رفتن به مطلب
جامعه‌ی برنامه‌نویسان مُدرن ایران

علم و دانش

  • نوشته‌
    5
  • دیدگاه
    0
  • مشاهده
    788

مشارکت‌کنندگان این وبلاگ

درباره این وبلاگ

نوشته‌های این وبلاگ

 

نوع جدیدی از کامپیوترهای کوانتومی رکوردهای قبلی را درهم شکست

یک استارتاپ آمریکایی با موفقیت کامپیوتری کوانتومی را تست و معرفی کرده که با درهم شکستن رکوردهای قبلی قدرت کوانتوم را به رخ می کشد. کامپیوتر کوانتومی کمپانی IonQ که در «مریلند» واقع شده، از توان پردازش ۷۹ کیوبیتی بهره می برد که از Bristlecone گوگل هفت کیوبیت قوی تر است. علاوه بر توان بالا، نرخ خطای این پردازنده‌های کوانتومی به ازای هر کیوبیت در حد ۰.۰۳ است و این در حالی که نزدیکترین گزینه نرخ خطایی برابر با ۰.۵ درصد دارند. این میزان به ازای هر جفت کیوبیت به ۰.۷ می رسد که باز هم با ۵ درصد دیگر رقبا کیلومترها فاصله دارد. برای تست این سیستم ها از الگوریتم هایی نظیر بنچمارک «برنستاین-وزیرانی» استفاده می شود که در آن دستگاه برای شناسایی یک عدد رمزنگاری شده تنها اجازه پرسیدن سوال های با جواب بله یا خیر را دارد. زمانی که این عدد بین ۱ تا ۱۰۲۳ قرار داشته باشد، احتمال موفقیت کامپیوتر عادی و کوانتومی به ترتیب برابر ۰.۲ و ۷۹ درصد خواهد بود. «کریستوفر مونرو»، مدیرعامل IonQ بر این باور است که سرمایه گذاری روی کامپیوترهای کوانتوم یونی بهترین گزینه است: در کامپیوترهای معمولی برای ذخیره داده و انجام محاسبات از بیت های صفر و یک استفاده می شود اما در کامپیوترهای کوانتومی به این منظور کیوبیت هایی به کار برده می شوند که می توانند در آن واحد صفر، یک و یا ترکیبی از هردو مورد باشند. IonQ در ساخت کامپیوتر کوانتومی خود فناوری سیلیکون فوق سرد مورد استفاده گوگل، IBM و Rigetti برای به دام انداختن یون ها را با فلز نادر ایتربیم جایگزین کرده است. در این فرایند ایتربیم یونیزه شده در یک میدان الکترومغناطیسی نوسان دار معلق می شود تا از طریق لیزرهای برنامه نویسی شده اطلاعات وارد، ذخیره یا بازیابی شوند. دقت و صحت سیستم IonQ نشان دهنده این است که به زودی و احتمالا سال آینده شاهد استفاده عملی از کامپیوترهای کوانتومی خواهیم بود.

کامبیز اسدزاده

کامبیز اسدزاده

 

لپ‌تاپ شیمیایی ناسا که به یافتن سیاره دیگر کمک می‌کند

برای پیداکردن نشانه های حیات در سیاره های دیگر می توان از فضاپیماهای کنونی هم استفاده نمود. اما آنها وسیله اختصاصی این امر نیستند و احتمال دارد نتوانند به درستی این ماموریت را به انجام برسانند. در همین راستا، ناسا به تازگی دستگاهی ساخته تا شواهد درست و کاملی در این مورد بیابد. آنها نام «لپ تاپ شیمیایی» را برای اختراع جدید خود انتخاب کرده اند. این لپ تاپ که در اصل یک ربات محسوب می شود نخستین وسیله ای خواهد بود که به طور اختصاصی برای کشف آمینو اسید و اسیدهای چرب (که عناصر ضروری حیات هستند) در کره های دیگر ساخته شده. این ربات با باتری کار می کند و برای انجام وظایفش به نمونه های مایع نیاز دارد. از آنجا که یافتن مایع در سیارات دیگر چندان آسان نیست، مکانیسم آن مشابه قهوه ساز طراحی شده. به این صورت که از آب داغ برای خارج نمودن عناصر ارگانیک مواد بهره می گیرد. یعنی نمونه مورد نظر به همراه آب درون مخزن آن قرار داده شده و تا 212 درجه فارنهایت گرم می شوند. در آخر، لپ تاپ شیمیایی ناسا، آب حاوی نمونه را با رنگ فلورسنت که به مولکول های آمینو اسید و اسیدهای چرب می چسبد، مخلوط و سپس آنها را به میکروچیپی در داخل دستگاه ارسال می کند تا مولکول ها از هم جدا شوند. در نهایت، دانشمندان با عبور دادن مولکول ها از لیزر، نشانه های حیاتی موردنظرشان را جستجو می کنند. البته لازم به یادآوری است که هر نوع اکتشاف جدید برای عملی شدنش به سال ها زمان نیاز دارند و مریخ نورد جدید ناسا نیز از این قاعده مستثنا نیست و تا سال 2021 میلادی روی سطح هیچ سیاره دیگری (همانند اروپای ژوپیتر یا انسلادوس زحل) فرود نخواهد آمد.البته تا آن زمان هم قرار نیست این دستگاه اختراعی بی استفاده بماند. مثلا می توان از آن برای آزمایش های زیست محیطی یا در صنعت داروسازی برای تشخیص داروی تقلبی بهره گرفت.

کامبیز اسدزاده

کامبیز اسدزاده

 

اهمیت یادگیری ماشین

یادگیری ماشین یک استراتژی برای تحقیق و بررسی به صورت خودکار جهت ساختن مُدل‌های توصیفی (نمایشی) می‌باشد. یادگیری ماشین چیست؟ چرا یادگیری ماشین مهم است؟ یادگیری ماشین یک استراتژی برای تحقیق و بررسی اطلاعات است که ساخت مُدل به صورت توصیفی را خودکار می‌کند. یک شاخه که از استدلال‌هایِ انسانی از نگاه ساختار‌ها است می‌تواند از اطلاعات به دست آید، نمونه‌ها را تشخیص دهد و با اختیار بی‌نظیر انسانی بین انتخاب‌ها اقدام به انتخاب کند. چرا یادگیری ماشین ضروری است؟ اشتیاق برای یادگیری ماشین به دلیل حجم توسعه و مجموعه‌ای از اطلاعاتی که قابل دسترس هستند طرفدار بسیاری دارد. همه‌ی کسانی که به دنبال پردازش محاسباتی ارزان هستند و معمولاً برای ذخیره سازی اطلاعات شتاب‌زده عمل می‌کنند، یادگیری ماشین را مهم می‌دانند. بنابراین این امکان وجود دارد که سریعاً و به طور طبیعی مُدل‌هایی در این زمینه ایجاد شود که بتواند اطلاعات بسیار بزرگ و پیچیده‌ی (سرگیجه‌آور) و دقیق‌تری را در اختیار شما قرار دهند که منجرع به ارائه‌ نتایج سریع و دقیق خواهشد شد، حتی در مقیاس بسیار بزرگ که شاید انتظارش را نداشته باشید. علاوه بر این، با ساخت مدل‌های دقیق، ویژگی برتری شکل می‌گیرند که امکان شناخت احتمالات مفید و یا نگه‌داری فاصله‌ی استراتژیکی از خطرات مبهم را فراهم می‌سازد. چه کسانی این فناوری را مورد استفاده قرار می‌دهند؟ اکثر شرکت‌هایی که با اطلاعات زیادی سرو کار دارند، نوآوری یادگیری ماشین را تخمین زده و آن را درک می‌کنند. آن‌ها با جمع‌آوری بیت‌های دانش از این اطلاعات استفاده کرده و اغلب به تدرج می‌توانند به صورت کارآمد‌تر (مفید‌تر) کار کرده و یا موقعیت‌های مطلوب را نسبت به رقبای خود انتخاب کنند. ادارات و بودجه بانک‌ها و سازمان‌های مختلف در صنایع مربوط به پول از نوآوریِ یادگیری ماشین برای دو هدف کلیدی استفاده می‌کنند: برای تشخیص تجربیاتِ بحرانی در اطلاعات و جلوگیری از اخاذی. بیت‌هایِ دانش می‌تواند فرصت‌های سرمایه‌گذاری را شناسایی کرده و یا به متخصصانِ مالی زمانی که می‌خواهند معامله کنند کمک کند. دولت اداره‌های دولتی، برای مثال، تامین امنیت به صورت امنیت باز و کاربردپذیری آن‌ها نیاز به یادگیری ماشین دارند، چرا که آن‌ها منابع فراوانی از اطلاعات را دارا هستند که می‌تواند به عنوان سر نقطه‌ای از دانش‌ باشد. به عنوان نمونه، روشی را برای افزایش مهارت و صرفه‌جویی در پولِ نقد را متمایز می‌کند. همچنین یادگیری ماشین می‌تواند در محدود سازی و ارائه‌ی اطلاعات نادرست کمک کند. خدمات انسانی یادگیری ماشین یک طرحِ (الگویِ) توسعه سریع در صنعت خدمات انسانی است که به عنوان یک ویژگی در قالب گجت‌های پوشدنی و سنسور‌هایی که می‌توانند اطلاعات قابل استفاده برای ارزیابی یک بیماری تصاعدی (در حال پیشرفت) را ارائه دهد مورد استفاده قرار می‌گیرد. همچنین این نوآوری می‌تواند در تجزیه کردن اطلاعات پیش‌رونده در قادر ساختن متخصصین برای تشخیص الگو‌های مناسب برای مقابله با خطراتی که ممکن است سریعاً نتیجه داده و درمان آن به آن‌ها کمک کند استفاده می‌شود. نمایشگاه‌ها و معاملات سایت‌ها چیز‌هایی را که ممکن است با توجه به خرید‌هایی که شما در گذشته داشته‌اید پیشنهاد دهند. آن‌ها می‌دانند که چگونه تاریخچه‌ی خرید شما را تجزیه و تحلیل کنند. این ظرفیت برای گرفتن اطلاعات، تجزیه آن‌ها و استفاده از آن‌ها برای سفارشی کردن یک پس زمینه‌ی خرید (و یا تحقق بخشیدن به ارائه‌ی تبلیغات) می‌باشد. نفت و گاز یافتن منابع جدید حیاتی؛ تجزیه‌ی مواد معدنی در زمین؛ پیش‌بینی‌های ناامیدانه‌ی سنسور یک پالایشگاه؛ بهینه سازی تولید و انتشار نفت برای تولید و آگاهی بیشتر، کمیتِ استفاده از یادگیری ماشین برای این صنایع بسیار بزرگ است و هنوز هم در حال گسترش می‌باشد. حمل و نقل تجزیه اطلاعات برای تمایز نمونه‌ها و الگو‌ها برای کسب‌و‌کار‌های حمل‌و‌نقل حیاتی است، که بستگی به دوره‌های تولیدی و پیش‌بینی مسائل بالقوه برای افزایش بهره‌وری دارد. بازرس اطلاعات و نمایش بخش‌هایی از یادگیری ماشین ابزار‌های ضروری برای حمل‌و‌نقل سازمان‌ها، حمل‌و‌نقل آزاد و دیگر انجمن‌های حمل‌و‌نقل می‌باشد.
 

هوش مصنوعی واتسون با پیش‌بینی عملکرد آینده

یکی از دغدغه‌های کارفرمایان در حوزه منابع انسانی، علاوه بر استخدام نیروی متخصص، تصمیم‌گیری برای ادامه‌ی همکاری با کارمندان فعلی و مشخص نمودن اضافه حقوق و مزایای شغلی است. کارفرمایان تمایل دارند بدانند واقعا کدام یک از کارمندان شرکت، مستحق دریافت اضافه حقوق است و کدام یک فردی ارزشمند برای شرکت محسوب می‌شود که ارزش سرمایه‌گذاری دارد و حضورش برای شرکت مثمر فایده است. کارفرمایان علاقه‌ دارند تا بدانند کدام یک از کارمندان شرکت، عملکرد بهتری در آینده از خود نشان می‌دهند. پیش‌بینی وضعیت عملکرد آینده‌ی کارمندان و مشخص نمودن دورنمای کاری آنها بسیار حائز اهمیت است. همیشه با بررسی وضعیت و عملکرد گذشته‌ی فرد، نمی‌توان در مورد آینده‌ی او و موفقیت‌هایی که قرار است به دست بیاورد، پیش‌بینی کرد. در شرکت IBM، نه تنها عملکرد و دستاوردها یا خطاهای گذشته پرسنل مورد بررسی قرار می‌گیرند، بلکه در مورد آینده‌ی آنها نیز پیش‌بینی‌‌هایی انجام می‌شود و مشخص می‌شود فردی که اکنون در شرکت مشغول فعالیت است در آینده چه عملکردی خواهد داشت. واقعا شرکت IBM چگونه می‌تواند آینده‌ی کارمندان خود را قضاوت کند؟ در اصل IBM چگونه می‌تواند آینده را پیش‌بینی کند؟ همه‌ی آنچه آی‌بی‌ام به انجام می‌رساند در یک کلمه خلاصه شده است: واتسون. تجزیه و تحلیل واتسون (Watson Analytics) با استفاده از هوش مصنوعی، به تجربیات گذشته‌ی افراد و پروژه‌هایی که پیش از این انجام داده‌اند، توجه نشان داده ودر عین حال مهارت‌های بالقوه و کارهایی که در آینده می‌تواند به انجام برساند را مد نظر می‌گیرد. واتسون مشخص می‌کند هر یک از پرسنل، چه مهارت‌ها و ویژگی‌های بالقوه‌ای برای ارائه به شرکت IBM دارد که در آینده می‌تواند از آن‌ها در جهت منافع شرکت بهره‌برداری کند. همچنین واتسون، سیستم آموزش داخلی IBM را نیز بررسی می‌کند تا ببیند آیا کارمند مربوطه مهارت‌های جدیدی را کسب کرده است یا خیر. مدیران IBM‌ پس از ارزیابی امتیازهایی که واتسون به هر فردی می‌دهد، میزان پاداش یا وضعیت اضافه حقوق وی را مشخص می‌کنند. میزان افزایش حقوق فرد با توجه به امتیازهایی که واتسون برایش در نظر می‌گیرد، تعیین می‌شود. نیکل لاموراکس، معاون مدیرعامل شرکت IBM‌ در مورد بررسی وضعیت کارمندان از نظر اینکه حضور آنها به نفع شرکت است و منافعی را به دنبال دارد یا به ضرر شرکت تمام می‌شود، این چنین اظهار نظر کرده است: شرکت آی‌بی‌ام ادعا می‌کند که واتسون در مقایسه با بررسی‌ها و تجزیه‌ و تحلیل‌های کارشناسان منابع انسانی، از دقت ۹۶ درصدی برخوردار است و با چنین دقتی می‌تواند امتیاز عملکردی کارمندان را مشخص کند. در مدل‌های مدیریت سنتی، عموما کارفرمایان با توجه به محصولات و دستاوردهای گذشته‌ی پرسنل، برای آنها پاداش و اضافه حقوق مشخص می‌کنند و سابقه‌ی افراد تنها معیار ارزیابی برای دریافت حقوق و پاداش است. در این سیستم جدید مبتنی بر هوش مصنوعی، گذشته‌ی افراد تنها مقدمه‌ای برای تعیین بقیه موارد است و در اصل همه‌ی داستان نیست بلکه پیش بینی وضعیت آینده‌ی فرد نیز در تعیین حقوق و مزایای شغلی فعلی وی موثر هستند. رویکردهای مدیریت سنتی، برای زمان‌هایی که وظایف و مسئولیت‌های شغلی نسبتا ثابت هستند و هیچ‌گونه تغییری در کار و وظایف محول شده به فرد رخ نمی‌دهد، شاید کاربرد داشته باشد ولی به اعتقاد لاموراکس، با چنین رویکردی نیمه عمر مهارت‌ها، کوتاه و کوتاه‌تر می‌شود. توانمندی‌ها و کارهایی که کارمندان باید بتوانند در آینده به انجام برسانند، بیشتر از مهارت‌های گذشته‌ی آنها، اهمیت دارد. در سیستم مدیریتی جدید، کارمندان تشویق می‌شوند مهارت‌های جدیدی را بیاموزند و از آنجایی که می‌دانند سیستم امتیازدهی به یادگیری مهارت‌های جدید آنها امتیاز می‌دهد، برای یادگیری انگیزه دارند. بر اساس نظرسنجی انجام شده توسط شرکت مشاور Willis Towers Watson از بیش از ۲۰۰۰ سازمان و شرکت مختلف، مشخص شد که بیش از ۴۰ درصد پاسخ‌دهندگان در حال برنامه‌ریزی سیستمی هستند که مهارت‌های بالقوه و مهارت‌های آینده‌ی پرسنل شرکت را در ارزیابی کارمندان مورد توجه قرار دهد. تغییر سبک مدیریتی، از مدل سنتی به مدل مدیریتی بررسی عملکرد نیروی انسانی مبتنی بر مهارت‌ها، کمک می‌کند تا کارفرمایان بتوانند شکاف موجود در سیستم خود را از لحاظ مهارت آموزی پرسنل حل و فصل کنند. فدراسیون ملی کسب و کار مستقل، از ماه ژوئن بررسی‌هایی را به انجام رساند و متوجه شد که در بیش از یک سوم کسب و کارهای کوچک، دارای پست‌های شغلی هستند که کسی در آن‌ها مشغول به کار نیست و یکی از مشکلات اصلی شرکت‌ها کمبود کارگر و نیروی انسانی ثابت و ماهر است. کارفرمایان ادعا می‌کنند که نمی‌توانند افراد مناسبی را در پست‌های شغلی ثابت استخدام کنند و از آنجایی که بیشتر کارگرانی که در چنین پست‌هایی مشغول کار می‌شوند تلاش لازم را از خود نشان نمی‌دهند، کارفرمایان نمی‌توانند دستمزدشان را اضافه کنند یا پاداشی برای آنها در نظر بگیرند. در نهایت می‌بینیم که برای چنین مشاغلی نه تنها کارفرمایان با مساله استخدام نیروی کاری ثابت مواجه هستند، بلکه برای انجام کار، نیروی ماهر و متخصص هم در اختیار ندارند. IBM، معتقد است که برای پر کردن پست‌های شغلی شرکت، متقاضیان زیادی که دارای مهارت‌های لازم باشند و بتوانند نقش‌های مهمی را در بخش فناوری بر عهده بگیرند، ندارد. به همین دلیل، آی‌بی‌ام به کارمندان فعلی خود دورنمایی از پست‌های شغلی مورد نیازش در آینده را نشان می‌دهد و برای آنها مشخص می‌کند که اگر بخواهند در آینده در آن پست‌های شغلی مشغول فعالیت شوند، باید چه مهارت‌هایی بیاموزند. با چنین رویکردی هم کارمندان به‌خوبی می‌دانند که برای ارتقا شغلی و دستیابی به موقعیت بهتر و حقوق و مزایای بالاتر و بیشتر، باید چه مهارت‌هایی را بیاموزند و هم می‌دانند چه دورنمای شغلی در انتظار آنها است. آی‌بی‌ام ادعا می‌کند که هر یک از کارمندان شرکت، هر سال به طور متوسط، حدود ۶۰ ساعت آموزش می‌بینند.  همه شرکت‌ها از روش تجزیه و تحلیل برای پیش بینی وضعیت آینده‌ کارمندان خود استفاده نمی‌کنند. شرکت Intern Group که یکی از شرکت‌های ‍رورش کارآموز برای معرفی نیروی متخصص به شرکت‌های مختلف است، حدود ۸۰ نفر کارآموز دارد و معتقد است که کارآموزان باید حتما ۱۵ مهارت اصلی را برای موفقیت در کسب و کار ۱۰۰ سال آینده‌ فرا گیرند. مهارت‌هایی همچون انعطاف‌پذیری و مهارت‌های ارتباطی جزو مهارت‌های اصلی برای موفقیت در بازار کار ۱۰۰ سال آینده است.  دیوید لویید، مدیرعامل این شرکت با استفاده از سیستم امتیازدهی، ۱۰ درصد از بهترین نیروهای شرکت را که به اعتقاد وی، نیروهایی با استعداد هستند، شناسایی می‌کند و معتقد است که شرکت باید تمام تلاش خود را برای حفظ این ۱۰ درصد نیروی ماهر و ارتقا آنها به کار ببندد. این کارمندان از طریق سیستم خدمات داخلی شرکت، آموزش می‌بینند و فرصت‌های جدیدی برای دریافت پاداش و اضافه حقوق پیدا می‌کنند. در اصل سیستم امتیازدهی می‌تواند وضعیت آینده‌ی کارمندان را پیش‌بینی کند و با توجه به آن فرصت‌های جدیدی در اختیار آنها قرار بدهد. البته دیوید لویید، فرصت مهارت آموزی را در اختیار تمام کارمندان شرکت قرار می‌دهد. وی معتقد است:  
 

رو نمایی ناسا از دفتر مسافرتی فراخورشیدی خود

ناسا به تازگی یک وب سایت تعاملی جدید راه اندازی کرده که کاربران را به دنیایی خارج از کهکشان راه شیری منتقل می‌کند. با بهره گیری از سایت دفتر مسافرتی فراخورشیدی قادر خواهید بود به یکی از دورترین زیستگاه‌های قابل سکونت کشف شده نظیر  Trappist-1d یا Kepler-16b سفر کنید و از مشاهده‌ی مناظر دیدنی آن‌ لذت ببرید. این ابزار در واقع یک تور مسافرتی است که کاربران را به چندین سال نوری آن طرف‌تر برده و یک منظره‌ی ۳۶۰ از یک سیاره‌ی فراخورشیدی در برابر دیدگانشان به نمایش می‌گذارد. منظره‌ای که شامل یک آسمان سرخ رنگ، سخره‌ها و کوه‌های سر به فلک کشیده و دو عدد خورشیدی می‌شود که این دو خورشید برای هر شيئی در این سیاره، دو سایه فراهم آورده‌اند.   با اینکه هنوز هیچ فضاپیمایی  به این سیاره‌ها حتی نزدیک هم نشده تا انسان‌ها بتوانند نگاهی به سطح آنها بیندازند اما دیتای به دست آمده از تلسکوپ‌های فضایی کپلر و هابل به دانشمندان این قابلیت را داده که به یک درک اولیه از شرایط موجود در این دنیا‌های بیگانه دست یابند و بتوانند مطالبی راجع به آنها بنویسند. حال هنرمندان و گرافیست‌‌های ناسا موفق شده‌اند با استفاده از این مطالب و اطلاعات به دست آمده، تصاویر گرافیکی خارق العاده طراحی کنند و تجربه‌ای جالب برای کاربران این سایت فراهم آورند.   «مارتین استیل» دانشمند برنامه‌نویس جدیدترین ماهواره‌ی عکسبرداری یا تلسکوپ فضایی TESS درباره‌ی این سایت می‌گوید:  

کامبیز اسدزاده

کامبیز اسدزاده

×