Genetic Algorithm

الگوریتم‌های ژنتیک: تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حل‌ها تبدیل می‌شود سپس راه حل‌ها به عنوان کاندیداها توسط تابع برازش یا تابع برازندگی (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. به‌طور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب و تغییر تشکیل می‌شوند.

Learning Classifier System

سیستم‌های طبقه‌بندی یادگیری، یا LCS، الگویی از روش‌های یادگیری ماشین مبتنی بر قانون هستند که یک مولفه اکتشاف (برای مثال یک الگوریتم ژنتیک) را با یک مولفه یادگیری (انجام یادگیری نظارت شده، یادگیری تقویتی یا یادگیری نظارت نشده) ترکیب می‌کنند.[۲] سیستم‌های طبقه بندی یادگیری به دنبال شناسایی مجموعه ای از قوانین وابسته به متن هستند که در مجموع، اطلاعات را به صورت تکه ای ذخیره می‌کنند و به کار می‌برند تا محاسبات را انجام دهند (مانند مدل‌سازی رفتار،[۳] طبقه‌بندی،[۴][۵] داده کاوی،[۵]رگرسیون، تقریب تابع،[۶] یا استراتژی بازی). این روش اجازه می‌دهد تا فضاهای راه حل پیچیده به بخش‌های کوچکتر و ساده‌تر تقسیم شوند.

شبکه های پیچیده کوانتمی Quantum Complex Networks

شبکه های پیچیده کوانتومی شبکه های پیچیده ای هستند که گره های آنها دستگاه های محاسباتی کوانتومی هستند [۱].

 مکانیک کوانتومی برای ایجاد کانال های ارتباطی کوانتومی ایمن که از هک محافظت می شوند، استفاده شده است [۱-۲]

 تعمیم روش های شبکه پیچیده به تنظیمات کوانتومی نشان دهنده یک پیشرفت اساسی است که برای درک پیچیدگی در سیستم های فیزیکی لازم است [۲].

. دامنه کاربرد روش‌های شبکه پیچیده برای فیزیک کوانتومی باید گسترش یابد، در حالی که مطالعات در جهت دیگر، یعنی جایی که روش‌های حوزه کوانتومی اکنون به علوم شبکه منتقل شده‌اند، باید گسترش یابد [۲].

در اینجا چند نکته کلیدی در مورد شبکه های پیچیده کوانتومی وجود دارد:

·         شبکه های پیچیده کوانتومی شبکه های پیچیده ای هستند که گره های آنها دستگاه های محاسباتی کوانتومی هستند [۱].

·         مکانیک کوانتومی برای ایجاد کانال های ارتباطی کوانتومی ایمن که از هک محافظت می شوند، استفاده شده است [۱-۲].

·         تعمیم روش های شبکه پیچیده به تنظیمات کوانتومی نشان دهنده یک پیشرفت اساسی است که برای درک پیچیدگی در سیستم های فیزیکی لازم است [۲].

·         دامنه کاربرد روش‌های شبکه پیچیده برای فیزیک کوانتومی باید گسترش یابد، در حالی که مطالعات در جهت دیگر، یعنی جایی که روش‌های حوزه کوانتومی اکنون به علوم شبکه منتقل شده‌اند، باید گسترش یابد [۲].

·         شبکه‌های پیچیده به صورت نمودارها مدل‌سازی می‌شوند که اشیاء ریاضی متشکل از گره‌ها و یال‌ها هستند [۳].

·         یکی از ویژگی‌هایی که شبکه‌های پیچیده کوانتومی را از آنالوگ کلاسیکشان متمایز می‌کند این واقعیت است که در شبکه‌های تصادفی کوانتومی، پیوندها تنها پس از اندازه‌گیری واقعی ایجاد می‌شوند و می‌توان از این واقعیت برای شکل دادن به وضعیت نهایی شبکه استفاده کرد [۱].

·         جست‌وجو برای یک نظریه عمومی شبکه‌های پیچیده در فیزیک کوانتومی هنوز ادامه دارد [۲].

·         تشخیص انجمن، که فرآیند شناسایی گروه‌هایی از گره‌هایی است که نسبت به بقیه شبکه به یکدیگر متصل هستند، از سیستم‌های کلاسیک به سیستم‌های کوانتومی گسترش یافته است [۴].

مراجع

1. Quantum complex network - Wikipedia

2. Complex networks from classical to quantum | Communications Physics - Nature

3. Making Sense of Complex Networks Using Quantum Computing | 1QBit

شبکه های پیچیده عمیق Deep Complex Networks

شبکه های پیچیده عمیق نوعی از شبکه های عصبی هستند که از اعداد مختلط به جای اعداد واقعی برای عملیات و نمایش خود استفاده می کنند [۱].

 آنها پتانسیل ارائه ظرفیت بازنمایی غنی تر و تسهیل مکانیسم های بازیابی حافظه با نویز قوی را دارند [۱].

 با این حال، آنها به دلیل عدم وجود بلوک های ساختمانی مورد نیاز برای طراحی چنین مدل هایی به حاشیه رفته اند [۱].

 کار اخیر مولفه‌های اتمی کلیدی را برای شبکه‌های عصبی عمیق با ارزش پیچیده ارائه کرده و آن‌ها را در شبکه‌های پیش‌خور کانولوشنی به کار گرفته است [۱-۲-۳].

برخی از ویژگی های کلیدی شبکه های پیچیده عمیق عبارتند از:

• کانولوشن های پیچیده: به جای کانولوشن های واقعی از کانولوشن های پیچیده استفاده می شود [۱].
• نرمال سازی دسته ای پیچیده: الگوریتم هایی برای نرمال سازی دسته ای پیچیده ایجاد شده است [۱].
• استراتژی های اولیه سازی وزن پیچیده: استراتژی هایی برای مقداردهی اولیه وزن های پیچیده ایجاد شده است [۱].

چندین مخزن در GitHub وجود دارد که پیاده سازی شبکه های پیچیده عمیق را ارائه می دهد [۴-۵].

 یادگیری عمیق دینامیک سرایت در شبکه های پیچیده یکی دیگر از زمینه هایی است که شبکه های پیچیده عمیق در آن به کار گرفته شده اند [۶].

مراجع

1. Deep Complex Networks - OpenReview

2. [1705.09792] Deep Complex Networks - arXiv

3. [PDF] DEEP COMPLEX NETWORKS - OpenReview

4. russellgeum/Deep-Complex-Networks: (NOT Official) Implementation Deep Comple Networks and Plug-in module (e.g. Neural Preprocessing Layer) (ICLR 2018) - GitHub

5. ChihebTrabelsi/deep_complex_networks: Implementation related to the Deep Complex Networks - GitHub

6. Deep learning of contagion dynamics on complex networks | Nature Communications

یادگیری عمیق Deep Learning

مقدمه ای بر یادگیری عمیق

یادگیری عمیق یک تکنیک یادگیری ماشین است که به سیستم ها یاد می دهد آنچه را که برای انسان طبیعی  است و انسان می تواند آن را تشخیص دهد، مانند انسان انجام دهند و این یادگیری  بر اساس مثال و نمونه است. یادگیری عمیق یک فناوری اصولی در پشت خودروهای خودران است که به ماشین این امکان را می دهد که علامت توقف را تشخیص دهند یا عابر پیاده را از چراغ تشخیص دهد. یادگیری عمیق اخیراً مورد توجه قرار گرفته است و یادگیری عمیق به نتایجی دست پیدا کرده که قبلاً امکان پذیر نبود. در یادگیری عمیق، یک مدل رایانه یاد می گیرد که کارهای طبقه بندی را مستقیماً از طریق تصاویر، متن یا صدا انجام دهد. مدل های یادگیری عمیق می توانند به دقت خیلی زیادی دست پیدا کند، گاهی اوقات از عملکرد سطح انسانی فراتر می روند.