Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

introduzione

Una coda è una specie di struttura dati che contiene le informazioni in un metodo First in First Out. La coda segue un ordine particolare per le operazioni da eseguire sulle informazioni. La coda viene generalmente eseguita come un elenco pronto per singole origini o unità condivise che ricordano stampanti, CPU, disco e così via. Esistono diversi tipi di code come una coda facile, coda prioritaria, coda rotonda e coda deque o double-ended. La maggior parte di queste code viene utilizzata per varie eventualità. Le code sono molto utili, ad esempio, se desideriamo che un corso venga eseguito uno dopo l’altro regolarmente in un ordine, ad esempio identico a un inventario. Svolgerebbe i compiti in un modo noto come “First In First Out”, il che implica che il corso principale o il lavoro all’interno della coda possono essere eseguiti ed eliminati prima, dopo che possono essere avviati diversi processi. Una coda potrebbe essere effettuata in linguaggi di programmazione ricorda di Pitone, Giava, C++, e così via. Di seguito verranno discusse la sua implementazione nel linguaggio di programmazione Python.

Che cos’è una coda in Python?

Come abbiamo semplicemente accennato, cos’è una coda. È lo stesso in Python e funziona con la stessa metodologia “First in First Out” (FIFO). Una coda ha due estremità, come l’arrivo in entrata e l’arrivo in coda. Gli oggetti che possono essere inseriti sono dall’arrivo sul retro e gli oggetti che sono lontani dalla coda sono dall’ingresso. Successivamente, la merce inserita per prima nella coda sarebbe la prima merce che può essere lontana dalla coda e soddisfa la metodologia FIFO.

Come funziona Python Queue?

La coda Python potrebbe essere semplicemente eseguita per lavorare con problemi del mondo reale. Per una maggiore comprensione, potrebbe essere in contrasto con una fila di individui pronti per la sua quantità per acquistare i biglietti alla biglietteria. Il principale che è entrato in strada otterrà prima i biglietti e successivamente potrà essere lontano dalla strada, adottato dalla persona in particolare successiva all’interno della corsia e così via. Una logica identica può essere utilizzata anche in Python Queue per l’esecuzione di pacchetti e processi.

Permettici di vedere il diagramma sottostante per percepire in rilievo le estremità della coda:

All’interno della coda di cui sopra, l’ingrediente principale 1 rappresenta la fine di ingresso della coda e l’ingrediente finale 5 rappresenta la punta della coda che può essere elaborata in definitiva. L’inserimento avverrà dopo l’ingrediente finale cioè 5 e l’eliminazione delle parti avverrà dall’inizio dell’elenco cioè 1.

Tipi di coda in Python

Come abbiamo semplicemente menzionato nell’introduzione, ci sono 4 tipi di coda all’interno della costruzione delle informazioni. Tuttavia, in Python, ci sono principalmente due tipi di code menzionate di seguito:

  • Coda FIFO: FIFO sta per “First In First Out”, il che implica che l’ingrediente che può essere inserito per primo è l’ingrediente da restituire per primo. Mentre si lavora con FIFO Queue in Python, dobbiamo nominare la classe Queue() dal modulo della coda.
  • Coda LIFO: LIFO sta per “Final In First Out” che significa che l’ingrediente che deve essere inserito sul finale è l’ingrediente da restituire per primo. È un po’ come una pila, il posto in cui l’ingrediente più alto può essere maneggiato per primo. Mentre si lavora con LIFO Queue, dobbiamo nominare la classe LifoQueue() dal modulo queue in Python.

Operazioni in Python

Le operazioni disponibili in Python sono descritte come segue:

  • Ingresso: L’operazione fornisce l’ingrediente principale dalla coda al luogo Complessità temporale per questa operazione è O(1).
  • Parte posteriore: L’operazione fornisce l’ingrediente finale dalla coda in cui la complessità temporale per questa operazione è O(1).
  • Accodare: In questa operazione viene aggiunto un componente alla fine della coda. Quando non esiste la possibilità di aggiungere parti alla coda, si passa a una situazione di overflow e anche la complessità del tempo per questa operazione può essere O(1).
  • Distacco: In questo tipo di operazione, siamo in grado di eliminare l’ingrediente da qualsiasi fine della coda che ricorda l’ingresso o il retro. Inoltre, l’inserimento delle parti avviene a ciascuna estremità. La complessità temporale per questa operazione è simile a quella delle diverse operazioni, ad esempio O(1).

Strategie là fuori in coda

Ci sono alcune strategie necessarie là fuori in Python che sono molto utili. Queste strategie sono elencate di seguito:

  • ottenere(): questa tecnica viene utilizzata per rimuovere e restituire un componente dalla coda. Quando non c’è un ingrediente nella coda, aspetta che l’ingrediente sia là fuori nella coda.
  • mettere(): Questa tecnica viene utilizzata per aggiungere un componente all’interno della coda che potrebbe essere rappresentato ad esempio da Queue. Se non esiste la possibilità di aggiungere parti extra alla coda, la strategia si bloccherà.
  • qdimensione: La tecnica qsize() all’interno della classe queue di Python restituisce l’intera varietà di parti correnti all’interno della coda. Oppure possiamo dire che ci dice la dimensione della coda.
  • full(): questa tecnica viene utilizzata per verificare se la coda è piena e restituisce True se la coda è piena.
  • dimensione massima(): Questa tecnica è un numero intero che indica il limite più alto della varietà di parti che possono essere inserite nella coda. L’inserimento del meteo può essere bloccato non appena si raggiunge la dimensione massima del meteo da inserire.

Lista di controllo Python integrata

L’elenco integrato delle strategie in Python può essere utilizzato perché la coda, tuttavia l’uso di queste strategie integrate perché la coda non sarà effettivamente adatta dopo averlo visto dal punto di vista dell’efficienza. Le strategie integrate in Python sono le funzionalità insert() e pop() che vengono utilizzate per aggiungere e togliere parti dalla coda. Gli elenchi sono un po’ graduali in quanto in contrasto con le code e la spiegazione alla base è che dopo aver inserito un ingrediente nuovo di zecca nell’elenco, richiede lo spostamento delle parti di uno. E questo corso richiede O(n) tempo. Per percepire questa idea, subisci l’istanza di seguito:

Esempio:

que = []
que.append(‘Person1’)
que.append(‘Person2’)
que.append(‘Person3’)

print(que)

#Checklist is kind of gradual due to the shifting of parts by one place.
print(que.pop(0))

PRODUZIONE:

[‘Person1’, ‘Person2’, ‘Person3’]

Persona1

class Queue:

def __init__(self):
	self.queue = listing()

def add_elements(self, val):
	if val not in self.queue:
		self.queue.insert(0, val)
		return True
	return False

def dimension(self):
	return len(self.queue)

OurQueue = Queue()
OurQueue.add_element(“Person1”)
OurQueue.add_element(“Person2”)
OurQueue.add_element(“Person3”)
OurQueue.add_element(“Person4”)

print(“Size of the Queue: “, OurQueue.dimension())

PRODUZIONE:

Dimensione della coda: 4

Eliminazione di parti da una coda

L’eliminazione delle parti da una coda avviene dall’estremità posteriore della coda. Il metodo per eliminare un componente da una coda può anche essere noto come deque. Permettici di vedere l’istanza successiva per conoscere questa idea in modo più chiaro:

class Queue:  
  
  def __init__(self):  
      self.queue = listing()  
  
  def add_element(self,val):  
# Insert technique so as to add ingredient within the queue
      if val not in self.queue:  
          self.queue.insert(0,val)  
          return True  
      return False  
# Pop technique to delete ingredient from the queue
  def remove_element(self):  
      if len(self.queue)>0:  
          return self.queue.pop()  
      return ("Queue is Empty")  
  
que = Queue()  
que.add_element("January")  
que.add_element("February")  
que.add_element("March")  
que.add_element("April")  
  
print(que)  
print(que.remove_element())  
print(que.remove_element()) 

PRODUZIONE:

Gennaio

febbraio

Ordinamento di una coda Python

Lo smistamento di una coda in alcune evenienze rende necessario il luogo in cui dobbiamo svolgere particolari operazioni. Può essere realizzato in Python con varie strategie. Proprio qui sotto c’è un’istanza per percepire sollevato l’ordinamento della coda:

import queue  
q = queue.Queue()  
  
q.put(10)  
q.put(22)  
q.put(16)  
q.put(2)  
q.put(1)  
  
  
# Right here, we use bubble kind algorithm for sorting  
n =  q.qsize()  
for i in vary(n):  
    # Take away the ingredient  
    x = q.get()  
    for j in vary(n-1):  
        # Take away the ingredient  
        y = q.get()  
        if x > y :  
            q.put(y)  
        else:  
            q.put(x)  
            x = y      
    q.put(x)  
  
whereas (q.empty() == False):   
    print(q.queue[0], finish = " ")    
    q.get()  

PRODUZIONE:

1 2 10 16 22

Inversione di una coda Python

La coda può essere invertita per utilizzare un’altra coda. Può essere eseguita anche per ricorsione.

L’istanza sottostante potrebbe essere intesa per conoscere il modo in cui siamo in grado di invertire una coda Python:

import queue
q1 = queue.Queue()

q1.put(10)
q1.put(4)
q1.put(3)
q1.put(20)
q1.put(2)
q1.put(9)

def reverseQueue (q1src, q2dest) :  
    buffer = q1src.get()
    if (q1src.empty() == False) :
reverseQueue(q1src, q2dest)      #utilizing recursion
    q2dest.put(buffer)
return q2dest

q2dest = queue.Queue()
qReversed = reverseQueue(q1,q2dest)

whereas (qReversed.empty() == False): 
print(qReversed.queue[0], finish = " ")  
        qReversed.get()

PRODUZIONE:

9 2 20 3 4 10

Lavorare con una classe queue.queue

Numerosi corsi rientrano nel modulo Queue di Python. Tra tutti i corsi, la classe Queue è extra necessaria che aiuta nel calcolo parallelo e nella multiprogrammazione. Questa idea potrebbe essere compresa molto semplicemente dall’istanza successiva:

from queue import Queue  
que = Queue()  
  
que.put('Person1’)  
que.put('Person2')  
que.put('Person3')  
  
print(que)  
  
  
print(que.get())  
  
print(que.get())  
  
print(que.get())  
  
print(que.get_nowait())  
  
print(que.get())  

PRODUZIONE:

Persona1

Persona2

Persona3

Traceback (finale del nome più aggiornato):

File “C:/Customers/Ashu Lakhwan/PycharmProjects/Hi there/Queue.py”, riga 78, in

print(que.get_nowait())

File “C:Pythonlibqueue.py”, riga 198, in get_nowait

return self.get(block=False)

File “C:Pythonlibqueue.py”, riga 167, in get

eleva Vuoto

_coda.Vuoto

Lavorare con una classe set.deque


La raccolta. La classe deque diventa molto utile dopo aver implementato una coda a doppia estremità. La coda a doppia estremità o deque viene utilizzata per aiutare l’inserimento e l’eliminazione di parti da ciascuna estremità, ad esempio le estremità di ingresso e di coda. La complessità del tempo necessaria è O(1) per completare il metodo.

L’istanza dell’assortimento. deque classe è la seguente:

from collections import deque  
queue = deque()  
  
queue.append('Monday')  
queue.append('Tuesday')  
queue.append('Wednesday')  
  
print(queue)  
deque(['Monday ', 'Tuesday', 'Wednesday'])  
  
print(queue.popleft())  
  
print(queue.popleft())  
  
print(queue.popleft())  

queue.popleft()  

PRODUZIONE:

deque([‘Monday’, ‘Tuesday’, ‘Wednesday’])

Lunedi

Martedì

Mercoledì

Traceback (finale del nome più aggiornato):

File “C:/Customers/Ashu Lakhwan/PycharmProjects/Hi there/Queue.py”, riga 101, in

que.popleft()

IndexError: pop da un deque vuoto

Lavorare con una classe multiprocessing.Queue

Questa classe può essere utilizzata per il corso di oggetti in coda in parallelo da dipendenti multicorrenti. La multielaborazione. Queue Class condivide le informazioni tra una serie di processi e memorizza la conoscenza di qualsiasi oggetto che può essere prelevato durante l’elaborazione di oggetti.

Esempio:

from multiprocessing import Queue  
queue = Queue()  
  
queue.put('Monday')  
queue.put('Tuesday')  
queue.put('Wednesday')  
  
print(queue)  
  
print(queue.get())  
  
print(queue.get())  
  
print(queue.get())

PRODUZIONE:

Lunedi

Martedì

Mercoledì

Implementazione della coda Python

Esistono diversi metodi per implementare una coda in Python. Tuttavia, alcune strategie generalmente utilizzate per implementare le code in Python incarnano le seguenti:

  • elenco
  • collezioni.deque
  • collezioni.Coda

Queste strategie sono menzionate sopra in questo articolo con ogni argomento che ha un’istanza separata. Potresti chiedere consiglio alla parte precedente per conoscere gli altri modi di implementare Python Queue.

aggiungere più ingredienti in Python?

In questo articolo, ora abbiamo visto come possiamo aggiungere una singola merce o ingrediente alla nostra coda. Ora, permettici di vedere come siamo in grado di aggiungere più ingredienti in Python:

Includere una merce in FIFOqueue:

import queue
que = queue.Queue()
 
for i in vary(5):
	que.put(i)
 
whereas not que.empty():
print(“The worth inserted is ”, que)

PRODUZIONE:

Il valore inserito è 0

Il valore inserito è 1

Il valore inserito è 2

Il valore inserito è 3

Il valore inserito è 4

All’interno dell’istanza precedente, la tecnica put() metterà il tempo da 0 a cinque nella coda.

Istanza di coda First In First Out

FIFO significa che l’ingrediente inserito per primo sarebbe il primo ingrediente ad essere lontano dall’elenco. Per implementare la coda FIFO, ci viene richiesto di importare il modulo queue() in Python.

Consentici di vedere un’istanza di implementazione della coda FIFO in modo da aggiungere una merce:

Import queue
que = queue.Queue()
que.put(10)
 
The put() technique within the above instance will add a component to the queue.
 
To take away a component from our Queue, the next instance could be understood:
 
Import queue
que = queue.Queue()
que.put(10)
 
removed_item = que.get()
 
print(“The eliminated ingredient from the queue is ”, removed_item)

PRODUZIONE:

L’ingrediente eliminato dalla coda è 10

All’interno dell’istanza precedente, la tecnica get() viene utilizzata per rimuovere l’ingrediente dalla coda.

Istanza di coda entrata e uscita finale

LIFO significa che l’ingrediente inserito nella finale sarebbe il primo ingrediente a essere estratto o eliminato. Per implementare LIFO, ci viene richiesto di importare il modulo coda e utilizzare la tecnica LifoQueue() in Python.

Permettici di percepire come siamo in grado di implementare l’inclusione di un componente all’interno della coda LIFO:

Import queue
que = queue.LifoQueue()
que.put(5)
 
The put() technique provides a component to the LIFO queue.
 
Eradicating a component from the LIFO queue:
 
Import queue
que = queue.LifoQueue()
que.put(5)
 
remove_item = que.get()
 
print(“The eliminated merchandise is ”, remove_item)

PRODUZIONE:

La merce eliminata è 5

Conclusione

In questo articolo, abbiamo menzionato alcune idee utili e necessarie di Python Queue e abbiamo inoltre verificato come vengono spesso eseguite negli esempi. Python Queue è simile al luogo comune Elenca in Pythontuttavia è considerato sempre più elevato dal punto di vista dell’efficienza.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Lo strumento AI rivoluzionario salverà madri e bambini – L’ultima novità in fatto di intelligenza artificiale | Robotica AI

Published

on

Game-changer AI tool will save mothers and babies

The Ultimate Managed Hosting Platform

Al giorno d’oggi, diverse tecnologie che cambiano il mondo continuano a crescere a un ritmo maggiore rispetto ai progressi che abbiamo visto nei decenni passati. Conosciamo tutti l’apprendimento automatico, l’IoT e l’intelligenza artificiale.

Sebbene tutte queste tecnologie possano rovesciare e sostituire la maggior parte degli altri sistemi, l’RPA o Robotic Process Automation rimane una delle principali tecnologie che rafforzano la sua presa sulle aziende che cercano di trasformarsi nei prossimi anni.

Tuttavia, ci sono ancora molte idee sbagliate su cosa sia esattamente l’RPA e la sua gamma di capacità. Le persone a volte lo confondono con l’intelligenza artificiale. In questo post, esamineremo fino a che punto è cresciuta questa tecnologia e i diversi modi in cui possiamo utilizzarla.

Funzionalità e usi di RPA

Allora cos’è Automazione dei processi robotici? È un bot digitale codificato manualmente che aiuta ad automatizzare numerosi processi aziendali che di solito sono considerati ripetitivi e uno spreco di risorse utili corrispondenti a denaro e tempo.

La metà robotica è generalmente rappresentata da un personaggio digitale che funziona principalmente sulla base di un algoritmo progettato per svolgere compiti con metodi più intelligenti e veloci di quanto possa mai fare un essere umano. Questo know-how era solo un prezzo ragionevole da parte di grandi aziende diversi anni fa, tuttavia con lo sviluppo di nuove mode aziendali, le aziende di tutte le dimensioni possono sfruttare al massimo l’RPA.

Ad esempio, prendiamo l’istanza di un operatore finanziario che esegue un’attività di fatturazione di fantasia. Il metodo potrebbe consistere nel generare una fattura da un insieme di gadget fatturabili in un file di immissione. Ciò potrebbe richiedere la creazione della fattura prendendo i gadget fatturabili, il controllo incrociato del prezzo e di eventuali accordi di fatturazione, le riduzioni, la creazione della fattura nel formato adatto, l’aggiornamento del bill tracker, l’invio di email all’acquirente e l’aggiornamento del sistema finanziario

In un tale stato di cose, un know-how come RPA può far risparmiare un bel po’ di tempo e risorse grazie alla capacità di automatizzare la punta per completare il corso replicando con precisione i passaggi che il lavoratore umano eseguirebbe e quindi liberando il lavoratore per svolgere compiti che richiedono un giudizio umano.

La posizione dell’IA e dello studio delle macchine nei metodi RPA

In questo momento, le variazioni più recenti delle tecniche RPA sono alimentate da scienze applicate di gran lunga superiori corrispondenti all’intelligenza sintetica e allo studio delle macchine. Queste scienze applicate integrate consentono alle macchine di osservare e studiare regolarmente con successo le azioni umane ripetitive.

Queste integrazioni possono presentare un sistema RPA digitale avanzato con opzioni aggiuntive corrispondenti a funzionalità suggestive che potrebbero migliorare drasticamente i processi aziendali. Svilupperanno intelligenza che potrebbe consentire loro di calcolare ed eseguire opzioni più intelligenti che puoi descrivere come inimmaginabili per gli esseri umani.

Ancora una volta, l’aggiornamento della prima istanza di fatturazione con questo sviluppo eliminerebbe la necessità di input umani, il luogo in cui il sistema può studiare dalle azioni il luogo in cui una regola può essere utilizzata, rendendola una risposta di automazione molto autonoma. Consideralo come un livello di programma software intelligente con linee guida e risposte preimpostate che finalmente apprende e migliora il suo funzionamento con tempo e competenza.

Tali tecniche sono ampiamente utilizzate nella pubblicità tramite posta elettronica e nelle società di fornitori di riparazioni. Dovresti essere a conoscenza dell’automazione della posta elettronica o delle tecniche di messaggistica integrate con funzionalità che ti offrono aziende e strategie basate principalmente sulle tue preferenze e sulle azioni precedenti sulla rispettiva piattaforma.

Conclusione

L’analisi indica che l’intera spesa del mercato per il corso robotico di automazione contatterà quasi 13 miliardi di dollari entro il 2030, luogo in cui il suo picco sarà probabilmente un giorno intorno al 2027. Suggerisce inoltre che la maggior parte di questi utilizzatori apparterrà al settore manifatturiero.

Le attuali situazioni pandemiche e le loro ripercussioni consolidano questo modello crescente nell’automazione a causa della drastica necessità di ridurre il più possibile il contatto umano considerando considerazioni di sicurezza.

Varie scienze applicate corrispondenti all’IA e allo studio delle macchine possono persino vedere sviluppi vitali nella creazione di tecniche intelligenti che riducono al minimo l’intervento umano e gli errori. Negli ultimi anni, ora abbiamo assistito a trasformazioni inimmaginabili che hanno modificato tutti i pezzi che conoscevamo e che pensavamo regolari. La rapidità di tali modifiche dimostra come le società siano dedite a promuovere il nostro futuro verso l’alto con l’assistenza di scienze applicate più recenti e dismesse come RPA.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Published

on

Neuromorphic memory device simulates neurons and synapses

The Ultimate Managed Hosting Platform

Sistema di reminiscenza neuromorfica costituito da strati di reminiscenza sul retro instabili e ad alta non volatilità che emulano rispettivamente le proprietà neuronali e sinaptiche. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

I ricercatori hanno segnalato un sistema di reminiscenza neuromorfica di dimensioni nanometriche che emula neuroni e sinapsi contemporaneamente in una cellula unitaria, un altro passo verso il raggiungimento dell’obiettivo del calcolo neuromorfico progettato per imitare accuratamente la mente umana con gadget a semiconduttore.

Obiettivi del calcolo neuromorfico da comprendere (AI) imitando i meccanismi dei neuroni e che compongono il . Impressionati dalle caratteristiche cognitive della mente umana che i sistemi informatici attuali non possono presentare, i gadget neuromorfici sono stati ampiamente studiati. Tuttavia, gli attuali circuiti neuromorfici basati su CMOS (Complementary Steel-Oxide Semiconductor) si limitano a unire neuroni sintetici e sinapsi senza interazioni sinergiche e l’implementazione concomitante di neuroni e sinapsi rimane comunque un problema. Per gestire questi punti, una squadra di analisi guidata dal professor Keon Jae Lee della Divisione di scienza e ingegneria delle forniture ha applicato i meccanismi di lavoro organico delle persone introducendo le interazioni neurone-sinapsi in una singola cellula di reminiscenza, in qualche modo rispetto alla strategia standard di connessione elettrica gadget neuronali e sinaptici sintetici.

Proprio come le carte da gioco di grafica industriale, i gadget sinaptici sostitutivi studiati in precedenza erano tipicamente utilizzati per accelerare i calcoli paralleli, che mostrano chiare variazioni rispetto ai meccanismi operativi della mente umana. La squadra di analisi ha applicato le interazioni sinergiche tra neuroni e sinapsi all’interno del sistema di reminiscenza neuromorfica, emulando i meccanismi della comunità neurale organica. Inoltre, il sistema neuromorfico sviluppato può scambiare circuiti neuronali CMOS avanzati con un unico sistema, offrendo un’eccessiva scalabilità ed efficacia di valore.

La mente umana è costituita da una comunità elegante di 100 miliardi di neuroni e 100 trilioni di sinapsi. Le caratteristiche e gli edifici dei neuroni e delle sinapsi possono cambiare in modo flessibile in linea con gli stimoli esterni, adattandosi all’ambiente circostante. La squadra di analisi ha sviluppato un sistema neuromorfico durante il quale coesistono reminiscenze a breve ea lungo termine utilizzando gadget di reminiscenza instabili e non volatili che imitano rispettivamente i tratti dei neuroni e delle sinapsi. Viene utilizzato un sistema di modifica della soglia come e la reminiscenza del cambiamento di fase viene utilizzata come sistema non volatile. Due gadget a film sottile sono integrati senza elettrodi intermedi, implementando la pratica adattabilità dei neuroni e delle sinapsi all’interno della reminiscenza neuromorfica.

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Operazione di riqualificazione all’interno dell’array del sistema neuromorfico. a) Grafico schematico che mostra l’impatto della riqualificazione. b) Immagine al microscopio elettronico a scansione dell’array del sistema neuromorfico. c) Esempio di coaching “F” per la riqualificazione dai un’occhiata. d) Evoluzione dello stato di reminiscenza dell’array del sistema neuromorfico per lo schema di coaching e riqualificazione ingenuo. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

Il professor Keon Jae Lee ha definito: “I neuroni e le sinapsi lavorano insieme per determinare le caratteristiche cognitive equivalenti alla reminiscenza e allo studio, quindi simulare ciascuna di esse è una componente vitale per l’intelligenza sintetica ispirata al cervello. Il neuromorfico sviluppato il sistema imita inoltre l’impatto di riqualificazione che consente uno studio rapido delle informazioni dimenticate implementando un impatto di suggerimenti costruttivi tra e sinapsi”.

Questa conseguenza, intitolata “Emulazione simultanea della plasticità sinaptica e intrinseca che utilizza una sinapsi memristiva”, è stata stampata all’interno della situazione del 19 maggio 2022 di Comunicazioni sulla natura.


Il team presenta hardware neuromorfico altamente scalabile ispirato al cervello


Informazioni extra:

Sang Hyun Sung et al, Emulazione simultanea della plasticità sinaptica e intrinseca utilizzando una sinapsi memristiva, Comunicazioni sulla natura (2022). DOI: 10.1038/s41467-022-30432-2

Quotazione:
Il sistema di reminiscenza neuromorfica simula neuroni e sinapsi (2022, 20 maggio)
recuperato il 20 maggio 2022
da https://techxplore.com/information/2022-05-neuromorphic-memory-device-simulates-neurons.html

Questo documento è soggetto a copyright. Al di fuori di ogni veridicità di trattamento finalizzata alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale di contenuto viene offerto esclusivamente per funzioni informative.

L'ultima piattaforma di hosting gestito

Collegamento sorgente

Il post Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi è apparso per la prima volta su Le ultime novità in fatto di intelligenza artificiale | Robotica AI | Notizie sull’apprendimento automatico.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Rete neurale per aiutare ecologisti, silvicoltori e operatori di linee elettriche a dimensionare alberi dall’alto – Le ultime novità in materia di intelligenza artificiale | Robotica AI

Published

on

Neural network to help ecologists, foresters and power line operators size up trees from above

The Ultimate Managed Hosting Platform

Hugues Thomas ei suoi collaboratori dell’U of T Institute for Aerospace Research hanno creato una nuovissima tecnica per la navigazione robotica basata principalmente sullo studio approfondito autocontrollato. Punteggio di credito: Safa Jinje

Un gruppo di ricercatori guidato dal professor Tim Barfoot del College of Toronto sta utilizzando una nuova tecnica che consente ai robot di evitare di scontrarsi con gli individui prevedendo le aree a lungo termine di ostacoli dinamici del loro percorso.

La sfida sarà probabilmente introdotta alla Worldwide Convention on Robotics and Automation a Filadelfia alla fine di Might.

I risultati di una simulazione, che non sono altro che peer-reviewed, possono essere trovati sul servizio di prestampa di arXiv.

“Il precetto del nostro lavoro è avere a prevedere cosa faranno le persone in un futuro rapido”, afferma Hugues Thomas, ricercatore post-dottorato nel laboratorio di Barfoot presso l’Istituto di ricerca aerospaziale U of T al College of Utilized Science & Engineering. “Ciò consente al robot di anticipare moderatamente il movimento degli individui che incontra piuttosto che reagire non appena si trova di fronte a questi ostacoli”.

Per risolvere il luogo di manovra, il robot utilizza le mappe della griglia di occupazione spaziotemporale (SOGM). Si tratta di mappe della griglia 3D mantenute all’interno del processore robotico, con ogni cella della griglia 2D contenente i dettagli previsti sull’esercizio in quella casa in un determinato momento. La robotica sceglie le sue azioni future elaborando queste mappe per mezzo degli attuali algoritmi di pianificazione della traiettoria.

Un altro software chiave utilizzato dall’equipaggio è il rilevamento e la portata delicati (lidar), un know-how di rilevamento della distanza molto simile al radar, oltre al fatto che utilizza la delicatezza invece del suono. Ogni ping del lidar crea una certa misura salvata nella reminiscenza del robot. Il lavoro precedente dell’equipaggio ha mirato all’etichettatura di questi fattori in base principalmente alle loro proprietà dinamiche. Questo aiuta il robot a riconoscere vari tipi di oggetti all’interno del suo ambiente.

La comunità SOGM dell’equipaggio è attualmente in grado di riconoscere 4 classi di livello lidar: la parte inferiore; infissi eterni, corrispondenti a tramezzi; questioni mobili ma immobili, corrispondenti a sedie e tavoli; e ostacoli dinamici, corrispondenti agli individui. Non è richiesta alcuna etichettatura umana delle informazioni.

“Con questo lavoro, speriamo di consentire ai robot di navigare per mezzo di aree interne affollate in un metodo più socialmente consapevole”, afferma Barfoot. “Predicendo il luogo in cui andranno gli individui e i diversi oggetti, siamo in grado di pianificare percorsi che anticipano ciò che faranno le parti dinamiche”.

All’interno del documento, l’equipaggio studia i risultati redditizi dell’algoritmo eseguito nella simulazione. Il problema successivo è indicare la relativa efficienza negli ambienti del mondo reale, il luogo in cui le azioni umane saranno difficili da prevedere. Come parte di questo sforzo, l’equipaggio ha esaminato il loro progetto sul terreno principale di U of T’s Myhal Middle for Engineering Innovation & Entrepreneurship, il luogo in cui la robotica era in grado di trasferire i precedenti studenti universitari impegnati.







Punteggio di credito: College di Toronto

“Una volta che sperimentiamo la simulazione, abbiamo broker che sono codificati per una condotta sicura e andranno a un certo livello seguendo la traiettoria migliore per arrivarci”, afferma Thomas. “Tuttavia, non è quello che fanno gli individui nella vita reale”.

Quando le persone si trasferiscono per mezzo di aree, possono affrettarsi o smettere bruscamente di parlare con un’altra persona o cambiare direzione. Per far fronte a questo tipo di condotta, la comunità utilizza un approccio di studio automatico denominato studio autocontrollato.

Lo studio autocontrollato contrasta con il diverso , corrispondente allo studio rafforzato, il luogo in cui l’algoritmo impara a svolgere un’attività massimizzando una nozione di ricompensa in un metodo per tentativi ed errori. Sebbene questa strategia funzioni efficacemente per alcuni compiti, ad esempio un computer che studia per praticare uno sport corrispondente agli scacchi o al Go, non è la cosa migliore per questo tipo di navigazione.

“Insieme a , crei un campo nero che rende oscura la connessione tra l’ingresso, ciò che vede il robot, e l’uscita, o fa il robot”, afferma Thomas. “Potrebbe inoltre richiedere che il robotico fallisca molti casi prima di apprendere le chiamate corrette e non avevamo bisogno del nostro robotico per studiare andando a sbattere contro gli individui”.

Al contrario, lo studio autocontrollato è facile e comprensibile, il che significa che è più semplice vedere come la robotica sta facendo le sue scelte. Questa strategia può anche essere moderatamente incentrata sul punto piuttosto che sull’oggetto, il che suggerisce che la comunità ha una migliore interpretazione della conoscenza del sensore crudo, consentendo previsioni multimodali.

“Molte strategie convenzionali rilevano gli individui come oggetti personali particolari e creano traiettorie per loro. Tuttavia, poiché il nostro manichino è incentrato sul punto, il nostro algoritmo non quantifica gli individui come oggetti di una persona particolare, tuttavia riconosce le aree in cui devono essere gli individui. E se hai un gruppo più numeroso di individui, il regno diventerà più grande”, afferma Thomas.

“Questa analisi offre un percorso promettente che avrebbe implicazioni costruttive in aree corrispondenti alla guida autonoma e alla fornitura robotica, il luogo in cui un’ambientazione non è del tutto prevedibile”.

Prima o poi, la troupe desidera vedere se amplierà la propria comunità per studiare spunti più delicati dalle parti dinamiche di una scena.

“Questo può richiedere molte più conoscenze di coaching”, afferma Barfoot. “Ma sicuramente deve essere fattibile perché ci siamo prefissati di generare le informazioni in un metodo computerizzato aggiuntivo: il luogo in cui il robotico può raccogliere conoscenze extra durante la navigazione, praticare mode predittive più elevate quando non è in funzione, dopodiché usa queste la volta successiva naviga in un’area.


Un modello per migliorare la capacità dei robot di consegnare oggetti agli esseri umani


Informazioni extra:

Hugues Thomas, Matthieu Gallet de Saint Aurin, Jian Zhang, Timothy D. Barfoot, Studiare le mappe della griglia di occupazione spaziotemporale per la navigazione permanente in scene dinamiche. arXiv:2108.10585v2 [cs.RO], doi.org/10.48550/arXiv.2108.10585

Quotazione:
I ricercatori progettano robot “socialmente consapevoli” che possono anticipare e tenersi lontani dagli individui durante il trasferimento (2022, 18 maggio)
recuperato il 19 maggio 2022
da https://techxplore.com/information/2022-05-socially-aware-robots-safely-people.html

Questo documento è soggetto a copyright. A parte ogni onesto trattamento a fini di esame o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per funzioni informative.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending