Command Palette
Search for a command to run...
من تطوير التعليمات البرمجية إلى التنفيذ الآلي، يجعل Muse-Glimmer-30B الوكلاء المحليين أكثر قوة؛ تم إصدار Qwen3.8-27B-FP8، مما يدفع حدود الاستدلال الفعال مع 27 مليار معلمة.
Muse-Glimmer-30B، الذي طورته شركة Meta Superintelligence Labs، هو نموذج لغة سببي مكون من 30 مليار معلمة مصمم للمهام القائمة على الوكلاء.من خلال دمج تقنية التقطير Muse Spark وتصميم مُشفِّر إدراكي مُخصَّص، يُوفِّر النموذج إمكانيات الاستدلال متعدد الخطوات، واستدعاء الأدوات، والفهم متعدد الوسائط، واستعادة المهام في نموذج واحد. يستطيع هذا النموذج إنجاز مهام طويلة الأمد محليًا دون الاعتماد على بنية تحتية سحابية أو اتصال شبكي، مُظهِرًا أداءً قويًا في معايير الأداء مثل DeepSearch QA وMCP-Atlas وSWE-Bench. علاوة على ذلك، يدعم Muse-Glimmer-30B إدخال النصوص والصور المتداخلة، ويستطيع فهم المعلومات المعقدة مثل لقطات الشاشة والرسوم البيانية والمستندات، ويتميز بإمكانيات مُحسَّنة لاستدعاء الأدوات لأُطر عمل الوكلاء الأذكياء، مما يُوفِّر حلولًا جديدة لمساعدي الذكاء الاصطناعي المحليين، والوكلاء الأذكياء القائمين على البرمجة، والتطبيقات متعددة الوسائط.
يعرض موقع HyperAI الإلكتروني الآن "Muse-Glimmer-30B: نموذج لغة بصري متعدد الوسائط". جربه!
الاستخدام عبر الإنترنت:https://go.hyper.ai/iuoeS
نظرة سريعة على تحديثات الموقع الرسمي لشركة hyper.ai من 14 أغسطس إلى 20 أغسطس:
* مجموعات البيانات العامة عالية الجودة: 3
* مجموعة مختارة من الدروس التعليمية عالية الجودة: 18
* تحليل مقالات المجتمع: مقال واحد
* إدخالات الموسوعة الشعبية: 5
قم بزيارة الموقع الرسمي:هايبر.اي
مجموعات البيانات العامة المختارة
1. مجموعة بيانات صور شخصية من ماترايكس بيرسونا 1 مليون
مجموعة بيانات MatrAIx Persona 1M هي مجموعة بيانات شخصية أصدرتها شركة MatrAIx، مصممة لتوفير بيانات شخصية دقيقة ومتنوعة لسيناريوهات مثل توليد البيانات الاصطناعية، ونمذجة الحشود، والحوار الشخصي، والمحاكاة، والتقييم. تحتوي مجموعة البيانات على 999,847 شخصية، منها 599,847 مستمدة من سجلات واقعية، و400,000 شخصية مركبة بالكامل باستخدام الرسوم البيانية الموجهة غير الدورية (DAG). يتم وصف كل شخصية بـ 1,290 سمة تصنيفية، تغطي أبعادًا مثل البيانات الديموغرافية، واللغة، والمهنة، والمهارات، والشخصية، والقيم، والاهتمامات، والسلوك، والصحة، وخصائص المطورين. تم حذف سجلات الأفراد الذين تقل أعمارهم عن 18 عامًا.
الاستخدام عبر الإنترنت:https://go.hyper.ai/e4BKj
2. مجموعة بيانات تسلسل الصور الزمنية على مستوى المركبة
تُعدّ مجموعة بيانات "تسلسلات الصور الزمنية على مستوى المركبة" مجموعة بيانات لتسلسلات صور المركبات، مصممة لتوفير بيانات موحدة لأبحاث التعرف على سلوكيات القيادة الخطرة (الكبح المفاجئ، والدخول القسري، والكبح المفاجئ، والتنقل المتعرج) وتصنيف مقاطع الفيديو الزمنية على مستوى المركبة. تدعم هذه المجموعة بشكل أساسي الأبحاث في أنظمة النقل الذكية، وأنظمة مساعدة السائق المتقدمة (ADAS)، وتعلم عدم توازن الفئات. تحتوي مجموعة البيانات على 434 تسلسلًا زمنيًا لصور المركبات، تغطي سلوكيات القيادة العادية والخطرة. وهي مُنظمة وفقًا لـ 94 مجموعة فيديو مصدرية مُصنفة داخليًا، حيث يتوافق كل تسلسل مع مركبة مُتعقبة، ويُرفق بملف بيانات وصفية لتصنيف السلوك.
الاستخدام عبر الإنترنت:https://go.hyper.ai/e5TRV
3. مجموعة بيانات ثنائية النمط للكشف عن الأجسام المرورية على جانب الطريق
مجموعة بيانات حركة المرور على جوانب الطرق ثنائية النمط هي مجموعة بيانات لكشف أهداف حركة المرور على جوانب الطرق باستخدام كاميرات RGB وكاميرات أحداث مُعايرة مكانيًا ومتزامنة زمنيًا، بهدف توفير دعم بيانات موحد لدمج بيانات RGB وكاميرات الأحداث متعددة الأنماط، وإدراك كاميرات الأحداث، وفهم مشهد حركة المرور بدقة في ظل ظروف الإضاءة والحركة الصعبة. تتكون مجموعة البيانات من بيانات مُحاذية وبيانات خام. تحتوي كل عينة في البيانات المُحاذية على ثلاثة أنماط: صور RGB متطابقة مكانيًا وزمنيًا، وتمثيلات للأحداث، وشروح للأهداف، وتنقسم بدورها إلى مجموعات تدريب وتحقق واختبار.
الاستخدام عبر الإنترنت:https://go.hyper.ai/bby5e
دروس تعليمية عامة مختارة
1. Muse-Glimmer-30B: نموذج لغة بصري متعدد الوسائط
Muse-Glimmer-30B هو نموذج وكيل محلي ذو 30 مليار مُعامل، أطلقته شركة Meta Superintelligence Lab. يعتمد هذا النموذج على تقنية تقطير Muse Spark، وهو مُجهز بمُشفّر إدراكي مُخصص، ويُدمج إمكانيات الاستدلال متعدد الخطوات، واستدعاء الأدوات، والفهم متعدد الوسائط، واستعادة المهام. يستطيع النموذج أداء مهام الوكيل المُعقدة على أجهزة استهلاكية دون الحاجة إلى خدمات سحابية، كما يدعم فهم المعلومات متعددة الوسائط مثل لقطات الشاشة والمستندات والرسوم البيانية، مما يُوفر خيارات جديدة لمساعدي الذكاء الاصطناعي المحليين، وتطوير البرمجيات، ومهام الأتمتة.
تشغيل عبر الإنترنت:https://go.hyper.ai/iuoeS
2. داتامول: يبسط إجراءات المعالجة الجزيئية
داتامول مكتبة مفتوحة المصدر لمعالجة البيانات الجزيئية، طوّرها فريق هادريان ماري/فالنس ديسكفري. بُنيت المكتبة على RDKit، وتهدف إلى تبسيط سير العمل في المعلوماتية الكيميائية. توفر هذه الأداة واجهة برمجة تطبيقات (API) موجزة وسهلة الاستخدام بلغة بايثون، وتُغلف العمليات الجزيئية الشائعة، وتدعم الحوسبة المتوازية الآلية، ومعالجة الملفات بكفاءة، ومعالجة البيانات الجزيئية واسعة النطاق. يمكن استخدام داتامول على نطاق واسع في سيناريوهات مثل الفحص الافتراضي، واكتشاف الأدوية، وتنظيف البيانات الجزيئية، وتحليل المعلوماتية الكيميائية، والتصوير البياني.
تشغيل عبر الإنترنت:https://go.hyper.ai/jf67y
3. الذكاء الاصطناعي للمبتدئين: سلسلة دروس تمهيدية في الذكاء الاصطناعي
دورة مايكروسوفت للذكاء الاصطناعي للمبتدئين هي دورة تعليمية منهجية في مجال الذكاء الاصطناعي، تتألف من 12 أسبوعًا و24 درسًا، وتغطي نظامًا معرفيًا متكاملًا بدءًا من الذكاء الاصطناعي الرمزي التقليدي وصولًا إلى التعلم العميق الحديث. تجمع الدورة بين الأمثلة العملية والاختبارات القصيرة مع استخدام Jupyter Notebook، وتغطي مجالات أساسية مثل الشبكات العصبية، ورؤية الحاسوب، ومعالجة اللغة الطبيعية، والتعلم المعزز، كما توفر شفرة برمجية قابلة للتنفيذ مبنية على PyTorch وTensorFlow. تُعد هذه الدورة مناسبة للدراسة الذاتية في مجال الذكاء الاصطناعي، ودعم التدريس الجامعي، والتدريب التقني في الشركات.
تشغيل عبر الإنترنت:https://go.hyper.ai/Ms9so
4. مقدمة في معالجة النصوص
يقدم هذا البرنامج التعليمي شرحًا منهجيًا لسير عمل معالجة النصوص في مهام معالجة اللغة الطبيعية، ويغطي التقنيات الرئيسية بدءًا من تنظيف النصوص الخام وصولًا إلى توحيدها. يركز البرنامج على تقليل التشويش في النصوص وتحسين جودة مدخلات النموذج، ويشرح بالتفصيل 17 طريقة شائعة الاستخدام، بما في ذلك تحويل حالة الأحرف، وإزالة علامات الترقيم والكلمات الشائعة، والتجذير، والتحليل الصرفي، ومعالجة الرموز التعبيرية وعناوين المواقع الإلكترونية، وتنظيف لغة HTML، وتحويل لغة المحادثة، والتدقيق الإملائي، مما يساعد المتعلمين على بناء سير عمل لمعالجة بيانات النصوص بجودة أعلى.
تشغيل عبر الإنترنت:https://go.hyper.ai/SfMvS
5. تمثيل الكلام واستكشاف البيانات
يستند هذا البرنامج التعليمي إلى دراسة حالة عملية من تحدي التعرف على الكلام باستخدام TensorFlow، والتي نشرها المؤلف DavidS على منصة Kaggle، وذلك باستخدام مجموعة بيانات Speech Commands v0.01 لتحليل التعرف على الكلام. يركز البرنامج على مهام تصنيف الكلام، حيث يقدم طرقًا تبدأ من الموجات الصوتية الخام والمخططات الطيفية وصولًا إلى تصوير خصائص MFCC، ويغطي عمليات مثل اكتشاف الصمت، واقتصاص الصوت، وتقليل معدل أخذ العينات، واستخراج الخصائص، والتحليل الإحصائي لتوزيع البيانات. يُعد هذا البرنامج مناسبًا كمقدمة للتعرف على أوامر الكلام، وهندسة خصائص الصوت، والتحليل الاستكشافي لبيانات الكلام.
تشغيل عبر الإنترنت:https://go.hyper.ai/ndnf9
6. إعادة ترتيب المرشحين الموصى بهم بناءً على قواعد RAPIDS والقواعد اليدوية
نموذج إعادة ترتيب المرشحين هو حلٌّ لنظام التوصيات، أطلقه خبير Kaggle كريس ديوت في نوفمبر 2022، استنادًا إلى بيانات مسابقة OTTO لأنظمة التوصيات. يجمع هذا النموذج بين حساب مصفوفة التواجد المشترك المُسرَّع بواسطة وحدة معالجة الرسومات (GPU) واستراتيجية إعادة ترتيب يدوية قائمة على القواعد. يُولِّد النموذج بكفاءة ميزات ارتباط سلوك المستخدم على وحدة معالجة الرسومات باستخدام RAPIDS cuDF، ويُصمِّم قواعد الترتيب بناءً على السلوكيات السابقة مثل النقرات، وإضافة المنتجات إلى سلة التسوق، وعمليات الشراء، لتحقيق توصيات دقيقة للمنتجات المرشحة. يُناسب هذا الحل توصيات التجارة الإلكترونية، وأنظمة التوصيات التفاعلية، وتحليل بيانات سلوك المستخدم على نطاق واسع.
تشغيل عبر الإنترنت:https://go.hyper.ai/fAIYz
7. مقدمة في اكتشاف الأحداث الصوتية: نموذج AudioSet المدرب مسبقًا والمبني على شبكات PANN
يقدم هذا الدرس المفاهيم الأساسية والأساليب العملية لاكتشاف الأحداث الصوتية. على عكس تصنيف الصوت، الذي يحدد فئة الصوت فقط، يستطيع اكتشاف الأحداث الصوتية تحديد الأحداث الصوتية في الصوت وتحديد وقت بدايتها ونهايتها بدقة. يعتمد هذا الدرس على الشبكات العصبية الصوتية المدربة مسبقًا، ويستخدم نموذج CNN14 المدرب على بيانات صوتية واسعة النطاق من AudioSet لتحقيق التنبؤ الصوتي على مستوى الإطار واكتشاف التصنيفات الضعيفة. يمكن تطبيقه في سيناريوهات مثل مراقبة الضوضاء الحضرية، والكشف عن الشذوذات الصناعية، والتحليل الصوتي الحيوي، والتعرف على الصوت في المنازل الذكية.
تشغيل عبر الإنترنت:https://go.hyper.ai/HOoPr
8. برنامج XGBoost Starter – برنامج تعليمي للتنبؤ بالتخلف عن سداد بطاقات الائتمان
يعتمد حل AMEX للتنبؤ بالتعثر في سداد بطاقات الائتمان على دفتر ملاحظات XGBoost Starter Notebook الخاص بالمستخدم Chris Deotte على منصة Kaggle، وقد حقق الحل درجة تقييم 0.792 في التحقق المتقاطع ودرجة تقييم 0.793 في قائمة المراهنات في المسابقة. يرتكز الحل على هندسة الميزات، وتدريب النموذج، والتنبؤ. يقوم الحل بتوليد ميزات إحصائية من خلال تجميع بيانات المستخدمين التاريخية، ويستفيد من التدريب المُسرّع بواسطة وحدة معالجة الرسومات (GPU) والتحقق المتقاطع ذي الخمس طيات لتحسين الكفاءة، كما يجمع بين مقاييس التقييم الخاصة بـ AMEX لتحسين أداء النموذج. هذه الطريقة قابلة للتطبيق على مهام التنبؤ باستخدام التعلم الآلي، مثل إدارة المخاطر المالية وتقييم الجدارة الائتمانية.
تشغيل عبر الإنترنت:https://go.hyper.ai/Jkrtu
9. مقدمة في رؤية الحاسوب: من مبادئ الشبكات العصبية التلافيفية إلى التصنيف العملي للصور
مشروع Intro-Computervision هو مشروع مفتوح المصدر في مجال رؤية الحاسوب، من تطوير سيزان كاماتشو، ومرخص بموجب رخصة MIT. يشرح المشروع مبادئ الشبكات العصبية الالتفافية (CNNs) بشكل منهجي للمبتدئين في مجال التعلم العميق. يستخدم المشروع رسومات توضيحية لتبيان كيفية استخراج ميزات الصور من خلال عمليات مثل الالتفاف والتجميع، ويقدم تمرينًا عمليًا لتصنيف الصور باستخدام مجموعة بيانات FashionMNIST كمثال. يغطي المحتوى العملية كاملةً، بدءًا من تحميل البيانات وتدريب النموذج وصولًا إلى تقييم الأداء، مما يجعله مناسبًا لتعلم رؤية الحاسوب، والتدريس في الدورات، وكبداية أساسية لاكتشاف الكائنات وتجزئة الصور.
تشغيل عبر الإنترنت:https://go.hyper.ai/rRCrg
10. التنبؤ بخطر الإصابة بسرطان الثدي: سلسلة دروس عملية في التعلم الآلي
يُعدّ مشروع التنبؤ بخطر الإصابة بسرطان الثدي مشروعًا تشخيصيًا يعتمد على التعلم الآلي، ويستند إلى مجموعة بيانات تشخيص سرطان الثدي في ولاية ويسكونسن من مستودع التعلم الآلي التابع لجامعة كاليفورنيا في إرفاين، والذي أصدره جان نجوروج. يحقق المشروع دقة تشخيصية تتجاوز 981 نقطة في اختبار TP3T، وذلك من خلال مقارنة خوارزميات تصنيف التعلم الآلي المختلفة وتحسين المعلمات الفائقة باستخدام GridSearchCV. يغطي المشروع العملية برمتها، بدءًا من تحميل البيانات، مرورًا بالتحليل الاستكشافي، وبناء النموذج، والتقييم، وصولًا إلى التحسين، مستخدمًا 30 خاصية مُستخرجة من صور نواة الخلية للتنبؤ بخطر الإصابة بسرطان الثدي، مما يوفر مرجعًا لتحليل البيانات الطبية وتطبيقات التعلم الآلي.
تشغيل عبر الإنترنت:https://go.hyper.ai/fE5ti
11. ألغاز TileLang: تعلم برمجة نواة وحدة معالجة الرسومات من خلال 10 ألغاز
TileLang هي لغة برمجة خاصة بمجال نواة وحدة معالجة الرسومات (GPU) عالية الأداء، طوّرها فريق Tile-AI، بهدف تسهيل تعلم برمجة نواة وحدة معالجة الرسومات. تُقدّم TileLang Puzzles للمتعلمين عشرة تمارين متدرجة الصعوبة، تبدأ بعمليات النسخ الأساسية وتتدرج في إتقان أساليب برمجة نواة وحدة معالجة الرسومات الحديثة مثل GEMM وFlashAttention. توفر TileLang مُزيّن `@tilelang.jit` وعوامل تشغيل متقدمة مثل `T.copy` و`T.gemm` و`T.Parallel`، مما يُبسّط جدولة الخيوط وإدارة الذاكرة على مستوى منخفض، ويجعلها مناسبة للمبتدئين في برمجة وحدة معالجة الرسومات والحوسبة عالية الأداء.
تشغيل عبر الإنترنت:https://go.hyper.ai/1UJuc
12. تدريب YOLOv8 باستخدام بيانات مخصصة
يُعدّ YOLOv8، الذي أطلقته شركة Ultralytics في يناير 2023، نموذج رؤية موحدًا يدعم أربع مهام: اكتشاف الكائنات، وتجزئة الصور، وتقدير الوضعية، وتصنيف الصور. يستخدم النموذج واجهة برمجة تطبيقات Python الخاصة بشركة Ultralytics وواجهة سطر الأوامر YOLO CLI لتوحيد عمليات التدريب والتحقق والاستدلال وتصدير النموذج، مما يجعله أكثر سهولة في الاستخدام. تتضمن بنيته وحدة C2f الأساسية، ورأس اكتشاف منفصل بدون نقاط ارتكاز، ويتوقف عن استخدام تقنية Mosaic لزيادة البيانات في نهاية التدريب، مما يُحسّن الأداء في مهام الرؤية مع الحفاظ على كفاءة الاستدلال.
تشغيل عبر الإنترنت:https://go.hyper.ai/k5x7O
13. NVIDIA NemotronLabs VoiceChat 11B: نموذج حوار صوتي ثنائي الاتجاه كامل في الوقت الفعلي من طرف إلى طرف
يُعدّ NVIDIA NemotronLabs VoiceChat نموذجًا متكاملًا ثنائي الاتجاه للكلام، يضم 11 مليار مُعامل. يستخدم بنيةً موحدةً لتحقيق فهم الكلام وتوليده في الوقت الفعلي، مع زمن استجابة منخفض يصل إلى 450 مللي ثانية تقريبًا. يدعم النموذج المقاطعة الطبيعية، والحوار بالتناوب، واستدعاء الوظائف الصوتية، متجاوزًا بذلك قيود سير العمل التقليدي لتقنيات التعرف التلقائي على الكلام (ASR) والتعلم الآلي اللغوي (LLM) وتحويل النص إلى كلام (TTS). يُمكن استخدامه في سيناريوهات تفاعلية فورية، مثل المساعدين الأذكياء والوكلاء الصوتيين.
تشغيل عبر الإنترنت:https://go.hyper.ai/hW6ZK
14. Qwen3.8-27B-FP8: نموذج اللغة المرئي الأصلي
يُعدّ Qwen3.8-27B-FP8 نموذجًا رائدًا صغير الحجم ضمن سلسلة Qwen3.8، أطلقه فريق تونغي تشيان وين التابع لشركة علي بابا كلاود. بُني هذا النموذج على بنية Qwen3.5، ويجمع بين إمكانيات اللغة المرئية الأصلية ونطاق معلمات يصل إلى 27 مليارًا. وبفضل دعم التكميم الدقيق لـ FP8، يحافظ النموذج على أداء قريب من إصدار BF16 مع تقليل استهلاك ذاكرة وحدة معالجة الرسومات بشكل ملحوظ، مما يجعله مناسبًا لعمليات النشر متعددة وحدات معالجة الرسومات. يدعم النموذج السياق فائق الطول، والفهم متعدد الوسائط، والتحكم المرن في الاستدلال، واستدعاء الأدوات، ويمكن استخدامه في تطوير البرامج، ومعالجة المهام الاحترافية، وتحليل البحوث العلمية، وسير عمل الوكلاء المعقد.
تشغيل عبر الإنترنت:https://go.hyper.ai/2c0bx
15. الكشف عن الاحتيال وفقًا لمعايير IEEE-CIS: تحليل البيانات الاستكشافي الكامل (EDA)
تُعدّ مسابقة IEEE-CIS للكشف عن الاحتيال مسابقةً كلاسيكيةً على منصة Kaggle في مجال إدارة المخاطر المالية، وتركز على كشف الاحتيال في المعاملات الإلكترونية. تتطلب هذه المهمة التعامل مع عدد كبير من خصائص الفئات، واختلالات شديدة في توازن الفئات، ومعلومات السلاسل الزمنية ضمن مجموعات بيانات ضخمة تتجاوز 7 جيجابايت، وتقييم قدرة النموذج على التصنيف باستخدام مقياس AUC-ROC. يمكن تطبيق هذه الأساليب على سيناريوهات أعمال واقعية، مثل أمن المدفوعات وإدارة المخاطر، وهي دراسة حالة نموذجية في تعلم التصنيف غير المتوازن وتحليل البيانات المالية.
تشغيل عبر الإنترنت:https://go.hyper.ai/KDfkP
16. ميني ماكس ميوزيك 3: نموذج لتوليد الموسيقى يعتمد على كلمات الأغاني والأوصاف الموسيقية
يُعدّ MiniMax Music 3، الذي أطلقه فريق MiniMax في أغسطس 2026، نموذجًا لتوليد الموسيقى يعتمد على النصوص، حيث يُمكنه إنشاء أغاني كاملة تلقائيًا تصل مدتها إلى 5 دقائق استنادًا إلى كلمات الأغاني والوصف الموسيقي. يستخدم النموذج بنية توليد متعددة المكونات، تجمع بين نمذجة البنية طويلة المدى Qwen3-8B، ومحول مطابقة التدفق، ومشفّر الصوت Flow-VAE، لتحقيق أداء صوتي معبر، وتوزيعات موسيقية ديناميكية، وجودة صوتية ثابتة طويلة المدى. يدعم النموذج إخراجًا ثنائي القناة بتردد 32 كيلوهرتز، مما يجعله مناسبًا للاستخدام على نطاق واسع في تأليف الأغاني، وتوليد موسيقى الخلفية، وأبحاث الموسيقى باستخدام الذكاء الاصطناعي.
تشغيل عبر الإنترنت:https://go.hyper.ai/U52vp
17. التنبؤ بالطقس باستخدام LSTM: التنبؤ بالسلاسل الزمنية بناءً على مجموعة بيانات مناخ يينا
يقدم هذا البرنامج التعليمي، الذي أعده عادل لوريو من مجتمع DigitalOcean، نموذجًا للتنبؤ بالطقس يعتمد على شبكات LSTM (الذاكرة طويلة المدى). باستخدام بيانات الأرصاد الجوية التاريخية من مدينة يينا الألمانية، يتنبأ البرنامج بتغيرات درجات الحرارة خلال الساعات الست القادمة، وذلك بالاعتماد على ستة عوامل: درجة الحرارة، وضغط الهواء، والرطوبة، وضغط البخار، وسرعة الرياح، وكثافة الهواء، استنادًا إلى بيانات من الـ 72 ساعة الماضية (432 سجلًا). تُعد هذه الدراسة التطبيقية مناسبة كتمهيد لتدريب التنبؤ بالسلاسل الزمنية، ويمكن تطبيقها على التنبؤات الجوية قصيرة المدى، وتحليل بيانات الأرصاد الجوية، وغيرها من السيناريوهات.
تشغيل عبر الإنترنت:https://go.hyper.ai/ONbnQ
18. درس تمهيدي حول الشبكات العصبية للرسوم البيانية الهندسية
تُعدّ الشبكات العصبية البيانية الهندسية (GNNs) اتجاهًا هامًا في مجال التعلّم العميق الهندسي، إذ تهدف إلى تحسين قدرة النموذج على فهم العلاقات المكانية من خلال تصميم هياكل شبكية تُراعي التناظر والثبات المتأصلين في البيانات. يستند هذا البرنامج التعليمي إلى مشروع geometric-gnn-dojo الذي طوره تشايتانيا ك. جوشي وزملاؤه في جامعة كامبريدج. يستخدم المشروع مكتبة PyTorch Geometric (PyG) للتدرب على التحقق من الثبات والتباين، ويجمع معلومات هندسية مثل الإحداثيات ثلاثية الأبعاد للجزيئات والمسافات لبناء شبكة عصبية بيانية عالية الأداء. يمكن تطبيق هذه الطريقة في سيناريوهات متنوعة، مثل التنبؤ بالخصائص الجزيئية، وتطوير الأدوية، وتحليل بنية المواد، ونمذجة السحب النقطية ثلاثية الأبعاد.
تشغيل عبر الإنترنت:https://go.hyper.ai/r9stc
تفسير مقالة المجتمع
1. تحسنت كفاءة التحليل بأكثر من 200 مرة! يقترح مختبر أرغون الوطني طريقة تحليل حيود الحزمة النانوية القائمة على التدريب غير الخاضع للإشراف، مما يمكّن برنامج DONUT من استخراج خصائص المواد بدقة.
DONUT (الحيود باستخدام البصريات للحزم النانوية بالتدريب غير الخاضع للإشراف) عبارة عن شبكة عصبية للاستشعار الفيزيائي غير الخاضع للإشراف، اقترحها فريق من مختبر أرغون الوطني التابع لوزارة الطاقة الأمريكية، لتحليل بيانات مجهر حيود الأشعة السينية الماسح (SXDM) بسرعة. لا تتطلب هذه الطريقة بيانات مصنفة أو نماذج مدربة مسبقًا، ويمكنها فصل علاقة الاقتران بين شكل الحزمة ومعلومات الشبكة المحلية تلقائيًا، متجاوزةً بذلك قيود طرق المطابقة التقليدية، مثل التكلفة الحسابية العالية والاعتماد على المعالجة المسبقة. تُظهر التجارب أن DONUT قادرة على استخلاص السمات الهيكلية النانوية بدقة، بكفاءة تحليلية تفوق الطرق التقليدية بأكثر من 200 ضعف، مما يوفر حلاً ذكيًا جديدًا لتوصيف بنية المواد.
تشغيل عبر الإنترنت:https://go.hyper.ai/I00f5
مقالات موسوعية شعبية
1. التعرف الضوئي على الأحرف (OCR)
2. نموذج العمل العالمي (WAM)
3. الاستشعار عن بعد
4. رمز الخلل (مصطلح يستخدم لوصف مصطلح متعلق بالخلل)
5. نموذج التحويل التوليدي المدرب مسبقًا (GPT)
فيما يلي مئات المصطلحات المتعلقة بالذكاء الاصطناعي التي تم تجميعها لمساعدتك على فهم "الذكاء الاصطناعي" هنا:
إن ما ورد أعلاه هو كل محتوى اختيار المحرر لهذا الأسبوع. إذا كان لديك موارد تريد تضمينها على الموقع الرسمي لـ hyper.ai، فنحن نرحب بك أيضًا لترك رسالة أو إرسال مقال لإخبارنا بذلك!
نراكم في الاسبوع القادم!
