Россия сталкиваетс…

Россия в настоящее вре…

Глава Банка Японии…

Эскалация напряженност…

Aurora Cannabis го…

Aurora Cannabis объяви…

Как сохранить спок…

Инвестирование в фондо…

ОПЕК увеличила доб…

Согласно данным ежемес…

Переполох на Уолл-…

Уолл-стрит готовится к…

Акции Anaplan во в…

Разработчик программно…

Sears Holdings дей…

С долгом в размере $13…

Дикий рынок каннаб…

Как отмечают большинст…

Обвал криптовалютн…

В среду, 10 октября, к…

Нормализация оцено…

Эксперты много писали …

Уоррен Баффет объя…

Уоррен Баффет считает,…

Что происходит со …

Что случилось с литиев…

S&P 500 падает ниж…

На Уолл Стрит в четвер…

Обратная сделка, н…

Существует три способа…

Бывшая сотрудница …

Бывшая COO крупнейшей …

«
»

15.07.2018 17:48

Машинное обучение помогает установить новый рекорд скорости наземного транспортного средства

Нынешний мировой рекорд скорости езды на велосипеде по прямой, плоской дороге был установлен в 2012 году голландской командой, но у швейцарцев есть план, который, возможно, позволит им опередить своих соперников — с небольшой помощью машинного обучения.Алгоритм, обученный аэродинамикой, мог бы усовершенствовать велосипед, возможно, сократив сопротивление воздуха, чтобы установить новый рекорд.

В настоящее время владельцем рекорда является Себастьян Бойер (Sebastiaan Bowier), который в 2012 году сумел развить скорость в 133,78 км/ч, или чуть более 83 миль в час. Трудно представить себе, как его транспортное средство, которое больше походило на крошечную наземную ракету, чем на какой-либо вид велосипеда, может быть значительно усовершенствовано.

Но имеют значение даже незначительные улучшения, ведь новый рекорд может быть установлен даже с разницей в сотую часть единицы, и, кто знает, возможно, какая-нибудь странная новая форма может полностью изменить игру?

В поисках такой формы исследователи из Лаборатории компьютерного зрения из Лозанны Ecole Polytechnique Federale de Lausanne разработали алгоритм машинного обучения, который обучен 3D-формами и их аэродинамическими качествами «учится развивать интуицию в отношении законов физики», как сказал Пьер Баке (Pierre Baqué), сотрудник университета.

«Стандартные алгоритмы машинного обучения, которые мы используем для работы в нашей лаборатории, воспринимают изображения как входные данные», — объяснил он. «Изображение представляет собой очень хорошо структурированный сигнал, который очень легко обрабатывается алгоритмом машинного обучения. Однако инженеры, работающие в этой сфере, используют то, что мы называем сеткой. Сетка — это очень большой график с множеством узлов, которые не очень удобны в обращении».

Тем не менее команде удалось создать сверточную нейронную сеть, которая может сортировать бесчисленные формы и автоматически определять, что (в теории) должно обеспечить лучший аэродинамический профиль.

«Наша программа помогает создать модели, которые иногда на 5-20% более аэродинамичны обычных», — сказал Баке. «Но что еще более важно, такие модели можно использовать в определенных ситуациях, где не получается задействовать обычные. Формы, используемые при подготовке программы, могут сильно отличаться от стандартных для данного объекта. Это дает большую гибкость».

Это означает, что алгоритм не ограничивается небольшими вариациями установленных конструкций, но он также достаточно гибкий, чтобы заниматься и другими вопросами гидродинамики, такими как форма крыла, лопастей ветряной мельницы или автомобиля.

Технология разрослась в отдельную компанию Neural Concept, в которой Баке является генеральным директором. Она была представлена сегодня на Международной конференции по машинному обучению в Стокгольме.

Команда из Технологического института Университета Аннеси попытается применить компьютерную модель лично на World Human Speed ​​Speed ​​Challenge в Неваде в сентябре этого года. В конце концов, независимо от того, сколько в процессе задействовано компьютерной помощи, конечный результат все равно зависит от человека.

1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (2 оценок, среднее: 5,00 из 5)
Загрузка...

8 (800) 600-47-17

(Звонок бесплатный)

+7 (495) 790-47-17

info@sharespro.ru

109028, Москва, Малый Ивановский переулок 7/9с1

ИНН: 7716851037 КПП: 771601001 ОГРН: 1177746245610

8(800)600-47-17 +7 (495) 790-47-17 info@sharespro.ru
109028, Москва, Малый Ивановский переулок 7/9с1
ИНН: 7716851037 КПП: 771601001 ОГРН: 1177746245610
или
пройдите регистрацию


Авторизация
*
*



Регистрация
*
*
*

Я согласен получать рассылку по электронной почте

Я даю разрешение на использование своих персональных данных


Генерация пароля