🔰مجموعه ۲۲ قسمتی از کورس درسی با موضوع محاسبات کوانتومی
به زبان انگلیسی
▪️بخش : The postulates of quantum mechanics III: measurement
▫️زمان : 15
🔸قسمت 22
👤گردآورنده: رضاشعبانی
❇️❇️The end❇️❇️

🌿🍂 @Science4lifee

https://youtu.be/Amk46VKgaeg

‍ نقش مدرسه Bletchley Parkدر هدایت جنگ جهانی دوم و ساخت اولین کامپیوتر
در طول جنگ جهانی دوم انگلیسی ها متوجه نیاز خود به شکستن کدهای رمز آلمان نازی شدند .

آنها اقدام به گرداوری آوری نوجوانان 16 ساله با استعداد و آموزش شکستن کد به ایشان در مدرسه Bletchley Park کردند.که بعدها نسل جدید کد و دی کد کردن رمزها در این دوره بوجود آمد.
بدین ترتیب سازمان اطلاعاتی GCHQ بوجود آمد که اکنون نیز در کنار سازمانهای اطلاعاتی MI5 و MI6 وظیفه محافظت و مدیریت سازمان اطلاعات انگلستان را بر عهده دارد.
سازمان GCHQ پا را فراتر قرار داده و توانست به کمک داشمندی به نام آلن تورین اولین کامپیوتر جهان را ساخته و به کمک آن کدهای رمز آلمان نازی را بشکند.
این اختراع هدایت گر جنگ در سالهای 1943 بوده و نقش بسیار مهمی در پیروزی جنگ برای انگلستان و هم پیمانانش داشت.
همچنین این کامپیوتر گامی مهم در ساخت نسلهای بعد کامپیوتر بود .

MIKE NOBDY

قورباغه یک کرم شب تاب را خورده، اما هنوز نور شب تاب از درون بدنش دیده می شود.

www.reddit.com/r/NatureIsFuckingLit/comments/8sxf0j/this_frog_eating_fireflys/
🌿🍂 @science4lifee

‍ ⚜‍ نبوغ آلمانی
🌿🍂 @science4lifee

بمب V1 buzz/تسخیر فضا

در جنگ جهانی دوم آلمانها موفق به ساخت بمب پرنده خودکار ( امروزه با نام موشک کروز می شناسیم)شدند و قادر بودند لندن را بدین وسیله بمباران کنند که حاصل آن کشته شدن صدها هزار نفر بود.

بعدها و بعد از پایان جنگ جهانی دوم (1945) و تسخیر برلین گروه سازنده این بمبها توسط ایالات متحده به آلاباما آورده شدند و با رهبری وارنر وان برون توانستند راکتهای قدرتمندی بسازند که بعدها فضانوردان را به فضا و ماه برد.

تکنولوژی و نبوغ هم قادر به کشتار است و هم نجات دهنده و راه گشا برای زندگی بهتر انسان اما چگونگی استفاده آن اهمیت دارد.

👤MIKE NOBDY

🐷تغییر ژنتیکی برای مقاومت خوک ها در برابر بیماری های کشنده اکنون امکان پذیر است،اما آیا میتوان از گوشت آنها تغذیه کرد🤔؟

🌿🍂 @science4lifee
⚜نوعی ویروس موسوم به پی.ار.ار.اس که کابوس پرورش دهندگان خوک است،خوک های جوان را مورد حمله قرار می دهد و هر ساله ۲.۳ دلار آمریکا به مزرعه ها ضرر می رساند.
اما اکنون دانشمندان شیوه ی جدید دستکاری ژنتیکی را یافته‌اند که میتوان جلوی شیوع این بیماری کشنده را بگیرد.

🔰یک تیم از محققان با مهندسی ژنتیکی گونه‌ای از خوک ها را پرورش داده اند که در مقابل ویروس نامبرده «مخفف سندرم تنفسی و تناسلی خوکی» مقاوم است.،و برخلاف تلاش های پیشین برای مبارزه با ویروس های کشنده ، اشکالی در سلامت عمومی خوک ها بوجود نمی‌آید.

🔶این تازه ترین نمونه از دستکاری دقیق ژنتیکی است که میتوان در صنایع غذایی و کشاورزی بهره وری ایجاد کند.
اما محققان در عین حال ابراز می‌کنند که آزمایش ها و قوانین نویی باید بر مواد خوراکی دستکاری شده از لحاظ ژنتیکی حاکم شود، پیش از آنکه گوشت این خوک ها سرسفره مردم قرار بگیرد.

🔷یکی از اعضاء تیم تحقیقاتی ، کریستین-تیت-بورکارد از دانشگاه ادینبرگ بریتانیا می گوید : «پیش از هر چیز لازم است بحث و بررسی گسترده بر روی قابل پذیرش بودن دستکاری ژنتیکی در زنجیره غذایی ، و اطلاع رسانی به مسئولان در نحوه برنامه ریزی و تنظیم قوانین مربوط به این نوع مواد غذایی صورت گیرد.»

👤 مترجم : رضاشعبانی
🌿🍂 @science4lifee
♻️منبع :
https://www.sciencealert.com/genetic-engineering-pigs-are-resistant-to-prrs-disease-costing-billions?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+sciencealert-latestnews+%28ScienceAlert-Latest%29

💻 کامپیوتر های کوانتومی تهدیدی بزرگ برای امنیت اینترنت هستند.
🌿🍂 @science4lifee

▪️ اگر تمام آنچه که جهان داشت بادکنک های پر از آب بود، کسی که تفنگ آبپاش در دست داشت بر همه مسلط می شد. این اساساً همان وضعیتی است که با آمدن کامپیوتر های کوانتومی بوجود می‌آید.قدرت محاسبه آنها آنقدر زیاد است که می‌توانند در طول چندساعت مسئله هایی را حل کنند که کامپیوتر های امروزی در مدت چندین سال حل می‌کنند، به محض اینکه اولین کامپیوتر کوانتومی روشن شود هر اطلاعات کدگذاری در اینترنت براحتی قابل دسترسی است، مگر آنکه در مورد آن اقدامی کنیم.

◾️من دربان این دروازه ام ، آیا شاه کلید را در اختیار دارید⁉️
اگر یک پیام محرمانه بفرستید - خواه اطلاعات نظامی در مورد نیروهای دشمن باشد و خواه رمز کارت اعتباری برای خرید یک توستر باشد-باید آنرا کدگذاری کنید.، رمزگذاری (اینکریپشن) راهی برای تبدیل یک پیام به ذکر است بگونه‌ای که که فقط افراد یا واحد های دارای مجوز در شبکه بتوانند آنرا بخوانند و هیچ واحد دیگری نتواند آنرا شنود کند. برای انجام کدگذاری نیاز به یک کلید است یعنی همان الگوریتمی که پیام را به مجموعه درهم و برهمی از کارکترها تبدیل می کند، آنها فقط از طریق همان کلید مخصوص می توانند به پیام اصلی بازگردانی شوند.

◼️امروز در شبکه اینترنت دو نوع رمزگذاری بکار می‌رود ، رمزگذاری متقارن قدیمی ترین نوع آن است.در این روش تنها یک کلید هم برای رمزگذاری و هم برای رمزگذاری پیام بکار می‌رود،فرض کنید بیانس و جی.زی دوکاربر باشند، که میخواهند پیام محرمانه ای را بین خودشان مبادله کنند،با یک سیستم متقارن رمزگذاری بیانس و جی.زی یکدیگر را ملاقات میکنند و باهم بر سر یک کلید مخفی توافق میکنند که بعدا با آن پیام هایی را مبادله کنند بدون آنکه کسی بتواند آنرا بخواند.

⬛️اما ملاقات پیش از مبادله پیام امکان پذیر نیست ، و اگر شخص سومی (مثلا یکی) در همان ملاقات مخفیانه همه چیز را شنود کند؛اینجاست که رمزگذاری همگانی بکار می آید،در این روش از الگوریتمی برای ساختن کلید نامتقارن استفاده می‌شود ، بنابراین بیش از یک کلید بکار گرفته می‌شود.

▫️در این مورد بیانس به جی .زی در محیط عمومی می گوید که چگونه پیامش را رمزگذاری کند و برایش بفرستد، اما تنها او خواهد دانست چگونه آن را رمزگشایی کند . این روش کارامد است به این دلیل که برخی روندهای ریاضی به آسانی انجام می شوند، اما روند معکوس آنها به سختی امکان پذیر است. به عنوان نمونه، جی.زی می تواند دو عدد تام بزرگ را در هم ضرب کند و نتیجه را برای بیانس بفرستد، اما یک شنودگر (بکی!) کار سختی در پیش دارد که اعداد اولیه را از حاصلضریشان بیاید. در دنیای واقعی مسئله های مشکل که رمزنگاری همگانی به آن وابسته است، مسئله های زیر گروه مخفی نامیده می شوند .

◽️کوانتوم در راه است خب اکنون مشکل اینجاست: متخصصان پیش بینی می کنند به محض ورود و بکار افتادن کامپیوترهای کوانتومی، مسئله های زیر گروه مخفی بسرعت توسط آنها حل خواهد شد. دلیل آن اینست که کامپیوترهای امروزی اطلاعات را در بیت ها ذخیره می کنند و بیت های معمولی فقط می توانند یکی از دو مقدار ۰ یا ۱ ؛را اختیار کنند، بیت های کوانتومی یا کیوبیتها می توانند در حالت برهمهی هر یک از مقادیر ۰،۱ و یا هر مقدار بین آنها را اختیار کنند. این موضوع باعث می شود توان محاسباتی کامپیوترهای کوانتومی میلیونها برابر آن کامپیوتر هایی باشند که الگوریتم های رمزنگاری را می سازند.

◻️تاکنون هیچکس یک کامپیوتر کوانتومی نساخته است که کار مهمی انجام دهد، اما براوردی منطقی است که انتظار داشته باشیم بعد از ۲۰۲۵ آنها را در اختیار داشته باشیم. و مانند هر فن آوری نو، چنین نخواهد بود که ما بلافاصله کامپیوترهای کلاسیک را کنار بگذاریم تا به سراغ کامپیوترهای کوانتومی برویم، این فرایند زمان بر است و به همین علت رمزنگاری سنتی خطر آفرین خواهد بود. حتی اطلاعات رمز گذاری شده در گذشته هم در خطر خواهند بود. تانجا لانج محقق رمزنگاری از دانشگاه صنعتی آیندهوون هشدار می دهد : "مهاجمان سایبری می توانند اطلاعات رمز نگاری شدهی امروزی را ذخیره کنند و آنها را سالها بعد رمزگشایی کنند. تمام اطلاعات محرمانهی امروزی، در آن زمان محرمانه نخواهند بود."

⬜️اما جای امیدواری وجود دارد .لانج گروهی را راهنمایی می‌کند که در مورد رمزگذاری پساکوانتومی ، و یا باختصار رمزگذاری پ.ک تحقیق میکنند، تحقیقی که همفکری نبوغ آمیز از یازده شرکت و دانشگاه را در بردارد تا بدین طریق روش جدیدی برای رمزگذاری اطلاعات بیابند که در آن نیازی به پرداختن به مسئله گروه های مخفی نداشته باشد، این تحقیق بتازگی یعنی در سال ۲۰۱۵ شروع شده است و لانج میگوید ؛ ممکن است بیست سال طول بکشد تا این شیوه جدید رمزنگاری در دسترس کاربران قرار بگیرد ، اما بنظر می‌رسد چاره ی دیگری نباشد .
🌿🍂 @science4lifee

🔸محاسبات کوانتومی دارد از راه می رسد و لازم است برای آن آماده شویم.
👤مترجم : رضاشعبانی
🌿🍂 @science4lifee
♻️منبع :

https://curiosity.com/topicssuantum-computers-nosc-a-hi-threat-to-internet

🤚با درود به يكايك دوستان گرامي
ديدن چيست؟

✍ #دکتر_مانی_منوچهری
شما ابرنیرویی دارید به نام بینایی
Charles E. Connor
🌿🍂 @science4lifee
افرادی که بینایی نرمالی دارند، از یک قدرت فوق العاده برخوردارند.

در یک نگاه، با استفاده از قدرت بینایی می توانید بگویید کجا هستید، چه چیزهایی اطرافتان وجود دارد، چه اتفاقی در جریان است و چه چیزی قرار است اتفاق بیفتد.

شما بدون هیچ گونه تلاشی، ساختار سه بعدی دقیق اجسام را از فاصله چند میلی متری یا چند مایلی خودتان تشخیص می دهید.
با اسامی اجسام آشنا هستید، می دانید هر کدام چه ارزشی دارند، کهنه هستند یا نو، تازه یا فاسد و قوی یا ضعیف اند.

خواص مادی، مکانیکی و پرانرژي آنها را درک می کنید و این به شما امکان می دهد رویدادهای فیزیکی را با صحت خیلی زیادی پیش بینی کنید و در صورت تمایل، آن را تغییر دهید.

به طرز موثری می توانید ذهن دیگر انسان ها و حیوان ها را با تکیه بر تغییرات جزیی در خصوصیات چهره و وضعیت بدن شان بخوانید.

یک تصویر می تواند برای شما گویاتر از هزاران کلمه باشد.

به نظر می رسد همه این اطلاعات خارج از بدن شما در جریان اند؛ بلافصل و به راحتی در دسترس.

شناخت و درک چیزی که می بینید، کار بسیار کوچک و کم اهمیتی به نظر می رسد؛ فقط باید نگاه کنید!

ما در دیدن آن قدر خوب عمل می کنیم که به آن به چشم یک توانایی ارزشمند نگاه نمی کنیم.
علاوه بر این، ما در دنیایی زندگی می کنیم که در آن، بیشتر مردم به یک میزان از موهبت بینایی برخوردارند.

دیدن یک پدیده پیش پا افتاده است. دیگر انسان ها هم به همین ترتیبی می بینند که شما می بینید؛ و این مسئله مهمی نیست.

اما اجازه دهید شما را در خصوص این که بینایی چیز فوق العاده ای است، قانع کنم.

تصور کنید به دنیای مخلوقاتی باشعور و شبه انسان سفر می کنید که قدرت بینایی ندارند.
اسم آنها را می گذاریم گلوربون ها.

این مخلوقات از دیگر توانایی های حسی و حرکتی همچون هوش مقایسه ای برخوردارند.
آنها براساس لمس، شنوایی، چشایی و بویایی با محیط اطراف شان تعامل برقرار می کنند و آن را درک می کنند.

تصور کنید در چنین دنیایی، قدرت بینایی شما تا چه اندازه جادویی به نظر می رسد.

شما بدون توجه به فاصله، چیزهایی را که در خانه ها و شهرها وجود دارد به درستی و در لحظه توصیف می کنید؛ چیزهایی که آنها تا پیش از این فقط از طریق بررسی نزدیک و بسیار دشوار می شناختند حالا با توصیفات شما، به نظر فوق طبیعی می رسند.

حالا یک توانایی ماورایی دارید که به کمک آن می توانید رویدادهای فیزیکی مثلا طوفان را پیش بینی کنید.

توانایی شما در شناخت افراد از فاصله بسیار دور و درک وضعیت سلامتی، حس و حال، سن و نیت های شان قبل از این که حتی لب به سخن بگشایند، حالا مثل یک جادو به نظر می رسد.

شما یک ستاره هستید؛ می توانید جرائم مخفیانه و حمله مارها را پیش بینی کنید و صحت پیشگویی های شما غیرعادی و فوق العاده به نظر می رسد.

از نظر گلوربون ها، شما قدرت و دانش غیرقابل توضیح و خداگونه ای دارید.
🌿🍂 @science4lifee

شما سعی می کنید به گلوربون ها بیاموزید که قوه بینایی چه طور کار می کند و به این ترتیب خود را از این موقعیت رازگونه خلاص کنید.
با اطلاعات دست و پا شکسته ای که از فیزیک دبیرستان به یادتان مانده توضیح می دهید که بینایی براساس فوتون ها کار می کند؛ ذرات یا شاید امواجی که مطلقا وزنی ندارند و با سرعت یک میلیارد پا در ثانیه در فضا حرکت می کنند.

البته فوتون برای گلوربون ها همان قدر قابل درک است که میدی-كلريان براي ما.

اما شما به تلاش تان ادامه می دهید؛ به آنها می گویید که چه طور مسیر عبور فوتون ها ضمن عبور از عدسی درون چشم تان، می شکند تا یک تصویر بسازد؛ یک نقشه دو بعدی که در آن هر نقطه از شبکیه چشم- لایه ای از سلول های حساس به نور در پشت چشم- فقط و فقط فوتون هایی را که از جهت مرتبط می آیند، دریافت می کند.
گلوربون ها پاسخ می دهند «بسیار خوب، پس نقش تو این میان چیست؟» و تو جواب می دهی» «خب، بعد از آن من هر چیزی را که در تصویر هست می بینم».

اما گلوربون ها نمی فهمند «دیدن» چیست.
و وقتی می خواهید برایشان توضیح دهید، کم کم درک می کنید که خودتان هم نمی دانید دیدن واقعا چیست.
دیدن کاری است که هر لحظه می کنید اما هیچ وقت درباره آن فکر نمی کنید و نمی دانید چه طور می بینید. حتی از نظر شما، همیشه چیز شگفت انگیز و رازآلودی در مورد بینایی وجود دارد.

به گلوربون ها قول می دهید که به زودی بازخواهید گشت. بعد به زمین برمی گردید؛ جایی که مطمئنید دانشمندان می توانند توضیح دهند که دیدن واقعا چیست.

ایتدا، براساس مطالبی که به تازگی در مورد شبکه های عصبی پیچشی خوانده اید (شبیه سازی کامپیوتری واحدهای عصبی که به شدت به هم پیوسته اند)، با پروفسور Y که متخصص دید کامپیوتری است مشورت می کنید.
برایش توضییح می دهید که شناساندن این مفهوم به گلوربون ها چه قدر برای تان سخت بوده است.
او اظهار تاسف می کند و به شما می گوید که بینایی یکی از مشکل ترین مسائل در علوم کامپیوتر است.
او نمای کلی یکی از پروژه های موسسه فناوری ماساچوست (MIT) را در دهه 1970 به شما نشان می دهد که پیش بینی می کرد می توان الگوریتم های کامپیوتری طراحی کرد که اجسام را در داخل تصاویر تشخیص دهند.
او اضافه می کند حالا بعد از گذشت پنجاه سال، این موضوع هنوز هم یک مسئله حل نشده باقی مانده است.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee

شما می گویید اما شبکه های پیچشی در نهایت توانسته اند قابلیت بینایی انسان را شبیه سازی کنند؟
پروفسور Y لبخند می زند و شما را به آزمایشگاهش می برد تا AlexNet ببینید که یک شبکه کامیپوتری استاندارد عمیق فعال است.
بعد تصویری از یک پنگوئن با خودش می آورد که در فضایی پر از برف ایستاده است.

در پشت زمینه ، دیگر پنگوئن ها و کوهستان های برفی به چشم می خورد.

شبکه دور پنگوئن خط می کشد و تشخیص می دهد که این تصویر به احتمال هفتاد درصد مربوط به یک پرنده است.
با خودت فکر می کنی خب بدک نیست، هرچند شخصا با احتمال 100 می گویید که این یک پنگوئن است؛ اصلا شکی نیست، با آن منقار سیاه، چشم های سیاه گرد که در دو سمت سرش قرار گرفته اند. با آن شکم کرک دار که با وجود آن هم برف در آن اطراف خیلی گرم به نظر می رسد. آن بال های خیلی کوتاه احمقانه که در شنا واقعا ماهرانه عمل می کنند و بدن گلابی شکل اش که جای هیچ شک و تردیدی به جا نمی گذارد و پاهای سیاه پردار پنگوئن که تقریبا به طور زیر بدن پنهان اند.

سپس پروفسور Y یک مانیتور کامپیوتری به تصویر اضافه می کند، درست نزدیک پنگوئن.
شما به این تصویر بی تناسب پیتونی می خندید اما بعد متوجه می شوید که شبکه، پنگوئن را با احتمال 70 درصد، یک شخص می داند.
چه طور چنین چیزی ممکن است؛ این تصویر مشخصا یک پنگوئن است.
اصلا شبیه یک انسان به نظر نمی رسد.

پروفسور Y توضیح می دهد که موفق ترین برنامه تشخیص اجسام چه طور کار می کند.
او می گوید که این برنامه هر جز راهنما از تصویر را با منابع آماری اش مقایسه می کند تا بهترین حدس را بزند.
اما شما می گویید پس منقار، شکم، بال ها... و بعد در می یابید AlexNet درباره ماهیت فیزیکی پنگوئن ها آن چنان اطلاعات کاملی ندارد تا آن را با چیز دیگری اشتباه نگیرد.
در عوض، AlexNet از ساده ترین و قابل اعتمادترین نشانه های تصویر استفاده می کند تا آن را تشخیص دهد.

درک دقیق و جامعی که شما از اطلاعات مربوط به پنگوئن دارید بسیار بیشتر از آن چیزی است که تحت شرایط معمولی، برای تشخیص صرف به آن نیاز دارید (اما اگر بخواهید پنگوئن ها، ماهیت فیزیکی آنها، سازش های فرگشتي و رفتارشان را درک کنید، مطمئنا به کارتان می آیند).

واضح است که ضمن خروج از آزمایشگاه با خودتان فکر می کنید بینایی چیزی بیش از تشخیص صرف است.

به کسی نیاز دارید که بینایی انسان را به خوبی بشناسد پس با پروفسور Z مشورت می کنید که یک دانشمند عصب بینایی است.
به او می گویید دوست دارید بدانید بینایی انسان چه طور کار می کند. به معنای پیچیده و دقیق آن نه فقط شناسایی.

او در مورد تحقیقاتی که در طی شصت سال اخیر در زمینه پردازش تصویری در سطح بسیار بالا انجام گرفته، اطلاعات باارزشی دارد که با شما به اشتراک می گذارد.
ابتدا درباره آناتومی توضیح می دهد و می گوید در نخستی ها (از جمله انسان ها)، احتمالا نیمی از قشر مغز به نحوی به بینایی مرتبط است.

قشر بینایی اولیه در پشت مغز قرار گرفته و اطلاعات بینایی که توسط شبکیه تشخیص داده شده و پردازش شده اند، دریافت می کند .
اطلاعات پس از شبکیه به یک ساختار میانی به نام تالاموس منتقل می شوند و وقتی وارد قشر بینایی اولیه می شوند، تازه اول کار است.
اطلاعات از قشر بینایی اولیه در بین هزاران ناحیه مغزی دیگر که جنبه های مختلف بینایی را پوشش می دهند، منتشر می شود.
برای تشخیص اجسام، صحنه ها، چهره ها، بدن ها، حرکات و رنگ ها نواحی ویژه ای از مغز به طور اختصاصی وارد عمل می شوند.
نواحی مربوط به حرکت، از بینایی استفاده می کنند تا بفهمند در مرحله بعد به کجا باید نگاه کرد، در جهان چه طور می توان راهیابی کرد، چه طور میتوان به اجسام نزدیک شد و آنها را گرفت.

نواحی مربوط به احساسات و هیجانات از اطلاعات بینایی استفاده می کنند تا میزان ارزشمندی یا خطرناک بودن هر چیزی را ارزیابی کنند.
اطلاعات در قشر پیش-پیشانی در حافظه کوتاه، به مدت چند ثانیه مدت ذخیره می شوند. در قشر گیجگاهی، اطلاعات بینایی در تمام مدت عمر، در حافظه طولانی مدت ذخیره می شوند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee

حالا جالب شد. با وجود نیمی از قشر مغز که در هر لحظه بر روی بینایی کار می کنند، هیچ تعجبی ندارد که چرا تجربه بینایی این همه غنی و سرشار از اطلاعات است

(پروفسور Z به شما اطمینان می دهد که عبارت معروف «شما فقط از 10 درصد از توانایی مغزتان استفاده می کنید» اصلا درست نیست). اما شما می گویيد همه این ها مربوط به این است که بینایی در کجا روی می دهد.
چیزی که من واقعا می خواهم بدانم این است که بینایی چه طور کار می کند. «آه، سوال 64000 دلاری...خب این خیلی پیچیده است.
در این زمینه موفقیت های کمی داشته ایم.

احتمالا بیشترین چیزی که می دانیم در مورد درک حرکات در بینایی است.

این که چه طور گروه نورون ها، جهت و سرعت حرکت را پیام رسانی می کنند». اوه، مثلا این که چه طور رقص باله را درک می کنیم؟ «نه کاملا، بیشتر در مورد این که بفهمیم یک سری نقطه به سمت راست حرکت می کنند یا چپ».

در مورد هنرهای ظریف چه طور. چه طور از نگاه کردن به نقاشيهاي فرمیر این همه لذت می برم؟ «ما بیت ها و قطعات کوچک را شناسایی کرده ایم-پیام های عصبی مربوط به مرزها، رنگ ها و سطوح سه بعدی- اما هنوز نمی  دانیم همه این ها در کنار هم چه طور کار می کنند؟
باید خدا باشی تا بتوانی هر یک از نورون های مغز را بسنجی و بفهمی به یکدیگر چه می گویند».
افسرده و غمگین دور می شوید و به این نتیجه می رسد که علم اعصاب بینایی پر از سوالات عمیق و پاسخ های ناامیدکننده است.
بینایی یک قدرت فوق العاده است که تا به امروز در هاله ای از راز باقی مانده است.

گلوربون ها مجبورند حالا حالاها منتظر بمانند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee

با درود به انديشمندان گرامي

امروز باهم مرور ميكنيم نظري موافق در جهت تبديل هوش مصنوعي به ذهن شبه انسان را فردا نظري مخالف را بررسي ميكنيم
✍ #دکتر_مانی_منوچهری
هیچ قاعده‌ای وجود ندارد که در نهایت ما را از ساختن ماشین‌های متفکر منع کند
Micheal D. Mauk
🔰ذهن‌های مصنوعی تمام التهاب موجود در کتاب‌ها و فیلم‌ها هستند.
شهرت شخصیت‌هایی مانند فرمانده اطلاعات در استار ترک Star Trek نسل بعدی نشان می‌دهد که چقدر از امکان وجود ماشین‌های متفکر لذت می‌بریم.

این ایده با در نظر گرفتن هوش‌های مصنوعی موجود در دنیای واقعی مانند پیروزی کامپیوتر Deep Blue بر قهرمان شطرنج گری کاسپارف و برتری کامپیوتری در شوی تلویزیونی جئوپاردی توجه بیشتری جلب می‌کنند. در حالی که پیروزی در این تلاش‌های کاملا تعریف شده مانند این بازی‌ها کاملا شگفت‌انگیز است، وجود ماشینی با ذهن شبه-انسان بسیار دور به نظر می‌رسد.

چیز مورد نیاز برای پر کردن این شکاف بسیار ساده است: در اکثر موارد کار سخت.

تا کنون هیچ قانون اساسی وجود نداشته که مانع ساخت هوش مصنوعی شود.

در عوض مطالعات علم عصب شناسی بسیاری از قوانین ضروری مرتبط با چگونگی کار مغز را آشکار کرده است و پروژه‌های وسیع «اتصال» ممکن است به زودی نمودار شبکه سیم‌کشی مغز انسان را در لحظات خاصی از زمان به طور کامل ارائه دهند.
بله هنوز جزئیات زیادی برای کشف کردن وجود دارند و برای فهم این هدف، سرعت و ظرفیت کامپیوترها باید فرای سطح شگفت‌انگیز کنونی رشد کنند.
با این حال هیچ مانع نظری (نبود قانون بزرگ واحد) در مسیرمان وجود ندارد (اما مقاله نیکوللیس را برای نظریه مخالف فردا ارائه خواهم كرد: ماني).

هدف من در اینجا ملموس‌تر و شهودی‌تر کردن ادعایم است، در این حین نشان می‌دهم که تحقیقات چگونه با بازآفرینی پردازش سیستم مغز به پیشرفت درکمان از ذهن و خودمان کمک می‌کنند.

بدبینی در مورد درک یا تقلید مغز انسان با حسی از وسعت و پیچیدگی مغز آغاز می‌شود.
مغز‌های ما از حدود هشتاد و شش میلیارد نورون تشکیل شده که به هم متصل شده‌اند تا یک شبکه عظیم شامل تقریبا يكصد تریلیون اتصال را شکل بدهند، این اتصالات سیناپس نام دارند.

مانند هر دستگاه محاسبه دیگر، درک مغز شامل مشخص کردن ویژگی‌های اجزای اصلی آن (نورون‌ها)، ماهیت ارتباط‌شان (سیناپس) و الگوی اتصال‌شان (نمودار سیم‌کشی) است.
البته اعداد گیج کننده هستند، اما تبعیت نورون‌ها و ارتباطات‌شان از قوانینی محدود و قابل فهم ضروری است.
هشتاد و شش میلیارد نورون موجود در مغز انسان با تغییراتی طبق یک برنامه ساده کار می‌کنند.
هر کدام یک پالس (تكانه)الکتریکی تولید می‌کنند که از آکسون‌های سیم مانند به سیناپس‌ها پخش می‌شوند، جایی که سیگنال شیمیایی را به دیگر نورون‌های متصل به آن فعال می‌کنند.

ماهیت یک نورون این است: سیگنال‌های شیمیایی را از دیگر نورون‌ها دریافت می‌کند و سپس سیگنال الکتریکی خودش را پخش می‌کند، این سیگنال الکتریکی بر اساس قوانین پیاده‌سازی شده توسط فیزیولوژی خاصش است.
در چرخه‌ی سیگنالی، این سیگنال‌های الکتریکی در سیناپس بعدی به سیگنال‌های شیمیایی تبدیل می‌شوند.

این نکته به این معنی است که  ما وقتی می‌توانیم بفهمیم که یک نورون چه‌کار می‌کند که بتوانیم قوانینش را در تبدیل ورودی به خروجی توضیح دهیم، به بیان دیگر ما می‌توانیم عملکردش را با وسیله‌ای تقلید کنیم که بتوان روی آن قوانین یکسانی را پیاده سازی کرد.

بسته به این‌که با چه دقتی طبقه‌بندی کنیم، در حدود صدها (نه ده‌ها، نه هزاران) نوع نورون وجود دارد.
بنابراین تعیین منطقی و دقیق شرحی از قوانین ورودی-خروجی برای هر نوع نورون خیلی دلهره‌آور نیست.
در حقیقت پیشرفت‌های خوبی در این زمینه انجام شده است.
🌿🍂 @science4lifee

ارتباط سیناپسی بین نورون‌ها چه؟

به نظر می‌رسد هیچ مانعی برای درک این ساختارها وجود نداشته باشد. مبانی حاکم بر چگونگی کارشان کاملا درک شده‌اند.

سیناپس‌ها حاوی میکروماشین‌هایی با پایه پروتئین هستند که می‌توانند سیگنال‌های الکتریکی پخش شده توسط نورون‌ها را به آزادسازی مقادیر بسیار کوچکی از مواد انتقال دهنده عصبی به شکاف کوچک بین دو نورون متصل به هم تبدیل کنند.

پیوند مولکول‌های انتقال دهنده عصبی به نورون دریافت‌کننده، سیگنال‌های الکتریکی موجود در آن نورون را به سمت فعالیت‌ جهشی‌تر (ارتباط انگیزاننده) یا به سمت فعالیت کمتر جهشی (ارتباط بازدارنده) حرکت می‌دهد.

جزئیات بسیاری درباره انواع مختلف سیناپس باقی می‌ماند، اما این وظیفه قابل مدیریت است و با موانع بزرگ نظری یا لجستیکی روبرو نیست.

در زمان مناسب، درک ما از نوع سیناپس باید تواناییش در تغییر مداوم ویژگی‌هایش هنگامی که الگوی خاصی از فعالیت‌ها اتفاق می‌افتد را نیز شامل شود.

این تغییرات که به طور کلی به عنوان انعطاف‌پذیری سیناپس معروفند، می‌توانند یک نورون را وادار کنند تا تاثیر کمتر یا بیشتری روی نورونی که به آن متصل است داشته باشد.

این‌ها واسطه یادگیری و حافظه هستند، حافظه ما توسط الگوهای خاصی از قدرت چندین تریلیون سیناپس موجود در مغزمان ذخیره می‌شوند.

این نکته حائز اهمیت است که نیاز نداریم تمامی جزئیات مولکولی از چگونگی انعطاف‌پذیری را بدانیم.

برای ساخت یک سیناپس مصنوعی مناسب، فقط نیاز داریم که قوانین حاکم بر انعطاف‌پذیریش را درک کنیم.

حتی با وجود هشتاد و شش میلیارد نورون هم انواع نورون‌ها و تعداد قوانین انعطاف‌پذیری‌شان محدود و قابل درک است.

ساخت ورژن مصنوعی از هر نوع نورون کاری کاملا شدنی است، چه به حالت وسیله فیزیکی مانند چیپ یا زیرروال نرم‌افزاری.

در هر دو حالت این نورون‌های مصنوعی می‌توانند الگوهای خاصی از ورودی را در سیناپس‌های ساختگی‌شان دریافت کرده و الگوی مناسب خروجی را بازگردانند.

تا زمانی که هر نورون مصنوعی، خروجی درست را برای هر الگویی از ورودی‌ها تولید کند که ورژن اصلی هم ممکن است دریافت کند، عناصر سازنده مورد نیاز برای ساخت مغز مصنوعی را در اختیار داریم.

با وجود پیچیدگی گسترده هر نمودار سیمی مغز، حتی با تعداد قابل مدیریتی از انواع نورون هم تصور این‌که پیچیدگی زیادی خارج از درک ما وجود دارد کار آسانی است.

با این حال دلایلی وجود دارند که می‌توان باور کرد پیچیدگی قابل مهار هستند.

ارتباطات بین نورون‌ها تصادفی نیستند. بلکه از قوانینی پیروی می‌کنند که به آسانی قابل شناسایی هستند.
برای مثال در قسمتی از مغز به نام قشر مخچه(cerebellar cortex)، نوعی نورون به نام سلول گلژي از آکسون‌های زیادی به نام mossy fibersو همچنین از آکسون‌های granule cells سیناپس دریافت می‌کند.

اینطور که به نظر می‌رسد سلول‌های گلژي همچنین می‌توانند آکسون‌ها را گسترش داده و سیناپس‌هایی را برای منع سلول‌های گلژي مجاور بسازند (همچنین سلول‌های مقابل: آن‌ها توسط همسایه‌شان منع می‌شوند). با این اطلاعات می‌توانیم سلول‌های گلژي یک مغز مصنوعی را به هم متصل کنیم.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee

تفاوت‌های مهمی بین ساخت یک مغز و ساخت مغز یک فرد خاص وجود دارد.

ما فقط وقتی نیاز داریم تمام ارتباطات خاص را بدانیم که بخواهیم کپی شخص خاصی را بسازیم.  

ارتباطات خاص شما با من فرق دارد، به همین دلیل است که ما رفتارها، عکس‌العمل‌ها و تمایلات متفاوتی داریم و مخصوصا به همین دلیل است که خاطرات متفاوتی داریم.

اما ارتباطات مغز شما و من تولید شده‌اند، این ارتباطات در رحم شروع شده و در تمام زندگی ادامه دارند، از مجموعه قوانین یکسانی پیروی می‌کنند و با تجارب هر فرد همراه هستند.
اگر می‌خواستیم کپی از مغز شما یا خودم بسازیم، باید در مورد صدها تریلیون ارتباط خاص و ویژگی‌های همراه‌شان اطلاع می‌داشتیم و می‌توانستیم نقشه‌ای از تمامش تولید کنیم.

اما اگر فقط بخواهیم مغزی مشابه انسان بسازیم که عکس‌العمل‌ها و تمایلات خودش را داشته باشد، فقط باید قوانین اساسی را دنبال کنیم تا ارتباطات را بسازیم.

این موضوع در مورد انعطاف‌پذیری سیناپسی و خاطرات نیز صدق می‌کند.

اگر بخواهیم یک انسان را با خاطرات خاص خودش کپی کنیم، نه تنها باید همه ارتباطات خاصش را بگیریم بلکه قدرت هر رابطه نیز باید در نظر گرفته شود. اگر بخواهیم انسانی بسازیم که در طول زمان خاطرات و شخصیت خودش را بسازد، فقط نیاز داریم قوانین مناسب برای انعطاف‌پذیری در هر نوع سیناپس را بسازیم.

این کار خیلی قابل انجام‌تر از ساخت داده‌های سیناپس به سیناپس خاص است که برای ساخت ورژن مصنوعی یک فرد خاص نیاز داریم (در یک زمان مشخص در زندگی فرد).
حتی بعد از در نظر گرفتن چگونگی شکستن پیچیدگی گسترده مغز به تکه‌های قابل مدیریت، فهم چگونگی ارتباط این‌ها به رفتار، درک، احساس و خاطرات کار سختی است.

اینجا جایی است که درگیر شدن در تجارب فکری می‌تواند مفید باشد.
آن‌ها تجارب فکری هستند چون نمی‌توانیم واقعا انجام‌شان دهیم، چون یا شدنی نیستند یا از دست‌مان بر نمی‌آیند و یا هر چیز دیگر.
اما فرایند تصویر سازی آن‌ها و نتایج احتمالی‌شان می‌تواند مفید باشد.

اينشتین به شکل مشهوری از تجارب فکری درباره این‌که سفر روی پرتو نور چگونه خواهد بود استفاده می‌کرد تا نظراتش را روی نسبیت خاص بسط دهد.

خوشبختانه نیاز نیست انیشتین باشیم تا از تجارب فکری درباره چگونگی تفکر در مغز استفاده کنیم.
بهتر است ساده شروع کنیم، پس بیایید یک عکس‌العمل پایه‌ای را در نظر بگیریم، مانند پلک زدن چشم که در نتیجه لمس پوست اطراف چشم‌تان توسط چیزی اتفاق می‌افتد.

لمس باعث فعالیت در نورون‌های حسی می‌شود که انتهایشان در پوست است و آکسون‌هایشان را به ساقه مغز می‌فرستند، جایی که دیگر نورون‌ها را از طریق سیناپس‌های جهشی فعال می‌کنند. آن نورون‌ها در عوض نوع دیگری از نورون‌ها را به نام نورون حرکتی فعال می‌کنند که به ماهیچه‌های پلک فرستاده شده و باعث پلک زدن واکنشی می‌شود.

فرض کنید توانایی فنی برای ساخت دستگاه‌های مصنوعی را داشتیم که به اندازه کافی کوچک بودند تا جایگزین هر یک از این نورون‌ها در عکس‌العمل شوند.

آن‌ها ورودی را دریافت می‌کردند و بر اساس قوانین کاملا مشابه مانند سه نوع نورون موجود در این عکس‌العمل خروجی را تولید می‌کردند.
وقتی پیاده‌سازی انجام می‌گرفت، عکس‌العمل دقیقا به همان گونه‌ای می‌شد که در نورون‌های واقعی بود: لمس پوست باعث ایجاد پلک زدن واکنشی می‌شود که از پلک زدن نرمال قابل تشخیص نیست.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee

وقتی چیزی را می‌بینیم، فرایند نورونی بنیادیش ضرورتا مشابه عکس‌العمل پلک زدن است، فقظ خیلی پیچیده‌تر از آن است.

سلول‌های گیرنده نور در شبکیه چشم الگوهای نور را جذب می‌کنند و از طریق شبکیه نورونی در شبکیه آن‌ها را به سیگنال‌های الکتریکی تبدیل می‌کنند که در نهایت توسط عصب بینایی به مغز فرستاده می‌شوند.
در آنجا بر اساس الگوی ورودی‌هایی که دریافت می‌کنند و قوانینی که هر نورون برای تبدیل ورودی به خروجی استفاده می‌کند، چندین لایه از نورون‌ها فعال یا منع می‌شوند.
این خروجی‌ها توسط آکسون‌ها و سیناپس‌ها حمل می‌شوند و برای دیگر بخش‌های مغز تبدیل به ورودی می‌شوند، جایی که فعالیت نورون چیزهایی مانند درک یا عکس‌العمل به صحنه‌های تصویری را کنترل می‌کند.
اگر همان فناوری نورون مصنوعی را در این شبکه بسیار پیچیده‌تر بکار بگیریم، نتایج یکسان خواهد بود.
درک ما از یک صحنه تصویری بعد از جایگزینی نورون‌های زیستی با نورون‌های مصنوعی یکسان خواهد بود.

الگوهای فعالیت یکسان خواهند بود و خروجی‌ها یکسان خواهند بود، حتی اگر فرایندهای پایه‌ای که فعالیت را در نورون‌های مصنوعی تولید می‌کنند کاملا با نورون‌های طبیعی متفاوت باشند.

حالا تصور کنید که تکنولوژی ما اینقدر پیشرفته نباشد.
می‌توانیم نورون‌های مصنوعی بسازیم اما نمی‌توانیم آنقدر کوچک بسازیم‌شان که در مغز جا بگیرند.
کاری که می‌توانیم به جایش بکنیم ساختن دستگاه‌هایی است که می‌توانند آزاد شدن انتقال دهنده‌های عصبی را حس کرده (از نورون‌های واقعی یا نورون‌های مصنوعی دیگر) و می‌توانند انتقال دهنده‌هایی را به عنوان خروجی به دیگر نورون‌ها (چه طبیعی یا مصنوعی) آزاد کنند.

با این حال زمانی را فرض کنید که پردازش قوانین در خروجی‌های تولید شده که مجموعه خاصی از ورودی‌ها به آن‌ها داده شده نتوانند وارد این دستگاه فیزیکی شوند.
پس این پردازش باید در کامپیوتر انجام شود، این پردازش با سیگنال‌های وایرلسی انجام می‌گیرد که بین این کامپیوتر و دستگاه پیاده سازی شده، توسط خطوط بلوتوث بسیار پیشرفته‌ای رد و بدل شوند.

این تجربه فکری نشان می‌دهد که حتی با وجود پردازش واقعی از این راه هم جریان اطلاعات از طریق شبکه می‌تواند یکسان باشد.
هر نورون ساخته شده دقیقا طبق همان الگویی فعال می‌شود که نورون‌های واقعی فعال می‌شوند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee

با این روش اگر بتوانیم یک وسیله مصنوعی به جای هر نورون در مغز جایگزین کنیم که قوانین یکسانی را با سرعت یکسان در مغز پیاده سازی کنند، دلیلی وجود ندارد که انتظار داشته باشیم رفتار آن فرد یا درک آگاهانه‌اش با چنین مغزی متفاوت باشد.

علاوه بر این هر دستگاه محاسبه مصنوعی که بتوان ساخت می‌تواند در یک برنامه کامپیوتری پیاده سازی شود.
این موضوع به این معنی است که در نهایت قادریم بزرگ‌ترین آزمایش تاریخ را انجام دهیم یعنی انتقال چیزی که از مغز می‌دانیم به تولید یک برنامه کامپیوتری که ذهن را پیاده سازی می‌کند.

اگرچه ضروری است بدانیم که این برنامه بیشتر از یک مغز نیاز دارد.
مغزها باید تجلی پیدا کنند تا ورودی‌های عظیمی را دریافت کنند که بدن ما به مغزمان می‌فرستد.
با عدول از دنیای رمزی تجربه فکری، دانشمندان علوم اعصاب در حال ساختن شبیه ساز کامپیوتری از قسمت‌های مختلف مغز هستند.
آن‌ها زیرروال‌هایی ساختند که قوانین ورودی/خروجی نورون‌های واقعی را پیاده سازی می‌کند.
این زیرروال‌ها در قسمت‌هایی از حافظه کامپیوتر تفکیک می‌شوند.
تفکیک قسمت‌های زیادی از حافظه برای شبیه سازی سیستم مغز ضروری است.

هر کدام از این قسمت‌ها به کپی متفاوتی از آن نوع نورون اختصاص داده می‌شوند.

پیوستگی بین این نورون‌ها با ذخیره سازی هویت نورون‌های دیگری که به هر نورون متصل است، در این قسمت‌های حافظه پیاده سازی می‌شوند.
با این ترتیب، هر بار که یک نورون مصنوعی خروجی تولید می‌کند، قسمت‌هایی از حافظه که جریان سرازیر نورون‌ها را نگه می‌دارند می‌توانند آگاه شوند تا پردازش فعالیت‌های آن نورون‌ها بتواند به روز رسانی شود.
چنین شبیه سازی می‌تواند برای دانشمندان اعصاب بسیار مفید باشد.

آن‌ها کمک می‌کنند تا چیزهایی را که در موقع شکست‌شان نمی‌دانیم شناسایی کنیم و به ما کمک می‌کنند چگونگی کار چیزها را بفهمیم و در مواقعی که درست کار می‌کنند به ضروری‌ترین آزمایش‌های جدید فکر کنیم.

به این ترتیب، آزمایشات می‌توانند به شبیه سازی کمک کرده و آن را بهتر کنند، حتی وقتی که شبیه سازی بتواند به طرح و درک آزمایش کمک کند.

احتمالا تا ساخت ذهن‌های مصنوعی خیلی فاصله داریم.
و در این راه مجبوریم با مسائل اخلاقی در مورد چگونگی رفتار با این موجودات ساخته نبوغ‌مان مواجه شویم.

اما برخلاف گرانش کوانتومی یا پرواز به دیگر کهکشان‌ها، هیچ مانع نظری سر راه‌مان قرار ندارد.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
اما همينجا بد نيست مقايسه اي از مغز و كامپيوتر را با هم مرور كنيم.

قدرت محاسباتی مغز برگرفته از ساختار به شدت موازی اش است
Liqun luo
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee