اگه دوست داری بدونی چطوری دنیای الکترونیک داره به کمک هوش مصنوعی و یه ذره هم کمک انسانی، پیشرفت می‌کنه، پس این مقاله رو از دست نده! مخصوصاً اگه کنجکاوی بدونی این وسایل الکترونیکی عصبی (neuromorphic electronics یعنی قطعات الکترونیکی که شبیه مغز و عصب‌های ما کار می‌کنن و تو هوش مصنوعی یا دستگاه‌های دم دستی استفاده می‌شن) چطور می‌تونن منعطف و پیشرفته بشن، اینجاست که داستان جالب ما شروع میشه.
خب، محقق‌ها مدت‌هاست دنبال این بودن که وسایل عصبی الکترونیکی رو با مواد منعطف بسازن؛ مثلاً اونایی که با اکسید فلز درست می‌شن. جای امیدواریه! فقط یه مشکلی همیشه جلو راهشون بوده؛ اینکه پروسه ساختشون با پلاستیک‌ها (پایه پلیمر) خوب جفت و جور نمی‌شه و خب این یعنی محدودیت.
حالا راه‌حل چیه؟ یکی از روش‌های جدیدی که استفاده کردن، چیزی به اسم “photonic curing” یا پخت نوریه. این یعنی قطعات رو با نور شدید و مخصوصی آماده می‌کنن تا نه به مواد آسیب بزنه و نه کیفیت رو کم کنه. اینجا از اکسید آلومینیوم (aluminum oxide) که قابلیت حل شدن خیلی راحت تو محلول رو داره، برای دی‌الکتریک (dielectric یعنی ماده‌ای که بین دو قطب خازن قرار می‌گیره تا برق رو ذخیره کنه) استفاده کردن. هدفشون هم ساختن خازن‌های فلزی-عایق-فلزی (metal-insulator-metal capacitors) بود که هم منعطف باشن، هم کارایی بالا داشته باشن.
ولی همه چی اینجا جذاب میشه: کسایی که این پروژه رو انجام دادن، فهمیدن که نتیجه ‘پخت نوری’ خیلی به پارامترهای مختلف بستگی داره. یعنی صدها ترکیب مختلف داریم که ممکنه به نتیجه درست برسه یا نرسه. اگه بخوای یکی یکی مثل روش سنتی (grid-search یعنی سرچ تکه تکه بین همه حالت‌ها) امتحان کنی، خب تا سال‌ها باید منتظر بمونی!
اینجا هوش مصنوعی میاد وسط. یه روشی هست به اسم Bayesian Optimization یا بهینه‌سازی بیزی. این روش به طور خودکار و هوشمند حدس می‌زنه کدوم حالت‌ها احتمالاً بهترین نتیجه رو میدن و بعدش پیشنهادشون رو تست می‌کنه. حالا وقتی کار داریم با چند هدف همزمان (مثلاً هم می‌خوای ظرفیت خازن زیاد بشه، هم جریان نشتی کم باشه و …)، این میشه Multi-objective Bayesian Optimization (MOBO). یعنی بهینه‌سازی بیزی چند هدفه.
این تیم یه چیز خیلی باحال اضافه کرده: Human-in-the-Loop (که به اختصار HITL هم میگن). یعنی چی؟ یعنی موقع یادگیری ماشین، انسان هم بیاد وسط و مثلاً بگه “آقا این آزمایش خراب شد، این یکی خوب بود…”. حتی شکست‌خورده‌ها هم تو این چارچوب درس می‌شن! با این کار، هوش مصنوعی خیلی سریع‌تر یاد می‌گیره و تعداد دفعات آزمایش لازم تا رسیدن به حالت بهینه، خیلی کمتر میشه.
بعد از این که مدل بهینه‌شون آماده شد، سراغ تحلیل داده‌ها رفتن و بررسی کردن تو شرایط مختلف چه ورودی‌هایی باعث چه نتیجه‌هایی شدن. برای اینکه بفهمن هر پارامتر چقدر مهمه، از روشی به اسم Shapley Additive Explanations (یا همون SHAP) استفاده کردن؛ یه روش مدرن که کمک می‌کنه بفهمیم هر ورودی چقدر روی خروجی تاثیر گذار بوده.
نکته مهم‌تر این بود که این مدل هیبریدیه (ترکیبی از هوش مصنوعی و انسان) فقط به درد ساخت این مدل خاص نمی‌خوره؛ هر پروژه‌ای که چند هدف مختلف داره و ریسک شکست هم توش زیاده ـ مثلاً اختراعات جدید یا آزمایش‌های پرچالش ـ می‌تونه از این روش استفاده کنه و مسیر موفقیتش رو حسابی کوتاه‌تر کنه!
جمع‌بندی کنم: اگه دنبال ساختن وسایل منعطف و هوشمند با کمترین تلاش و بیشترین نتیجه‌ای، این ترکیب هوش مصنوعی و کمک انسانی، کار رو فوق‌العاده راحت‌تر می‌کنه. فقط کافیه دیتا بدی، هوش مصنوعی تصمیم بگیره، خودمون اصلاحش کنیم، و به نتایج خفن برسیم!
منبع: +
