- Перспективы беспилотных лабораторий в области синтетической биологии(arXiv)
Автор:: Гектор Гарсия Мартин, Тияна Радивоевич, Джереми Цукер, Кристофер Бушар, Джесс Сустарич, Шон Пейзерт, Дэн Арнольд, Натан Хиллсон , Дьёрдь Бабнигг, Хосе Мануэль Марти, Кристофер Дж. Мангалл, Грегг Т. Бекхэм, Лукас Вальдбургер, Джеймс Карозерс, ШивШанкар Сундарам, Деб Агарвал, Блейк А. Симмонс, Тайлер Бэкман, Дипанвита Банерджи, Дипти Танджор, Лаванья Рамакришнан, Ануп Сингх
Выдержка .Беспилотные лаборатории (SDL) объединяют полностью автоматизированные эксперименты с искусственным интеллектом (ИИ), который определяет следующий набор экспериментов. В своем окончательном выражении SDL могут открыть новую парадигму научных исследований, в которой мир исследуется, интерпретируется и объясняется машинами для пользы человека. Хотя в области химии и материаловедения существуют действующие SDL, мы утверждаем, что синтетическая биология предоставляет уникальную возможность, поскольку геном предоставляет единую мишень для воздействия на невероятно широкий репертуар биологического поведения клеток. Однако уровень инвестиций, необходимых для создания биологических SDL, оправдан только в том случае, если он направлен на решение сложных и важных биологических вопросов. Здесь мы обсуждаем проблемы и возможности в создании SDL для синтетической биологии.
2.Развертывание многозадачной сети на пограничных устройствах для самостоятельной работы(arXiv)
Автор:Шохрух Миралиев, Шахбоз Абдигаппоров, Джумабек Алиханов, Вижай Какани, Хакил Ким
Вывод:безопасная и надежная система автономного вождения опирается на точное восприятие окружающей среды в сценариях, ориентированных на приложения. В этом документе предлагается развертывание трех наиболее важных задач (т. е. обнаружения объектов, сегментации проезжей части и задач определения полосы движения) во встроенной системе для операций автономного вождения. Для достижения этой цели исследования используется многозадачная сеть с простой архитектурой кодер-декодер. Выполнены всесторонние и обширные сравнения двух моделей, основанных на разных магистральных сетях. Все обучающие эксперименты выполняются на сервере, а Nvidia Jetson Xavier NX выбран в качестве устройства развертывания.
3. Сравнительное исследование Q-Learning и NeuroEvolution расширяющих топологий для самоуправляемых агентов(arXiv)
Автор:Архум Иштиак, Махин Анис, Сара Махмуд, Неха Джафри
Аннотация: Автономные транспортные средства вызывают большой интерес с тех пор, как началась автоматизация различных задач. Люди склонны к истощению и медленно реагируют на дороге, и, кроме того, вождение уже является довольно опасной задачей: ежегодно погибает около 1,35 миллиона дорожно-транспортных происшествий. Ожидается, что автономное вождение может снизить количество дорожно-транспортных происшествий во всем мире, поэтому эта проблема вызывает большой интерес у исследователей. В настоящее время в беспилотных транспортных средствах используются разные алгоритмы для различных подзадач, связанных с обеспечением автономности транспортного средства. Мы сосредоточим внимание на алгоритмах обучения с подкреплением, а именно на алгоритмах Q-обучения и NeuroEvolution of Augment Topologies (NEAT), комбинации эволюционных алгоритмов и искусственных нейронных сетей, для обучения модельного агента обучению вождению по заданному пути. В этой статье основное внимание будет уделено сравнению двух вышеупомянутых алгоритмов.
