هوشِ مصنوعی، بیناییِ ماشین و محاسباتِ علمی
پژوهشگر — هوشِ مصنوعیِ کاربردی، بیناییِ ماشین و نرمافزارِ علمی
جایی که نرمافزار به علم میرسد. پژوهشِ من مسائلِ دشوار را به ابزارهایی بدل میکند که آزمونپذیرند، نه صرفاً بحثشدنی — در سه رشته: هوشِ مصنوعی و بیناییِ ماشین، نرمافزارِ علمیِ نجوم، و یادگیریِ ماشینِ کاربردی.
جایی که نرمافزار به علم میرسد
من جایی کار میکنم که مهندسیِ دقیق به پرسشهای بازِ علمی میرسد. روش ثابت است: ابزاری محاسباتی بساز که یک پرسش را آزمونپذیر کند — یک مدلِ یادگیریِ عمیق، یک شبیهسازِ سریع، یک خطِ لولهٔ بازتولیدپذیر — و آن را عرضه کن تا دیگران هم بتوانند بهکارش ببرند. سه رشته این روش را پیش میبرند.
۱ · هوشِ مصنوعی و بیناییِ ماشین
هممخترعِ نامبرده در پتنتِ بینالمللیِ WO 2021/198731 — روشی مبتنی بر هوشِ مصنوعی و بیناییِ ماشین که از تصاویرِ پهپاد و یادگیریِ عمیق برای تشخیصِ بیماری، کمبودِ موادِ مغذی و رشدِ گیاهانِ زراعی و باغی استفاده میکند.
۲ · نرمافزارِ علمی و نجوم
اپلیکیشنِ BSN — نرمافزارِ علمی برای تحلیلِ فوتومتریکِ منحنیِ نوریِ سامانههای ستارهایِ دوتاییِ تماسی، با پنلِ یکپارچهٔ MCMC که منحنیِ نوریِ مصنوعی را ۴۰ برابر سریعتر از PHOEBE تولید میکند؛ مشارکت در پروژهٔ بینالمللیِ Binary Systems of South and North (BSN).
۳ · یادگیریِ ماشینِ کاربردی
یادگیریِ ماشینِ داوریشده برای مسائلِ واقعیِ مهندسی — بهینهسازیِ گرماگیرِ هواخنک و مدلهای ANN مدیریتِ حرارتی — و ابزارِ DataStudio برای برچسبگذاری و افزایشِ دیتاستهای تصویر و ویدئو برای مدلهای بیناییِ ماشین و NLP.
هوشِ مصنوعی و بیناییِ ماشین
هممخترعِ نامبرده در یک پتنتِ بینالمللیِ هوشِ مصنوعی / بیناییِ ماشین (WO 2021/198731): تصاویرِ پهپاد و یادگیریِ عمیق برای تشخیصِ سلامتِ گیاه.
پرسش
آیا یک دوربین روی پهپاد، بهاضافهٔ یادگیریِ عمیق، میتواند کاری را که یک کارشناسِ کشاورزی پیاده انجام میدهد بکند — تشخیصِ زودهنگامِ بیماری و کمبودِ موادِ مغذی، در کلِ یک مزرعه، در مقیاس؟
پتنت
WO 2021/198731 A1 (PCT/IB2020/053083) — روشی مبتنی بر هوشِ مصنوعی برای تشخیصِ ویژگیهای فیزیکی، سلامت و ارزیابیِ رشدِ گیاهانِ زراعی و باغی. از پهپاد، دوربین و بیناییِ ماشینِ مبتنی بر یادگیریِ عمیق برای تشخیصِ بیماری و کمبودِ موادِ مغذی و ارزیابیِ رشد استفاده میکند. ثبت ۲۰۲۰، انتشار ۲۰۲۱؛ من هممخترعِ نامبردهام. در Google Patents بخوانید.
چرا مهم است
تشخیصِ مبتنی بر تصویر، بازرسیِ گران، کند و وابسته به کارشناس را به چیزی بدل میکند که یک کشاورز بتواند بارها و ارزان اجرا کند — همین تکنیکهای بیناییِ ماشین به تصویربرداریِ پزشکی، بازرسیِ صنعتی و هر حوزهای که چشمِ کارشناس گلوگاه است منتقل میشوند.
نرمافزارِ علمی و نجوم
اپلیکیشنِ BSN — تحلیلِ فوتومتریکِ منحنیِ نوریِ ستارگانِ دوتاییِ تماسی با پنلِ MCMC، با تولیدِ منحنیِ نوریِ مصنوعی ۴۰ برابر سریعتر از PHOEBE.
پرسش
ستارگانِ دوتاییِ تماسی یک پوشش را به اشتراک میگذارند؛ روشناییِ آنها با گردش بالا و پایین میرود. برازشِ آن منحنیِ نوری برای بازیابیِ پارامترهای فیزیکی کند است. آیا میتوان آن را آنقدر سریع کرد که قابلِ کاوش شود؟
اپلیکیشنِ BSN
نرمافزارِ علمی برای تحلیلِ فوتومتریکِ منحنیِ نوریِ سامانههای دوتاییِ تماسی، با پنلِ یکپارچهٔ MCMC برای برآوردِ پارامتر. منحنیِ نوریِ مصنوعی را ۴۰ برابر سریعتر از PHOEBE تولید میکند، با رابطی شهودی و انطباقِ کاملِ استانداردِ علمی — ساختهشده در چارچوبِ پروژهٔ بینالمللیِ Binary Systems of South and North (BSN).
چرا مهم است
یک شتابِ ۴۰ برابری آنچه را یک پژوهشگر میتواند انجام دهد دگرگون میکند — از برازشِ یک سامانه در هر بار، تا جاروبِ فضای پارامتر و کاوشِ جمعیتها. همین الگوی MCMC + مدلِ روبهجلوی سریع در سراسرِ محاسباتِ علمی، هرجا که یک شبیهسازِ گران درونِ حلقهٔ استنتاج بنشیند، تکرار میشود.
یادگیریِ ماشینِ کاربردی
یادگیریِ ماشینِ داوریشده برای مهندسی — بهینهسازیِ گرماگیرِ هواخنک و مدلهای ANN حرارتی — بهعلاوهی خطلولههای برچسبگذاری و افزایشِ داده برای بینایی و NLP.
پرسش
مهندسی پر است از شبیهسازیهای گران و آزمایشهای کند. کجا میتوان یک مدلِ آموزشدیده را جایگزینِ این حلقه کرد و همچنان به آن اعتماد داشت؟
کارهای داوریشده
- بهینهسازیِ مبتنی بر یادگیریِ ماشینِ گرماگیرهای هواخنک — Thermal Science and Engineering Progress ۳۴، ۱۰۱۳۹۸ (۲۰۲۲)؛ پراستنادترین مقالهٔ من.
- دقتِ پیشبینیِ شبکههای عصبیِ مصنوعی در مدیریتِ حرارتی با توجه به معماریِ شبکه — مطالعهای دربارهٔ اینکه معماریِ شبکه چگونه دقتِ ANN را در پیشبینیِ مدیریتِ حرارتی تعیین میکند.
DataStudio
ابزاری برای جمعآوری، برچسبگذاری و افزایشِ دیتاستهای تصویر و ویدئو برای مدلهای بیناییِ ماشین و NLP — تحلیلِ احساسات، پیوندِ موجودیت و خطلولههای تجزیه — چون مدلها دقیقاً بهاندازهٔ دادهایاند که آموزششان میدهد.