Loading...

مکعب روبیک هوشمند ؛ الگوریتم یادگیری عمیق و حل شدن خودکار روبیک

///مکعب روبیک هوشمند ؛ الگوریتم یادگیری عمیق و حل شدن خودکار روبیک

حل شدن خودکار مکعب روبیک بدون دخالت انسان

بر خلاف حرکت شطرنج، تغییر حرکت و ارزیابی حرکت یک مکعب روبیک دشوار است، به همین دلیل است که ماشین های یادگیری عمیق و هوش مصنوعی تا پیش از این  قادر به حل این پازل نشده بود. با این حال، امروزه یکی دیگر از پایگاه های هوش و مهارت انسان، توسط ماشین ها به تسخیر درآمد. یک نوع جدید روبیک ، با عنوان مکعب روبیک هوشمند و یا مکعب روبیک خودکار اختراع شده است که قادر است خودش را حل کند . برای حل شدن این مکعب روبیک خودکار از ماشین یادگیری عمیق استفاده شده است .

مکعب روبیک هوشمند، یک نقطه عطف مهم است، زیرا رویکرد جدید به حل مشکلات پیچیده کمک می کند.

بیشتر بدانیم:رونمایی از ابزارهای هوشمند تعاملی مبتنی بر فناوری تغییر شکل >>

تاریخچه مکعب روبیک تا مکعب روبیک هوشمند

تاریخچه مکعب روبیک یک پازل سه بعدی است که در سال ۱۹۷۴ توسط مخترع مجارستانی Erno Rubik طراحی شده است، که هدف آن هماهنگی تمام مربع های هم رنگ در یک چهره مکعب بوده است. این یک اسباب بازی بین المللی با اقبال گسترده مردم مواجه می شود و به فروش می رسد. بیش از ۳۵۰ میلیون واحد تا کنون از این مکعب فروخته شده است.

این مکعب و پازل، علاقه مندان از دانشمندان کامپیوتر و ریاضیدانان را به خود جذب کرده است و یک چالش بسیار رایج پیش روی ریاضی دان ها این است که الگوریتم هایی را طراحی کنند که بتوانند مکعب را از هر موقعیتی حل کنند. تلاش هایی که تاکنون برای به طور هوشمند و خودکار حل کردن پازل و مکعب روبیک انجام شده است،  همه بر الگوریتم هایی که توسط انسان ساخته شده اند، تکیه می کنند.

یک ایده این بوده است که از یک رویکرد مشابه با بازی هایی مانند شطرنج و Go که بسیار موفق بوده است، اسفاده کنند. در این سناریوها یک دستگاه یادگیری عمیق به قوانین بازی داده می شود و پس از آن در برابر خود بازی می کند. مهم این است که در هر مرحله بر اساس نحوه انجام آن پاداش داده می شود. این روند پاداش بسیار مهم است زیرا به ماشین کمک می کند تا بازی خوب را از بازی بد تشخیص دهد. به عبارت دیگر، این دستگاه به یادگیری کمک می کند. اما این سیستم در بسیاری از شرایط دنیای واقعی کار نمی کند، زیرا پاداش ها اغلب نادر هستند و یا تعیین کردن پاداش بسیار سخت خواهد بود.

به عنوان مثال، چرخش تصادفی یک مکعب روبیک به آسانی قابل پاداش نیست، زیرا قضاوت در این شرایط سخت است که آیا پیکر بندی جدید برای هر راه حل و روش حل مسئله نزدیک است و یا خیر. این روش باعث ایجاد یک سیر دنباله دار  از چرخش تصادفی می شود که  می تواند برای مدت طولانی بدون دستیابی به راه حل ادامه یابد، بنابراین پاداش نهایی واقعی می تواند به ندرت ارائه شود. در نتیجه چرخش تصادفی می تواند برای مدت طولانی بدون دستیابی به راه حل ادامه یابد.

بیشتر بدانیم: هوش مصنوعی؛ رونمایی از ماشین خودران >>

اختراع مکعب روبیک خودکار

یک  مخترع خلاق ژاپنی موفق شده به  کمک پرینتر‌ های سه بعدی و اتصال مکعب های رنگی به  موتور کنترل،  مکعب روبیک قابل حل کوچکی را توسعه دهد. به علاوه یک نرم افزار مخصوص هم برای حل این مکعب روبیک هوشمند طراحی شده است تا دستورات لازم را به موتورهای کنترل انتقال دهد و فرآیند حل کردن اغاز شود. محققان نوع جدیدی از تکنیک یادگیری عمیق را به نام “آموزش مکرر خودکار” ( autodidactic iteration)  معرفی کرده اند، که می تواند خود را برای حل یک مکعب روبیک خودکار بدون کمک انسانی آموزش دهد. ترفندی که به آن دست یافته اند، یافتن راه  جدید برای سیستم پاداش است.

مکعب روبیک هوشمند - مکعب روبیک خودکار - یادگیری عمیق

مکعب روبیک هوشمند – مکعب روبیک خودکار – یادگیری عمیق

بیشتر بدانیم: هتل هوشمند ژاپنی با فناوری پارک خودکار ماشین >>

روش کار مکعب روبیک هوشمند

روش کار به این صورت است که مکعب باید بهم ریخته شود و پس از آن مکعب روبیک هوشمند باید مدتی ساکن بماند تا الگوریتم طراحی شده بتواند به صورت خودکار چرخش‌ های لازم را انجام دهد و آن را حل کند. این روش باعث ایجاد حل شدن مکعب روبیک هوشمند بدون دخالت انسانی شده است.

با توجه به یک مکعب حل نشده، دستگاه باید تصمیم بگیرد که آیا یک حرکت خاص برای بهبود در پیکربندی موجود است یا خیر، برای انجام این کار، باید بتواند حرکت را ارزیابی کند. تکرار آموزش خودکار باعث پیدا کردن یک پیکر بندی با حرکت پیشنهادی می شود. هر چند این فرآیند کامل نیست، اما یادگیری عمیق به سیستم کمک می کند تا بداند که کدام حرکت از حرکت های مشابه بهتر است.  پس از این آموزش، شبکه الگوریتم از یک درخت جستجو  برای پیدا کردن حرکت پیشنهادی برای هر پیکر بندی استفاده می کند .

نتیجه الگوریتمی است که به نحو قابل ملاحظه ای بهترین راه حل را پیدا خواهد کرد. الگوریتم ایجاد شده قادر است ۱۰۰٪ از مکعب های تصادفی تقسیم شده و پخش شده را حل کند، در حالی که دستیابی به یک راه حل به طور متوسط در ۳۰ حرکت به نتیجه می رسد، این الگوریتم همانند دامنه دانش انسانی آموزش دیده، قادر است سریعترین راه حل و حرکت را برای رسیدن به جواب شناسایی کند.

مکعب روبیک هوشمند - مکعب روبیک خودکار - یادگیری عمیق

مکعب روبیک هوشمند – مکعب روبیک خودکار – یادگیری عمیق

بیشتر بدانیم: تاکسی هوایی خودران >>

آینده الگوریتم مکعب روبیک هوشمند

این روش بسیار جالب است زیرا از آن برای بسیاری از کارهای دیگر که یادگیری عمیق تا کنون به آن حوزه نفوذ کرده است و در آن به کار گرفته است شده است، نظیر : حل کردن پازل ها، سودوکو، بازی هایی مانند Montezuma’s Revenge استفاده می شود. محققان در حال گسترش این روش برای یافتن راه حل های تقریبی برای سایر مشکلات و حتی علم پزشکی هستند . راه حل هایی نظیر پیش بینی ساختار ترمیمی پروتئین.

این دقیقا همان الگوریتمی است که DeepCube نامیده می شود. این الگوریتم در مقابل، ماشین آلات؛ الگوهای خاص را به سادگی تشخیص می دهند. البته، آزمایش واقعی این خواهد بود که چگونه این رویکرد با مشکلات پیچیده تر مانند پوشیدگی پروتئین مواجه خواهد شد.

برگرفته از سایت: MIT Technology Review 

توسط | ۱۳۹۷/۷/۱۲ ۱۳:۳۸:۱۴ ۱۳۹۷/۰۷/۱۲|تکنولوژی, رباتیک دسته بندی ها|برچسب ها: , |

در باره نویسنده :

کارشناس ارشد علم اطلاعات و دانش شناسی از دانشگاه اصفهان- پژوهشگر در زمینه تکنولوژی و فناوری

ثبت ديدگاه

20 + 11 =