చేతివ్రాతను గుర్తించే న్యూరల్ నెట్‌వర్క్‌ల సామర్థ్యం గురించి మనందరికీ తెలుసు. ఈ సాంకేతికత యొక్క ప్రాథమిక అంశాలు చాలా సంవత్సరాలుగా ఉన్నాయి, అయితే కంప్యూటింగ్ శక్తి మరియు సమాంతర ప్రాసెసింగ్‌లో పురోగతి ఈ సాంకేతికతను చాలా ఆచరణాత్మక పరిష్కారంగా మార్చింది. అయితే, ఈ ప్రాక్టికల్ సొల్యూషన్, దాని ప్రధాన భాగంలో, ఏదైనా ఇతర ప్రోగ్రామ్‌ను అమలు చేస్తున్నప్పుడు మాదిరిగానే బిట్‌లను చాలాసార్లు మార్చే డిజిటల్ కంప్యూటర్ ద్వారా ప్రాతినిధ్యం వహిస్తుంది. కానీ విస్కాన్సిన్, MIT మరియు కొలంబియా విశ్వవిద్యాలయాల పరిశోధకులు అభివృద్ధి చేసిన న్యూరల్ నెట్‌వర్క్ విషయంలో, విషయాలు భిన్నంగా ఉంటాయి. వాళ్ళు .
ఈ గ్లాస్‌లో గాలి బుడగలు, గ్రాఫేన్ మలినాలు మరియు ఇతర పదార్థాలు వంటి ఖచ్చితమైన స్థానాలు చేర్చబడ్డాయి. కాంతి గాజును తాకినప్పుడు, సంక్లిష్టమైన తరంగ నమూనాలు ఏర్పడతాయి, దీని వలన కాంతి పది ప్రాంతాలలో ఒకదానిలో మరింత తీవ్రంగా మారుతుంది. ఈ ప్రాంతాలలో ప్రతి ఒక్కటి ఒక సంఖ్యకు అనుగుణంగా ఉంటాయి. ఉదాహరణకు, "రెండు" సంఖ్యను గుర్తించినప్పుడు కాంతి ఎలా ప్రచారం చేయబడుతుందో చూపే రెండు ఉదాహరణలు క్రింద ఉన్నాయి.
5000 చిత్రాల శిక్షణా సెట్‌తో, న్యూరల్ నెట్‌వర్క్ 79 ఇన్‌పుట్ చిత్రాలలో 1000% సరిగ్గా గుర్తించగలదు. గాజు ఉత్పత్తి ప్రక్రియ వల్ల ఏర్పడే పరిమితులను అధిగమించగలిగితే ఫలితం మెరుగుపడుతుందని బృందం అభిప్రాయపడింది. వారు పని చేసే నమూనాను పొందడానికి పరికరం యొక్క చాలా పరిమిత రూపకల్పనతో ప్రారంభించారు. తరువాత, వారు సాంకేతికతను అతిగా క్లిష్టతరం చేయకుండా ప్రయత్నిస్తున్నప్పుడు, గుర్తింపు నాణ్యతను మెరుగుపరచడానికి వివిధ మార్గాలను అన్వేషించడం కొనసాగించాలని ప్లాన్ చేస్తారు, తద్వారా అది ఉత్పత్తిలో ఉపయోగించబడుతుంది. గ్లాస్‌లో XNUMXడి న్యూరల్ నెట్‌వర్క్‌ను నిర్మించాలని కూడా బృందం ప్లాన్ చేస్తోంది.
మూలం: www.habr.com