خطط دروس مخصصة بناءًا على أساليب واحتياجات التعلم الفردي. التأكد من أن المستخدمين على دراية بأوجه القصور الحالية في الذكاء الاصطناعي.
• استخدم التكنولوجيا لإنشاء تقييمات أكثر كفاءة، مما يوفر وقت المعلمين ويقدم ملاحظات سريعة للطلاب.
• استكشاف استخدام مساعدي التعلم المعتمدين على الذكاء الاصطناعي في الفصول الدراسية للإجابة على الأسئلة في الوقت الفعلي وتقديم مسارات تعليمية مخصصة للطلاب.
• تعزيز التعاون بين المدارس ومطوري الذكاء الاصطناعي لإنشاء أنظمة فعالة وسهلة الاستخدام.
• تطوير التكنولوجيا لأداء المهام الإدارية مثل تتبع الحضور والجدولة، مما يسمح للمعلمين بالتركيز على التدريس.
• إعطاء الأولوية للبحث في مجال الذكاء الاصطناعي في التعليم لدفع المزيد من التقدم ومن ثم الالتزام بالعمل على المقترحات.

إن تبني تعزيز الذكاء الاصطناعي في المدارس إلى جلب مجموعة من الأدوات إلى نظامنا التعليمي وربط أساليب التدريس بسلاسة مع أساليب التعلم المثالية للطلاب.

إن معضلة اختبار وتعليم الجميع على مقياس معين منعت الكثيرين من تحقيق إمكاناتهم الكاملة. الاستخدام السليم للذكاء الاصطناعي يقلل من فجوة الموارد والمساواة بين الطلاب من خلال تزويدهم بأداة يمكن تخصيصها لكل منهم كفرد فريد.

نحن في مرحلة مفصلية من التاريخ. فلنعمل على جعلها مفيدة للجميع مهما كانت قدراتهم.

“الجميع عباقرة”، مقولة شعبية منسوبة لألبرت أينشتاين. “ولكن إذا حكمت على السمكة من خلال قدرتها على تسلق الشجره، فإنها ستعيش حياتها كلها معتقده أنها غبيه.”

المصدر :                                                      

https://spectrum.ieee.org/how-ai-can-personalize-education

الترجمة :

 نسيبة عمر بن زاهية 

التدقيق:

اسراء ابوشهيوة

قد يكون لدى شركات البث التلفزيوني وسيلة جديدة للوصول إلى جيل لا يستخدم الأسلاك : الجيل الخامس (5G).

 في يوليو، منحت هيئة الاتصالات الفيدرالية (FCC) ترخيصًا تجريبًيا لمدة ستة أشهر لشبكة تلفزيونية ذات قدرة منخفضة في ولاية ماساتشوستس الأمريكية لنقل الفيديو والبيانات الأخرى في اتجاه واحد وفقًا لبروتوكول الجيل الخامس (5G) عبر جزء من نطاق التردد بالغ الارتفاع (UHF) عن طريق أبراج التلفزيون.

إذا كانت القنوات التلفزيونية قادرة على تلبية جزء من الطلب الهائل من المستهلكين على بث الفيديو عبر الإنترنت باستخدام أجهزة التلفزيون والطيف الراديوي، فسوف يؤدي ذلك إلى تحرير بعض عرض النطاق الترددي للشبكة في الطيف الراديوي الذي تم استخدامه سابقًا للإشارات الخلوية ذات الاتجاهين وخلق فرص أعمال جديدة. منحت هيئة الاتصالات الفيدرالية (FCC) ترخيصًا مماثلًا لمجموعة Sinclair للبث في عام 2021، وبدأت شركة الاتصالات التشيكية (CRA) البث للهواتف المحمولة في وقت سابق من هذا العام أيضًا.

>> 

قد يكون بإمكان شبكات التلفزيون ذات القدرة المنخفضة -والتي تستهدف بالفعل جماهير لا تستهدفها شركات البث التلفزيوني الكبرى- أن تجد طريقة لجعل تقنية الجيل الخامس تعمل.

نقل الفيديو في اتجاه واحد إلى الأجهزة المحمولة يوفر أيضًا خيارًا آخر للحكومات والشركات لنقل المعلومات في حالات الطوارئ، يقول فرانك كوبسيداس، الرئيس التنفيذي لشبكات XGen.

 تدير XGen محطة التلفزيون ذات الطاقة المنخفضة التي ستستخدم الترخيص التجريبي الجديد، إلى جانب Milachi Media. يقول كوبسيداس: ’’هذا الإطلاق كله متعلق بإثبات الفكرة. سنقوم بإنشاء محطة بث برمجة خطية ومنصة بيانات تتعلق كلها بالمستجيبين الأوائل‘‘.

فرضيًا، يمكن لموظفي إرسال الطوارئ نقل لقطات دائرة تلفزيونية CCTV أو لقطات طائرات دون طيار عبر بث 5G خاص إلى المستجيبين للطوارئ عبر برج بث تلفزيوني حتى عندما تكون الشبكة الخلوية المحلية متوقفة. خارج حالات الطوارئ، يمكن أيضًا لمذيعي البرامج الرياضية تحويل بثهم لحدث إلى النطاق الترددي (UHF) محليًا أثناء المباريات الكبرى، مما يضع ضغطًا أقل على النطاقات الترددية الأخرى ضمن معيار الجيل الخامس 5G.

 يغطي نطاق UHF الترددات من 300 ميجاهرتز إلى 3 جيجاهرتز -في الولايات المتحدة، يتم تخصيص الجزء من 470 ميجا هرتز إلى 608 ميجاهرتز للبث التلفزيوني. تعمل شبكات الجيل الخامس 5G على عدة نطاقات ترددية، مثل (في الولايات المتحدة) بين 600 و 900 ميجاهرتز للنطاقات المنخفضة، وبين 2.5 و 4.2 جيجاهرتز لترددات النطاق المتوسط، وبين 24 جيجاهرتز و 47 جيجاهرتز لترددات النطاق العالي.

’’لقد كنا نشاهد تحويل تقنية الجيل الخامس 5G لصناعة السيارات، وصناعة التجزئة، وصناعات الطب والرعاية الصحية، صناعة تلو الأخرى. لذا فمن المنطقي تحويل تقنية الجيل الخامس للصناعة التلفزيونية كبقية الصناعات.‘‘، يقول جيف كاغان، محلل صناعي في أتالانتا. تعرضت خدمات تلفزيون الكابل لضغوط من البث عبر الإنترنت لمدة تقارب العقد، والآن تعاني خدمات البث المباشر من انخفاض ما بعد جائحة كورونا، يقول كاجان، بالتالي يجب أن تبحث تلك الشركات عن طريقة أخرى للوصول إلى الجماهير.

5G ليست صيغة البث الجديدة الوحيدة التي يتم استكشافها للتلفزيون. ’’تركز شركات البث الرئيسية في الولايات المتحدة على التبديل من 1.0 ATSC إلى 3.0 ATSC‘‘ يقول كوبسيداس. 3.0 ATSC هو أول معيار بروتوكول تلفزيوني معتمد على الإنترنت بالكامل. تم اطلاقه خلال دورة الألعاب الأولمبية الشتوية 2018 في بيونج تشانج ويمكنه نقل صور بدقة 4K وصوت عالي الجودة. بالمقارنة، فإن بث التلفزيون عبر الجيل الخامس 5G غالبًا لن يكون على نفس مستوى الاستقرار أو القدرة، يقول كوبسيداس.

ومع ذلك، قد لا يكون معيار 3.0 ATSC والتلفزيون عبر الجيل الخامس 5G في منافسة مباشرة رأسًا لرأس؛ فقد وجدت دراسة نشرت في مجلة “IEEE Transactions on Broadcasting” في يونيو أن الجيل الخامس أكثر تكلفة من 3.0 ATSC، ولكن الهواتف المحمولة والأجهزة اللوحية لا تستقبل إشارات 3.0 ATSC، لذا يمكن لشبكات الجيل الخامس الوصول إلى أناس في أماكن وعلى أجهزة لا تستقبل إشارات 3.0 ATSC. قد يكون بإمكان شبكات التلفزيون ذات الطاقة المنخفضة -والتي تستهدف بالفعل جماهير لا تستهدفها شركات البث التلفزيوني الكبيرة- أن تجد طريقة لجعل تقنية الجيل الخامس تعمل، متضمنةً الجماهير التي يصعب الوصول إليها، مع إمكانية تقديم خدمات إضافية، مثل منصات الاستجابة الأولية كتلك المخططة من قبل XGen.

بالتأكيد، سيكون من الممكن غالبًا تحديد كيفية نقل إشارة تلفزيونية معينة بشكل أفضل، اعتماًدا على مكان وجود المستخدمين ومدى الطلب على المحتوى في أي وقت. يقول كوبسيداس:’’لدينا بالفعل تطبيقات لذلك، والتي يمكنها تحليل مكان الطلب على عرض معين، ومعرفة إذا كان من المنطقي أكثر إرساله عبر بث الجيل الخامس أو عبر الإنترنت.‘‘

 سيستغرق التطور التكنولوجي للمعدات بضع سنوات لينضج، حيث تحدد 3GPP، هيئة تحديد المعايير الخلوية العالمية، بروتوكولاتها لإشارات التلفزيون من الجيل الخامس 5G ضمن الإصدار 18، ومن ثم يدمجها صانعو الشرائح في شرائحهم. ستسمح تلك الشرائح حينها للهواتف المحمولة بالتقاط الإشارات من هوائيات التلفزيون الحالية.

 تعود مقترحات التبديل بين البث عبر 3.0 ATSC وبث الجيل الخامس 5G إلى ما لا يقل عن عامين وقد تكون جزءًا من بروتوكولات الجيل الخامس المستقبلية. بدأت مجموعة Sinclair للبث الأمريكية في التلاعب بتقنية 3.0 ATSC وتقنية الجيل الخامس مع الشريك الكوري Telecom SK في عام 2019. حيث كان التركيز آنذاك على أنظمة الترفيه والمعلوماتية في المركبات، ومنذ ذلك الحين وقعت شراكة مع Labs Saankhya لاختبار جهاز تلفاز يدعم تقنية الجيل الخامس 5G. (لم ترد شركة Sinclair وشركة Telecom SK عن طريق شركتهما المشتركة Castera على طلب التعليق.)

’’هذا شيء ربما كان يجب أن يبدأ قبل سنوات،‘‘ كاجان يقول.

تم تحديث المقال في 11 أغسطس 2023 لتوضيح مدى طيف UHF.

تم تحديث المقال في 22 أغسطس 2023.

المصدر:

IEEE Spectrum

Broadcasters Explore a New Option for TV: 5G – IEEE Spectrum

الترجمة:

محمد الأمين مالك ابوشهيوة

التدقيق:

حسين الرتيمي

قام الباحثون في شركة الحوسبة الكمومية Terra Quantum بإثبات تحسين تدريب نماذج التعلم الآلي باستخدام طريقة جديدة تجمع بين أفضل ميزات الحواسيب الكلاسيكية والكمومية. تعد هذه النتائج علامة واعدة على مجال التعلم الآلي الكمومي الذي لا يزال بطيئًا في البدء بسبب القيود المادية للحواسيب الكمومية الموجودة.

يمكن استخدام الحواسيب الكلاسيكية والكمومية لتدريب نماذج التعلم الآلي، والتي تعني في الأساس حل المعادلات المعقدة, تحتوي النماذج المعقدة على مناطق منحنية ومسننة في هذه الفضاءات الرياضية. يمكن للحواسيب الكلاسيكية حل المعادلات التي تحكم المناطق المسننة، ولكنها لا تستطيع تقريب المناطق المنحنية إلا باستخدام وظائف متدرجة. على العكس من ذلك، يحكم على الحواسيب الكمومية دالات الموجة وهي مناسبة لحل المنحنيات في فضاء متعدد الأبعاد، كما يقول أليكسي ميلنيكوف، الباحث الرئيسي في Terra. لكن الحواسيب الكمومية غير فعالة في حل المناطق ذات الحواف المسننة، كما يقول.

تُسمى التقنية الجديدة، التي نُشرت الشهر الماضي في مجلة Intelligent Computing، بالشبكات الهجينة المتوازية، وتستفيد من قدرة تقنية الشبكة العصبية على دمج نتائج مراحل التدريب المختلفة في نموذج واحد. تقسم الشبكات العصبية عمل تدريب نماذج التعلم الآلي على وحدات البرامج المختلفة. يتعلم كل نموذج حول ميزة مختلفة من مجموعة البيانات، وتشكل معًا نموذج الشبكة العصبية.

يقول ميلنيكوف، المؤلف المشارك في ورقة البحث، إن إحدى الأفكار الرئيسية من البحث هي أنه من خلال منح الحواسيب الكلاسيكية والكمومية مجموعة البيانات نفسها والسماح لها بتدريب النماذج بالتوازي، يمكن للنموذج النهائي، الذي يتكون من مزيج من الاثنين، تحقيق نتائج أفضل.

“الكمبيوتر الكمومي ليس جيدًا في كل شيء، الكمبيوتر الكلاسيكي ليس جيدًا في كل شيء، لكنهما معًا يحسنان بعضهما البعض.” أليكسي ميلنيكوف، TERRA QUANTUM

يقول ميلنيكوف: “لقد رأينا أن الكمبيوتر الكلاسيكي يتناسب بالفعل مع التغييرات المفاجئة والمتقطعة، بينما يتناسب الكمبيوتر الكمومي مع الأجزاء المتجانسة والخطية.”

العقبة التي يواجهها المستخدمون المحتملون للشبكات الهجينة المتوازية هي أنه في حين أن أقوى كمبيوتر كمومي تم بناؤه حتى الآن يتكون من 433 بت كمومي، أو كيوبيت، إلا أنه لا يزال توجد كمية كبيرة من الضوضاء ومازال عرضة للأخطاء لدرجة أنه لا يزال له تأثير كبير على المهام الحسابية مثل كسر التشفير القياسي.

 تتغلب Terra Quantum على هذه المشكلة المتعلقة بالأجهزة باستخدام أجهزة الكمبيوتر الكلاسيكية عالية الأداء المتخصصة لمحاكاة أجهزة الكمبيوتر الكمومية. هذا ممكن لأن طبقة البرنامج، والتي تتضمن خوارزميات التعلم الآلي، يمكن تشغيلها دون أن يقلق المستخدم بشأن طبقة الأجهزة الموجودة تحتها. تم تخصيص أجهزة الكمبيوتر الخاصة بـ Terra Quantum لنمذجة أجهزة الكمبيوتر الكمومية.

يقول ميلنيكوف إن نهج التعلم الآلي الهجين الجديد مفيد بشكل خاص عند مواجهة نمذجة المواقف في العالم الواقع التي ليست “مشكلات كتاب مدرسي”. استخدم الباحثون هذه التقنية لنمذجة انبعاثات الغاز في محطة كهرباء حرارية لحرق النفايات، والتي يجب أن تتحكم بعناية في معدل التدفق ودرجة الحرارة للانبعاثات الناتجة عن عملية الاحتراق في المحطة. يصعب التنبؤ بالانبعاثات، ولا توجد ارتباطات واضحة بينها وبين المعلمات القابلة للقياس مثل تدفق الهواء ومدخل النفايات.

عندما أضاف الباحثون طبقة شبكة عصبية كمومية إلى نموذج كلاسيكي موجود، وجدوا أن معدل خطأ النموذج قد انخفض إلى ثلث ما كان سيكون عليه بدون الكمبيوتر الكمومي. يقول ميلنيكوف إن النموذج سيحذر مشغلي المصنع من المشكلات المحتملة مسبقًا ويسمح لهم باتخاذ إجراءات تصحيحية بدلاً من إغلاق العملية بأكملها، وهو أمر مكلف وغير فعال.

تشير التقنية الجديدة إلى الفوائد التي قد يقدمها التعلم الآلي على الحواسيب الكمومية في النهاية، على الرغم من أن المجال لا يزال جديدًا جدًا. يقول ميلنيكوف: “الكمبيوتر الكمومي ليس جيدًا في كل شيء، الكمبيوتر الكلاسيكي ليس جيدًا في كل شيء، لكنهما معًا يحسنان بعضهما البعض”. “وهذا يوفر وصفة محددة.”

  المصدر:

Better Machine-Learning Models With Quantum Computers

الترجمة:

 معتز الحربي

التدقيق و المراجعة : 

معتز الحربي

MIRAGEC/GETTY IMAGES

تُشكِّل كابلات الألياف البصرية النظام العصبي الضخم تحت الأرض الذي يلبي احتياجاتنا المتزايدة لخدمات الإنترنت عالية السرعة والاتصالات. ومع ذلك، يمكن أن تتأثر إشارات الكابلات أحيانًا بالاهتزازات الناجمة عن مرور السيارات فوقها، أو اعمال البناء القريبة، أو حتى الزلازل. سبق للباحثين أن اقترحوا سابقًا استغلال تلك التشويشات لتحويل الآلاف من الكيلومترات من الكوابل تحت الأرض إلى مصفوفات زلزالية حساسة.

في دراسة حديثة، اظهر الباحثون من معهد كاليفورنيا للتكنولوجيا أن كابلات الألياف البصرية لا تكشف الزلازل فقط -بل يمكنها قياس التفاصيل الدقيقة والتعقيدات المرتبطة بالأحداث الزلزالية. على سبيل المثال، باستخدام قطعة من الكابل تمتد على مسافة 100 كيلومتر، تمكن الباحثون من تحديد الوقت والمكان لأربع هزات أرضية صغيرة تكونت معًا لتكوين زلزال بقوة 6 درجات.

“هذا العمل ليس مجرد اكتشاف، بل هو ما يتجاوز الاكتشاف.” يقول Jiaxuan Li, الباحث ما بعد الدكتوراه في الجيوفيزياء في معهد كاليفورنيا للتكنولوجيا والمؤلف المشارك في الورقة المنشورة في الثاني من أغسطس في Nature. “نحن نتصور تفاصيل عملية التشقق التي تحدث أثناء الزلزال.”

من خلال استغلال المزيد من الكابلات والحصول على المزيد من البيانات، يمكن لعلماء الزلازل فهم الزلازل بشكل افضل. وفي حين أن مصفوفة من كابلات الألياف البصرية غير قادرة على التنبؤ بوقوع الزلازل قبل حدوثها، يمكن للباحثين استخدام هذه التقنية للمساعدة في تطوير أنظمة تحذير مبكرة أفضل تنقذ الأرواح، وفقًا لقول لي.

عادة ما تتعرض كاليفورنيا الى زلزالين الى ثلاثة زلازل سنويا على الأقل والتي تعتبر شديدة بما يكفي- بقوة 5.5 او أكثر- ينتج عنه أضرار متوسطة للمباني. هناك أكثر من 700 جهاز قياس زلازل في جميع أنحاء الولاية. يصل سعر كل جهاز إلى 50,000 دولار أمريكي، وصيانة شبكة الكواشف باهظة التكلفة.

 إن وجود جهاز استشعار قريب قدر الإمكان من مصدر الزلزال أمر مهم للرصد المبكر. ويقول لي إن هذا ليس ممكنًا باستخدام اجهزة قياس الزلازل الباهظة التكلفة. من ناحية أخرى، تمتد كوابل الألياف البصرية بالفعل في الأرض، متشابكة في كل مكان، مما يوفر شبكة كثيفة ومنخفضة التكلفة لاستشعار الزلازل. ويقول: “لدينا شبكة واسعة جداً من الألياف البصرية في المدن وبين المدن. يمكننا تحويل تلك الشبكات الكثيفة جدًا إلى مصفوفات زلزالية يمكننا استخدامها للتحذير المبكر.”

استخدم لي وزملاؤه تقنية تسمى الاستشعار الصوتي الموزع او(distributed acoustic sensing (DAS، وهي تقنية جديدة في علم الزلازل، وتُستخدم بالفعل لفحص خطوط الأنابيب وكوابل الطاقة لاكتشاف العيوب. تتضمن الطريقة إرسال نبضات ضوء ليزر عبر الألياف البصرية وقياس شدة الإشارات المنعكسة من العيوب في الألياف. يمكن أن يؤدي التمدد أو الانكماش الطفيف للألياف (على سبيل المثال، نتيجة لزلزال) إلى تغيير الإشارات المنعكسة.

بناءً على وقت عودة النبضة، يمكنك تحديد متى وأين حدثت الاضطرابات على طول الكابل. نظرًا لأن الضوء ينعكس من آلاف نقاط العيوب على طول الألياف، يمكن لقطعة من الكابل طولها عدة كيلومترات أن تعمل كآلاف من جهاز قياس الزلازل. وهذا يعني وجود المزيد من البيانات الزلزالية، مما يؤدي إلى دقة أعلى، والتي تتيح تحديد موقع الأنشطة الزلزالية الأصغر.

قام باحثو معهد كاليفورنيا للتكنولوجيا بتحويل كابلات بصرية موجودة مسبقا الى مصفوفة DAS. عادةً ما تقوم شركات الاتصالات بوضع المزيد من الألياف البصرية مما يحتاجون إليه، ويستغل الفريق البحثي بعض هذه الألياف “المظلمة” غير المستخدمة. بإذن من تعاونية النطاق العريض في كاليفورنيا، قام الفريق بتركيب جهاز DAS عند أحد طرفي قطعة من كابل الألياف البصرية على طول الحدود بين كاليفورنيا ونيفادا.

في دراستهم، قام الباحثون بتحليل إشارات الضوء من قسمين من كابل الألياف البصرية بطول 50 كيلومترًا لكل قسم، والتي سجلت زلزال وادي الأنتيلوب عام 2021 بقوة 6 درجات. تم توجيه قسمي كابل الألياف البصرية إلى الشمال والجنوب من بلدة أولد ماموث. بشكل عام، قدم كابل الألياف البصرية لمسافة 100 كيلومتر بيانات معادلة لتلك التي يقدمها 10,000 جهاز كشف الزلازل.

باستخدام البيانات عالية الدقة، وجد الباحثون أن الزلزال يتألف من سلسلة من أربعة تشققات أصغر تُسمى “الأحداث الفرعية” والتي لا يمكن اكتشافها بواسطة شبكة زلزالية تقليدية. من خلال إنشاء نموذج حاسوبي للزلزال استنادًا إلى البيانات، تمكن الباحثون من تفصيل الوقت والموقع الدقيق لهذه الأحداث الفرعية.

يقول لي إن الألياف المستخدمة في الدراسة كانت على بعد 100 كيلومتر من مركز الزلزال. “يمكن زيادة دقة صورتنا بشكل كبير عن طريق وجود ألياف في اتجاهات أخرى، على الجانبين الشرقي والغربي من الزلزال أيضًا.”

يقول لي إنه سيكون تحديًا تقنيًا صعبًا معالجة وتخزين كميات كبيرة من البيانات التي ينتجها مصفوفة زلزالية كثيفة من الألياف الضوئية. لكن التحدي “الأول والأصعب” هو الحصول على الألياف لإنشاء مصفوفة DAS واسعة، ولذلك سيتعين عليهم التفاوض مع شركات الاتصالات. “إنها ليست عملية سهلة، لكنني آمل أن يمكن لشركات الاتصالات أن ترى مزايا التعاون بناءً على هذا العمل.”

المصدر:

IEEE Spectrum

 Fiber-Optic Cables Are Natural Earthquake Detectors (IEEE.org)

الترجمة:

إسراء أبوشهيوة

يظهر هذا التصميم الفني كيف يمكن للأجهزة الصغيرة قريبًا أن تعالج البيانات التي تجمعها بنفسها، دون الحاجة إلى إرسالها إلى جهاز كمبيوتر أو خادم خارجي. سيسمح هذا للأجهزة بالتعلم بشكل أسرع وأكثراستقلالية، مما سيؤدي إلى تحسين أداء العديد من التطبيقات.

تتعلم الأدوات الموجودة من حولنا باستمرار عن حياتنا. تلتقط الساعات الذكية علاماتنا الحيوية لتتبع صحتنا، وتستمع مكبرات الصوت المنزلية إلى محادثاتنا لتتعرف على أصواتنا، وتلعب الهواتف الذكية دور أستاذ النحو، وتراقب ما نكتب من أجل إصلاح أخطاء الطباعة لدينا. نحن سعداء بوجود هذه الاختراعات، ولكن لا يتم دائمًا الاحتفاظ بالمعلومات التي نشاركها مع أدواتنا بيننا وبين مصنعي الإلكترونيات لدينا. يمكن أن يتطلب التعلم الآلي أجهزة قوية وعملاقة، لذلك غالبًا ما ترسل الأجهزة “المتطورة” مثل الهواتف البيانات إلى الخوادم المركزية، والتي تعيد بعد ذلك خوارزميات مدربة. يرغب بعض الناس في حدوث هذا التدريب على نفس الأجهزة وليس خارجها. تعمل طريقة تدريب الذكاء الاصطناعي الجديدة على توسيع قدرات التدريب للأجهزة الصغيرة، مما يساعد على الحفاظ على الخصوصية.

 تستخدم أقوى أنظمة التعلم الآلي الشبكات العصبية (neural networks)، وهي شبكات معقدة مليئة بالبيانات القابلة للتعديل. أثناء التدريب، تتلقى الشبكة إدخالًا (مثل مجموعة من الصور)، وتولد ناتجًا (مثل “قطة”)، وتقارن نتائجها بالإجابة الصحيحة، وتضبط بياناتها لتحسين أدائها في المرة القادمة. لمعرفة كيفية ضبط كل من تلك الأزرار الداخلية، تحتاج الشبكة إلى تذكر تأثير كل منها، لكنها تصل بانتظام إلى الملايين أو حتى المليارات. يتطلب ذلك الكثير من الذاكرة.  يمكن أن يتطلب تدريب شبكة عصبية مئات أضعاف الذاكرة المستخدمة عند استخدامها فقط (ويسمى أيضًا “Inference”). في الحالة الأخيرة، يُسمح للذاكرة بنسيان ما فعلته كل طبقة من الشبكة بمجرد تمرير المعلومات إلى الطبقة التالية.

لتقليل الذاكرة المطلوبة أثناء مرحلة التدريب، استخدم الباحثون بعض الحيل. في إحدى الطرق، والتي تسمى paging أو offloading، تقوم الآلة بنقل تلك التنشيطات من الذاكرة قصيرة المدى(RAM) إلى نوع أبطأ ولكن أكثر وفرة من الذاكرة مثل (HDD or SSD)، ثم تعيدها عند الحاجة. في طريقة أخرى، تسمى rematerialization، تقوم الآلة بحذف البيانات، ثم تعيد حسابها لاحقًا. في السابق، استخدمت أنظمة تقليل الذاكرة إحدى هاتين الحيلتين أو، كما يقول شيشير باتيل،عالم الكمبيوتر في جامعة كاليفورنيا-بيركلي، والمؤلف الرئيسي للورقة التي تصف هذا  الابتكار، تم دمجها باستخدام “علم التأشير” الذي يكون “دون المستوى الأمثل”، وغالبًا ما يتطلب الكثير من الطاقة. يقوم الابتكار الذي ذكره باتيل وزملاؤه بتنسيق الجمع بين paging وrematerialization.

يقول جياسي تشن، عالم الكمبيوتر في جامعة كاليفورنيا، ريفرسايد، الذي يعمل على الحوسبة المتطورة، ولكنه لم يشارك في العمل: “إن دمج هاتين التقنيتين جيدًا في مشكلة الاستهلاك، ثم حلها، أمر رائع حقًا”.

في يوليو 2022، قدم باتيل نظامه، الذي يسمى POET، والذي هو اختصار لـ Private Optimal Energy Training، في المؤتمر الدولي حول التعلم الآلي، في بالتيمور. أولاً، يعطي POET تفاصيل الجهاز الفنية ومعلومات حول بنية الشبكة العصبية التي يريد تدريبها. يحدد ميزانية الذاكرة وميزانية الوقت. ثم يطلب منه إنشاء عملية تدريب تقلل من استخدام الطاقة. قد تقرر العملية ترقيم بعض البيانات التي سيكون من غير الفعال إعادة حسابها، ولكن إعادة تكوين هذه البيانات مرة أخرى تكون بسيطة في الإعادة، ولكنها تتطلب الكثير من الذاكرة التخزينية.

كانت إحدى مفاتيح التقدم هي تعريف المشكلة على أنها لغز البرمجة الخطية المتكاملة المختلطة (MILP)، وهي مجموعة من القيود والعلاقات بين المتغيرات. لكل جهاز وهندسة شبكة، يربط POET متغيراته ببرنامج MILP المصنوع يدويًا من باتيل، ثم يجد الحل الأمثل. يقول تشن: “التحدي الرئيسي هو تحديد المشكلة بطريقة جيدة بحيث يمكنك إدخالها في محلل حل ،” يقول تشن. “لذلك، فإنك تلتقط جميع الديناميكيات الحقيقية للنظام، مثل الطاقة، ووقت الاستجابة، والذاكرة.”

اختبر الفريق POET على أربعة معالجات مختلفة، تراوحت ذاكرة الوصول العشوائي (RAM) الخاصة بهم من 32 كيلو بايت إلى 8 جيجابايت. على كل منها، قام الباحثون بتدريب ثلاث برامج شبكات عصبية مختلفة: نوعان شائعان في التعرف على الصور (VGG16 و ResNet-18) بالإضافة إلى شبكة معالجة اللغة شعبية (BERT). في العديد من الاختبارات، يمكن للنظام تقليل استخدام الذاكرة بنسبة 80٪ تقريبًا، دون زيادة كبيرة في استخدام الطاقة. لم تستطع الأساليب المماثلة القيام بذلك في نفس الوقت. وفقًا لباتيل، أظهر البحث أن BERT يمكن الآن تدريبه على أصغر الأجهزة، والتي كانت مستحيلة في السابق.

“في البداية، كان POET مجرد فكرة لطيفة،” كما يقول باتيل. الآن، تواصلت عدة شركات بشأن استخدامه، وقد جربته شركة كبيرة واحدة على الأقل في مكبر الصوت الذكي الخاص بها. أحد الأشياء التي يحبونها، كما يقول باتيل هو أن POET لا يقلل من دقة الشبكة عن طريق “التكميم” أو اختصار التفعيلات لتوفير الذاكرة. لذلك لا داعي لفريق تصميم الشبكات للتنسيق مع الفرق التي تنفذها من أجل التفاوض بشأن المقايضات بين الدقة والذاكرة.

يذكر باتيل أسبابًا أخرى لاستخدام POET إلى جانب مخاوف الخصوصية. تحتاج بعض الأجهزة إلى تدريب الشبكات محليًا لأنها تفتقر إلى اتصال بالإنترنت أو اتصال ضعيف. وهذا يشمل الأجهزة المستخدمة في المزارع والغواصات والفضاء. يمكن لمجموعات إعداد أخرى الاستفادة من الابتكار لأن إرسال البيانات يتطلب الكثير من الطاقة. ويمكن لـ POET أيضًا أن يجعل الأجهزة الكبيرة – خوادم الإنترنت – أكثر كفاءة في استهلاك الذاكرة والطاقة. لكن فيما يتعلق بالحفاظ على خصوصية البيانات ، يقول باتيل: “أعتقد أن هذا مناسب جدًا ، أليس كذلك؟”

المصدر:

IEEE Spectrum

We Can Now Train Big Neural Networks on Small Devices

الترجمة:

معتز الحربي

التدقيق:

إسراء ابوشهيوة

ارتفاع حدوث الفيضانات الغير المتوقعة بعد العواصف.ENRICO MATTIA DEL PUNTA/NURPHOTO/AP

مع ارتفاع وتيرة الظواهر الجوية المتطرفة في السنوات الأخيرة، هناك أيضًا حاجة متزايدة إلى معرفة هيدرولوجية دقيقة من أجل التنبؤ بالفيضانات الكارثية. لعب علم الهيدرولوجيا – دراسة دورة المياه على الأرض – دورًا كبيرًا في الحضارة البشرية لآلاف السنين. ومع ذلك، في ورقة بحثية حديثة، يؤكد فريق من الباحثين أن منهجية هيدرولوجيا التقليدية تعيق التقدم في هذا المجال، وأنه حان الوقت للانتقال من النماذج النظرية المعقدة إلى نماذج تنبؤية تستخدم خوارزميات التعلم الآلي.

المتخصصون في علم الهيدرولوجيا وباحثو الشبكات الحاسوبية تعاونوا على نموذج تجريبي يستخدم تقنيات التعلم الآلي للقيام بتوقعات هيدرولوجية. ذكر أندريا زانيلا، أستاذ هندسة المعلومات في جامعة بادوفا في إيطاليا، أن نماذج الهيدرولوجيا موجودة بالفعل، ولكن تلك النماذج التقليدية هي معقدة رياضياً وتتطلب العديد من معلمات الإدخال لتكون عملية.

باستخدام تقنيات التعلم الآلي، تمكن الباحثون من تدريب نموذج يمكنه باستخدام البيانات المتوفرة خلال أول 30 دقيقة من العاصفة، التنبؤ بحدوث جريان المياه السطحية أو الفيضانات بفارق زمني يصل إلى ساعة قبل حدوثها. وأشار زانيلا، الذي هو أيضًا شريك في الدراسة، إن الدراسة كانت مجرد الخطوة الأولى نحو بناء نموذج من شأنه التنبؤ بشكل مثالي بحدوث جريان المياه السطحية بمهلة زمنية تبلغ بضع ساعات، مما يمنح للناس وقتا اكثر للاستعداد أو إخلاء المنطقة إذا لزم الأمر.

>>

يحدث هطول الأمطار أو الثلوج بشكل غير متكرر نسبيا، لذلك قد لا تسجل أجهزة الاستشعار أي بيانات على الإطلاق أثناء هطول الأمطار الغزيرة. وعندما تقوم بتسجيل البيانات، غالبًا ما لا تكون لديها ما يكفي من نقاط البيانات لالتقاط تفاصيل كثيرة حول تطور العاصفة.

العمل نحو تحقيق هذا الهدف “ليس بسيطًا على الإطلاق”، كما قال زانيلا. “ولكن الطريقة التي نقترحها تبدو أول خطوة نحو ذلك.”

قام الباحثون بتدريب نموذجهم لتعلم الآلة باستخدام معلمات بيانات الإدخال مثل كمية الأمطار والضغط الجوي التي تم الحصول عليها من أجهزة الاستشعار في محطات الطقس. كما كانت معلمات بيانات الإخراج، مثل امتصاص التربة وحجم الجريان، مجموعة من البيانات التي جمعوها وبيانات صنعوها إضافية باستخدام نماذج نظرية تقليدية. كانت البيانات الاصطناعية ضرورية، وفقًا لقول زانيلا، بسبب نقص البيانات النوعية اللازمة لبناء نماذج تعلم الآلة الموثوقة في علم الهيدرولوجيا.

ينتج نقص البيانات عن ممارسات جمع البيانات الحالية. حاليا، يتم جمع البيانات الهيدرولوجية باستخدام أجهزة الاستشعار في فترات زمنية محددة مسبقًا – عادةً كل بضع ساعات أو حتى أيام. هذه الطريقة في جمع البيانات غير فعالة لأن نسبة صغيرة فقط من البيانات التي تم جمعها مفيدة للنمذجة. تحدث الأمطار أو الثلوج بشكل غير متكرر نسبيًا، لذلك قد لا تسجل أجهزة الاستشعار أي بيانات على الإطلاق أثناء هطول الأمطار الغزيرة. وعندما يحدث ذلك، غالبًا ما لا تكون لديها ما يكفي من نقاط البيانات لالتقاط تفاصيل كثيرة حول تطور العاصفة.

في دراستهم، يقترح الباحثون أن المزيد من الأجهزة الاستشعارية ومعدل متغير لجمع البيانات قد يساعد في حل المشكلة. في الحالة المثالية، ستزيد الأجهزة الاستشعارية بشكل كبير من جمع البيانات عند هطول المطر وتبطئ عملية الجمع عندما تكون الظروف جيدة.

تعد بيانات الإخراج مثل امتصاص الماء بواسطة التربة صعبة الحصول عليها بشكل خاص، على الرغم من أهميتها لبناء نماذج التعلم الآلي عن طريق مطابقة الملاحظات مع التوقعات حول آثار الجريان السطحي. والصعوبة تكمن في ضرورة أخذ عينات التربة وتحليل تلك العينات، وهو أمر يتطلب جهدًا كبيرًا ووقتًا طويلاً.

قال زانيلا أن أجهزة استشعار الطقس يجب أن تتضمن أيضًا نوعا من معالجة البيانات مسبقًا. حاليًا، يجب على الباحثين الذين يقومون بتنزيل البيانات من أجهزة الاستشعار البحث في كمية كبيرة من البيانات للعثور على بيانات هطول المطر المفيدة. وهذا ليس فقط مستهلكًا للوقت ولكنه أيضًا يستخدم مساحة يمكن استخدامها بدلاً من ذلك لتخزين المزيد من البيانات ذات الصلة. إذا تمت معالجة البيانات تلقائيًا في محطات الطقس، فقد يساعد ذلك في تنظيف البيانات وجعل تخزين البيانات أكثر كفاءة.

أكدت الدراسة أيضًا أهمية تحسين أدوات تصور البيانات. كمجال له تطبيقات عملية مهمة، يجب أن تكون المعلومات الهيدرولوجية سهلة الفهم لجمهور واسع من الخلفيات التقنية المتنوعة، ولكن ذلك ليس الحال في الوقت الحالي. على سبيل المثال، الرسوم البيانية التي تُظهِر كثافة الأمطار على مر الزمن، والتي تسمى هيتوجراف، تشتهر بصعوبة فهمها.

“في معظم الحالات، عندما تنظر إلى إدارة موارد المياه، الأشخاص المسؤولين عنها ليسوا خبراء [فنيين]،” قال زانيلا. “لذلك نحتاج أيضًا إلى تطوير أدوات تصور تساعد هؤلاء الأشخاص على الفهم.”

قال زانيلا أن الباحثين من مجالات مختلفة يحتاجون إلى التعاون للارتقاء بشكل كبير بمجال الهيدرولوجيا. كما أعرب عن أمله في أن يعمل المزيد من الباحثين ذوي الخلفيات في مجالات الاتصالات اللاسلكية والشبكات في هذا المجال للمساعدة في التغلب على تحدياته.

المصدر:

IEEE SPECTRUM

Machine Learning Could Be Used to Better Predict Floods – IEEE Spectrum

الترجمة:

إسراء أبوشهيوة