AI輔助學習的案例
深度學習|會開發AI的AI：超網絡有望讓深度學習大眾化
會開發AI的AI：超網絡有望讓深度學習大眾化
超網絡（hypernetwork）可以加快訓練AI的過程。
編者按：在執行特定類型任務，如圖像識別、語音識別等方面，AI已經可以與人類相媲美了，甚至有時候已經超越了人類。但這些AI事先必須經過訓練，而訓練是個既耗時又耗計算能力的過程，有上百萬甚至幾十億的參數需要優化。但最近研究人員做出了能瞬時預測參數的超網絡。通過利用超網絡（hypernetwork），研究人員現在可以先下手為強，提前對人工神經網絡進行調優，從而節省部分訓練時間和費用。文章來自編譯。譯者：boxi。
劃重點：
人工智能是一場數字游戲，訓練耗時耗力
超網絡可以在幾分之一秒內預測出新網絡的參數
超網絡的表現往往可以跟數千次 SGD 迭代的結果不相上下，有時甚至是更好
超網絡有望讓深度學習大眾化
人工智能在很大程度上是一場數字游戲。10 年前，深度神經網絡（一種學習識別數據模式的 AI 形式）之所以開始超越傳統算法，那是因為我們終于有了足夠的數據和處理能力，可以充分利用這種AI。
現如今的神經網絡對數據和處理能力更加渴望。訓練它們需要對表征參數的值進行仔細的調整，那些參數代表人工神經元之間連接的強度，有數百萬甚至數十億之巨。其目標是為它們找到接近理想的值，而這個過程叫做優化，但訓練網絡達到這一點并不容易。 DeepMind研究科學家Petar Veli?kovi? 表示：“訓練可能需要數天、數周甚至數月之久”。
但這種情況可能很快就會改變。加拿大安大略省圭爾夫大學（University of Guelph）的Boris Knyazev和他的同事設計并訓練了一個“超網絡”——這有點像是凌駕于其他神經網絡之上的最高統治者——用它可以加快訓練的過程。
展開 行業熱點丨AI 與機器學習：解讀AI術語，搶占數據時代發展先機
<p>在AI浪潮滾滾而來的時代，是否常因各種高大上的數據科學術語而感到困惑？你并不孤單！</p><p><br></p><p>人工智能 （AI） 和機器學習等術語一直被提及，而且常常被混為一談，盡管它們并不相同。這兩個概念是<strong>現代數據科學的核心</strong>，隨著企業對這些技術的使用，<strong>清楚了解這些基本概念將大有裨益。</strong></p><p><br></p><p><img src="https://mmbiz.qpic.cn/mmbiz_png/x0yLiaf5fF6yibYKGX2Id7WI7ibFMwjVzOibc7UpUl4xDj6WWbP41SCic7IeUu99dhObPc1Re5yQTUa6fdv9XxPvFSg/640?wx_fmt=png&from=appmsg"></p><p><br></p><p>本文中，我們將剖析 AI 和機器學習之間的區別，并深入探討數據科學術語，解釋這些概念之間的聯系，并分享如何利用它們跟上數據科學的發展趨勢。</p><p><br></p><p><strong>01、什么是 AI？</strong></p><p><br></p><p>AI 旨在賦予機器類似人類的學習、理解、決策和解決問題的能力。AI 可以用于一系列領域，包括計算機科學、工程、數據分析等。企業可以利用 AI 提高效率并推動客戶體驗、物流運營和其他行業特定應用等領域的創新。</p><p><br></p><p>AI 的核心是<strong>通過從大量數據集中尋找模式、進行預測，從而實現自動化、減少錯誤以及加快分析速度</strong>。
展開 EDA引入AI輔助芯片設計，對工程師意味著什么？
Ansys已經跟NVIDIA合作發展出一套輔助工具，讓已經完成線路布局的芯片設計，在模擬環境中進行分析，看芯片會不會遇到EM相關問題，以判斷線路布局是否需要修改(圖4) 。
圖4 以機器學習為基礎的EM輔助系統
傳統上，當芯片開發團隊完成線路布局后，是用工程團隊所設定的條件去進行模擬，但因為模擬需要耗費相當長的時間，因此開發團隊設定的模擬情境很難涵蓋周延。但在ML的輔助之下，機器學習可以幫工程師注意到以前沒關注的盲點，從而在芯片還在設計階段就把可能出現的問題排除。
AI不是萬能設計最佳化還得靠人腦
雖然用機器學習或人工智能來設計芯片將是未來趨勢，而且有越來越多芯片設計開發的環節開始使用相關工具，但誠如張嘉鴻所言，機器學習只是眾多工具中的一種，不是所有問題的萬靈丹。因此，人在芯片設計的整個過程中，還是會扮演非常重要的角色，只是專注的工作跟現在不一樣。
明導國際(Mentor Graphic)執行長Walden Rhines(圖5)就表示，人工智能是許多學運算科學的人都研究過的題目，在他還是個年輕工程師的時候，就有參與過類似的開發專案。看到現在人工智能的蓬勃發展，一方面有終于熬到出頭天的感慨，但另一方面還是得指出，神經網路(Neuro Network, NN)、機器學習這些人工智能技術，在應用上還是有其限制，不應該把AI神化。
圖5 明導國際執行長Walden Rhines認為，機器學習在EDA領域的應用還在發展中，而且有些IC設計步驟所遭遇的問題未必適合用機器學習來解決。
以IC設計為例，用機器學習來做芯片繞線布局，其實是非常「粗放」的。雖然用這種方法可以加快芯片設計的速度，但很難做到面積、功耗或性能的最佳化。
展開 EDA引入AI輔助芯片設計，對工程師意味著什么？
Ansys已經跟NVIDIA合作發展出一套輔助工具，讓已經完成線路布局的芯片設計，在模擬環境中進行分析，看芯片會不會遇到EM相關問題，以判斷線路布局是否需要修改(圖4) 。
圖4 以機器學習為基礎的EM輔助系統
傳統上，當芯片開發團隊完成線路布局后，是用工程團隊所設定的條件去進行模擬，但因為模擬需要耗費相當長的時間，因此開發團隊設定的模擬情境很難涵蓋周延。但在ML的輔助之下，機器學習可以幫工程師注意到以前沒關注的盲點，從而在芯片還在設計階段就把可能出現的問題排除。
AI不是萬能設計最佳化還得靠人腦
雖然用機器學習或人工智能來設計芯片將是未來趨勢，而且有越來越多芯片設計開發的環節開始使用相關工具，但誠如張嘉鴻所言，機器學習只是眾多工具中的一種，不是所有問題的萬靈丹。因此，人在芯片設計的整個過程中，還是會扮演非常重要的角色，只是專注的工作跟現在不一樣。
明導國際(Mentor Graphic)執行長Walden Rhines(圖5)就表示，人工智能是許多學運算科學的人都研究過的題目，在他還是個年輕工程師的時候，就有參與過類似的開發專案。看到現在人工智能的蓬勃發展，一方面有終于熬到出頭天的感慨，但另一方面還是得指出，神經網路(Neuro Network, NN)、機器學習這些人工智能技術，在應用上還是有其限制，不應該把AI神化。
圖5 明導國際執行長Walden Rhines認為，機器學習在EDA領域的應用還在發展中，而且有些IC設計步驟所遭遇的問題未必適合用機器學習來解決。
以IC設計為例，用機器學習來做芯片繞線布局，其實是非常「粗放」的。雖然用這種方法可以加快芯片設計的速度，但很難做到面積、功耗或性能的最佳化。
展開 
AI機器學習如何改變3D打印領域？
南極熊導讀：機器學習現在是一個非常熱門的話題，ChatGPT 引起了不小的轟動。商業公司OpenAI 在其語言模型之上發布了聊天機器人，不僅可以進行人機對話甚至還可以用來寫論文，讓世界了解機器學習（通常稱為人工智能(AI)）的功能。毫無疑問，人工智能將是一個強大的工具，那么會對世界產生怎樣的影響？對此，我們無法確定。我們也無法準確知道人工智能將在什么時間范圍內滲透到我們的工作、日常生活和經濟中。隨著AIBuild 采用 ChatGPT，可以看到3D打印行業在今天可以真正利用這些工具。然而，AI 能為增材制造行業做些什么？它在短期內可能會做些什么？就目前已知的情況，下面將做出一些推論。
AI 開發人員的共同目標是制造能夠“思考”的機器，制造與人類或其他生物的思維過程相同或相近的機器。這些實體本身的想法可能與我們自己的非常不同，但在速度或能力上可能是相同的。在機器學習中，計算機程序使用規則（可能是用戶輸入和數據）對未來數據或結果進行分類、篩選或預測。當程序與人工神經網絡（動物大腦的模擬）結合時，人類可能發現沒有預料到或沒有時間弄清楚的學習模式。
△失敗的 3D 打印贏得了 Mojamoja 競賽。這張失敗的打印品是 Mojamoja 比賽的大贏家。
●設置預測數值
在桌面級材料擠出系統上，絲材的最佳工藝設置大多取決于經驗，有時取決于猜測。當機器制造商在優化參數時，往往會根據自己的初始設置，通過反復試印和調整來實現，這需要很多的調試時間。用戶也通常試打幾個樣件，通過對比外觀等選擇工藝參數。
基于足夠的信息，這個過程可以通過人工智能實現自動化。如果有足夠的初始測試和結果，一家材料公司可以輸入其更改后的工藝參數，在許多機器上獲得對新絲材進行最佳設置的參數。通過將測試擴展到新系統，該公司可以獲得比其他絲材供應商更好的設置和打印結果。
展開 利用AI技術學習有限元
技術鄰平臺的問答模塊和學院模塊是兩個豐富的知識寶庫，如果加入智能算法，根據學員的提問，能夠自動回答問題，或推薦相關的解決視頻、案例，或排查問題的方向，或推薦相關的專家等，我覺得這會大大提升平臺的交互性和趣味性。
AI科普系列——機器學習 = 模型+策略+算法
近年來人工智能、機器學習的熱點不斷，而在這其中，從某種程度上，“機器學習”更學理的稱呼是“統計學習”（statistical learning）。
統計學習是概率論、統計學、信息論、計算理論、最優化理論及計算機科學等多個領域的交叉學科，并且在發展中逐步形成獨自的理論體系與方法論。統計學習用于對數據進行預測與分析，特別是對未知新數據進行預測與分析。統計學習對未知數據的預測可以使計算機更加智能化，或者說使計算機的某些性能得到提高；對數據的分析可以讓人們獲取新的知識，給人們帶來新的發現。
統計學習的操作路徑具體到監督學習可概括為：從給定的、有限的、用于學習的訓練數據（training data）集合出發，假設數據是獨立同分布產生的；并且假設要學習的模型屬于某個函數的集合，稱為假設空間（hypothesis space）；應用某個可量化假設空間不同“函數”個體優劣差異的評價準則（evaluation criterion），配置合理的優化算法，從假設空間中選取一個最優的模型，使它對已知訓練數據集及未知測試數據在給定的評價準則下有最優的預測性能。
這樣統計學習方法包括模型的假設空間、模型選擇的評價準則（評估函數或損失函數）以及模型學習的算法（優化算法），稱為統計學習的三劍客：1.模型空間；2.評估策略；3.學習算法（如：Grid-Search\Adam\SGD）。
展開 又一款AI深度學習神經網絡芯片面世
16日，臺灣師范大學與視芯（AVSdsp）公司合作開發的小型人工智能（AI）深度學習神經網絡芯片“AI小鼠Mipy”在臺師大發布，引發關注。這款芯片由臺灣師范大學電機工程系AI與機器人團隊的教授提供AI設計概念與應用框架，視芯公司設計芯片系統。
據悉，該芯片是以協同處理器方式放在主控芯片旁，能夠以簡單、快速、低價的方式，幫助初級影音處理產品升級，實現智能感測AI功能。
視芯公司首席執行官沈聯杰說，“AI小鼠Mipy”智能芯片可以簡易地連接在任何微控制單元或中央處理器旁，扮演智能助理，檢測與辨識要判別的影像和聲音。
“芯片還有一定的學習能力，經過像人類一樣反復地練習，可以在單一事物的識別能力上超越人類。”他說，例如，家里的空調溫度是否合適，燈光是否合適，音樂大小是否合適，掃地機器人該去哪里打掃，都可以由芯片來控制。
沈聯杰介紹說，功能強大的AI芯片應用發展太復雜費時，也太貴，但輕量級的AI芯片應用將很快來到人們身邊。
據介紹，該芯片適用于家居、車載、廣告、安防、工業、商業、教育，以及多種玩具產品。
沈聯杰說，過去十年，公司和大陸機構在芯片研發上有過合作，也已將“AI小鼠Mipy”智能芯片推薦給深圳、北京的公司，他看好大陸芯片市場前景。
來源：新華網
展開 AI新貴Gyrfalcon打造多款機器學習芯片
“Lightspeeur”是一種用于“推理（inference）”的零件，而“推理”是機器學習的組成部分，神經網絡利用訓練階段習得的信息為新出現的問題提供解決方案。該零件適用于“邊緣”設備，如智能手機、智能揚聲器或筆記本電腦。
國際消費電子展（CES）是世界最大的消費類電子產品展會
GTI指出，一種稱為“存儲計算一體化”（APiM）的方法，讓所有相同的運算單元與存儲融為一體，可大大降低外存儲器的利用率，從而大幅降低AI芯片的功率預算。
“2801”的運算速度可達到每秒9.3萬億次，僅耗能1瓦特，且每一次都是乘法累加運算。如今，這樣“萬億次/每秒”（TOPS）的計算單位是AI芯片能耗常見的表示方法。
它“比英特爾Movidius產品的能效高90%”，楊林在談到英特爾收購同名公司Movidius時獲得的推理芯片時如是說。
GTI第一代芯片Lightspeeur?2801S
繼“2801”后出現的“2803”于上月面世，旨在處理云服務器更加繁重的推理負載。其性能更佳，能效更好，耗能1瓦特時，計算速度高達24 TOPS。GTI表示，“2803”不僅適用于推理，還可用于訓練，利用一種技術優化“馬爾科夫鏈蒙特卡洛”（Markov Chain Monte Carlo）網絡，替代更為常見的隨機梯度下降(Stochastic gradient descent，SGD)。
“2801”與“2803”都可以在電路板上聯結，并且通過外部設備高速擴展總線（PCI-E）作為插件同時運行。兩者均擁有嵌入式存儲器，“2801”可存儲9兆字節。緊鄰所有運算單位的存儲器，使芯片能夠承擔幾乎所有的推理工作，無需芯片外設DRAM。GTI將其稱為“存儲計算一體化”或“APiM”。
展開 諾貝爾物理化學獎全給了AI，你不試試這個機器學習軟件？
分享一篇新鮮論文：2024年，西安理工大學西北旱區生態水利國家重點實驗室等單位在《Journal of Hydrology》發表論文《基于機器學習的華北流域水流歷時曲線與降水歷時曲線關聯關系》。
影響因子超過5哦！
先別困，我給你翻譯~
在水資源利用及減災防災中，河流的流量是重要數據，專業稱呼流量持續曲線（FDC）。
有的河流容易測量，設個水文站就能知道FDC。但總有一些河流生性叛逆，讓你無法設立水文站，那么此時就要想辦法盡量準確地預測其FDC。
畢竟人命的事，馬虎不得。
很顯然了，下雨影響甚至決定河流的水位，即FDC的核心影響因素就包括當地的降雨量，專業稱呼降水持續曲線（PDC）。
因此，基于PDC來預測FDC就順理成章水到渠成了。明白了吧？
可怎么預測呢？
2024年的諾貝爾物理和化學獎暗示了：交給AI。
AI預測的核心有兩個，一個是原始數據，一個是訓練模型，缺一不可。
在本論文中，原始數據是皇甫川河、賈魯河、大理河等7條河流在1960—2010年這50年間水文站辛苦收集的流量數據，及流域內63個氣象站在這50年里辛苦采集的氣象數據。
訓練模型，用的工具是南京天洑軟件公司的智能數據建模軟件DTEmpower。是的你沒看錯，正是我司的！
展（無）開（聊）說，模型訓練過程分別基于對數正態函數分布、廣義帕累托分布和H2018模型三種函數形式，擬合算法采用了DTEmpower內置的隨機森林、多項式、K近鄰回歸和多層感知器四種機器學習算法。
訓練完成后，再采用納什效率系數（Nash efficiency coefficient）等多個參數對模型的準確性進行評判。
明白了吧？別緊張，不明白沒事（我也不懂。
展開 MindMaster思維導圖輔助學習midas MeshFree 3.0
億圖MindMaster可將紛繁復雜的知識、信息和想法，簡化成一張有序的結構化的思維導圖，幫助您理清思路、歸納、推演、學習和記憶。 靈感啟發、思緒整理、記憶協助、項目規劃、授課講演、多場景提升您的學習和工作效率。關鍵是億圖MindMaster提供易用好用的免費版本，也提供付費解鎖全面功能的訂閱版和商務版。
現將思維導圖MindMaster引入到
無網格劃分仿真設計軟件midas MeshFree 3.0的學習中。希望對大家使用思維導圖MindMaster輔助學習、工作有所啟發。
如下是利用MindMaster整理的學習計劃、學習資料圖：
課程已經提交技術鄰審核，在本人主頁發布上線了。
——蝰蛇設計 2019.03.25
展開 
