هوش مصنوعی: یک نمونه قدرتمند برای تحقیقات علمی

هوش مصنوعی همراه با تکنیکهای یادگیری ماشین بر گستره وسیعی از علوم بنیادی از جمله ریاضیات، علوم پزشکی، فیزیک و غیره تاثیر میگذارد.هدف هوش مصنوعی (Al) این است که ماشینها را قادر سازد تا افکار و رفتارهای انسانی از جمله یادگیری، استدلال، پیشبینی، و غیره را شبیه سازی کنند.روشهای پیاده سازی جستجوی معماری عصبی معمولا به روش مبتنی بر RL و روش مبتنی بر الگوریتم تکاملی تقسیم میشوند. در روش مبتنی بر RL ، یک RNN به عنوان یک کنترل کننده برای ایجاد یک لایه ساختار شبکه عصبی بوسیله لایه استفاده میشود، و سپس شبکه آموزش داده میشود و صحت مجموعه بازبینی به عنوان سیگنال پاداش RNN برای محاسبه گرادیان استراتژی استفاده میشود.با توجه به یافته های مقاله نتیجه میگیریم که علیرغم این حقیقت که هوش مصنوعی در طیف گستردهای از کاربردها مورد استفاده قرار گرفته است، هنوز هم خطر امنیتی ML در مورد مدلهای داده ها و ML به عنوان اهداف حمله در طول مراحل آموزش و اجرا وجود دارد. عملکرد سیستم ML بسیار وابسته به داده های مورد استفاده برای آموزش آن است، این داده های ورودی برای امنیت سیستم ML حیاتی هستند. حملات مدل ML شامل حملات در بستر بهDL ، CNNو یادگیری فدرال است که به طور مستقیم پارامترهای مدل را دستکاری میکنند، حمله به وارونگی مدل، و حمله استنباط عضویت، که میتوانند پارامترهای مدل را بدزدند یا داده های آموزشی حساس را افشا کنند. به علاوه، توزیع ویژگی داده ها ممکن است به مرور زمان منحرف شود که منجر به کاهش عملکرد مدل میشود. علاوه بر این، اگر مدل با داده های جدید آموزش داده شود، منجر به فراموش کردن فاجعه بار مدل می شود، که به این معنی است که مدل فقط ویژگیهای جدید را به یاد می آورد و ویژگیهای یاد شده قبلی را فراموش میکند. برای حل این مشکل، محققان بیشتری بر این مساله که چگونه این مدل توانایی یادگیری مادام العمر را دارد، یعنی یک تغییر در الگوی محاسبه از "یادگیری آفلاین + استدلال آنلاین" تا "یادگیری مداوم آنلاین"، و در نتیجه به این مدل توانایی یادگیری مادام العمر، درست مانند یک انسان را دارند، توجه میکنند.

کلیدواژه ها:

هوش مصنوعی۱ ، یادگیری ماشین۲ ، یادگیری عمیق۳ ، علوم اطلاعات۴ ، ریاضیات۵ ، علوم پزشکی۶ ، علوم مواد۷ ، ، علوم زیستی۸ ، فیزیک۹ ، شیمی