Главная страница > Новости > ОБЗОР НОВОСТЕЙ НЕЙРОТЕХНОЛОГИЙ 03.08.2020-09.08.2020

ОБЗОР НОВОСТЕЙ НЕЙРОТЕХНОЛОГИЙ 03.08.2020-09.08.2020

07 августа 2020

Биоинженеры научились «рисовать» электронные датчики на коже человека

Исследователи из Университета Хьюстона и Чикагского Университета (США) разработали новую форму электроники – «электронику-на-коже», – которая позволяет наносить рисунок датчиков и схем прямо на кожу человека. Микросхема собирает более точные данные о здоровье пользователя, который находится в движении, по сравнению с носимыми устройствами.

Новая форма электроники позволяет рисовать многофункциональные датчики и схемы на коже чернильным пером

Схему-датчик нанести на кожу так же просто, как написать слово ручкой на листе бумаги. Электронный материал изначально существует в виде жидкости, которая состоит из трех видов «чернил», служащих проводником, полупроводником и диэлектриком. Этим материалом наполняют ручку – и уже ей выводят рисунок датчика на коже. Материал высыхает очень быстро. 

Электронику, нарисованную на коже, можно настроить для сбора информации различного типа. Новое устройство, помимо прочего, может отслеживать мышечные сигналы, частоту сердечных сокращений, температуру и степень увлажнения кожи. Исследователи также сообщили, что нарисованная на коже электроника способна ускорять заживление ран.

Нижняя височная область мозга макак-резусов смогла отличить разные слова и буквы

Американским и французским ученым удалось обучить линейный классификатор букв и слов на активности нижней височной области мозга макак-резусов: этот отдел с точностью до 70 процентов распознавал отдельные буквы и даже отличал настоящие слова от псевдослов. Ученые заключили, что та же область головного мозга людей, отвечающая за распознавание букв и слов, развилась не эксклюзивно для своей цели, а просто переняла на себя выполнение необходимых функций.

Схема эксперимента

В эксперименте ученых приняли участие четыре макаки-резуса, в области нижней височной области и V4 которых имплантировали микроэлектроды для регистрации электрической активности отдельных нейронов. Ни одна из макак ранее не принимала участие в похожих экспериментах: увиденные буквы были для них совершенно новыми.

Оказалось, что необученные макаки в действительности видят разницу между разными буквенными стимулами: по активности их нижней височной области можно было отличить слова от псевдослов, слова, написанные разными шрифтами, и слова, в которых используются одни и те же буквы, с точностью до 70 процентов.

ЭЭГ предскажет успехи в чтении

Изучая ЭЭГ ребёнка, можно предсказать его успехи в обучении чтению. Об этом свидетельствует исследование нейробиологов и педагогов из Университета Бингемтона, штат Нью-Йорк. Исследователи измеряли активность мозга детей, а затем сравнили её с табелями успеваемости, их словарным запасом и другими успехами в чтении, которых дети достигли за два года после измерения.

Ученые использовали связанные с событиями потенциалы (ERP) – электрофизиологическую реакцию мозга, которая формируется от какого-нибудь конкретного чувствительного, познавательного или двигательного стимула и которую можно измерить. По своей сути, ERP – это любой электрофизиологический ответ мозга на стимул, который измеряется с помощью электроэнцефалографии.

В ходе эксперимента дети молча, про себя, читали список слов. Во время чтения детей иногда называли по имени для того, чтобы убедиться, что они внимательны и понимают текст. Дети, показывающие лучшие результаты в тестах EPR, связанные с фонологической (слуховой) и семантической обработкой, имели общие отличительные признаки.

Для бесконтактной диагностики тканей разработали новый вид поляриметрии

Поляриметрия – метод исследования сред, основанный на изменении поляризационного состояния света, освещающего объект. Аспиранты и сотрудники кафедры общей физики и волновых процессов физического факультета МГУ разработали новый вид поляриметрии, который может способствовать созданию принципиально новых, более эффективных способов диагностики биологических тканей.

Перенесение в поляриметрию принципа фантомных изображений дополняет классический подход новыми возможностями – в частности, позволяет устранить все оптические элементы из канала наблюдения. Информацию о поляризационных свойствах объекта извлекают из измерения взаимной корреляционной функции тока детектора объектного плеча и тока восстанавливающего плеча для двух ортогональных направлений, перпендикулярных направлению распространения излучения.

Схема экспериментальной установки: неполяризованный пучок разделяют на два с помощью светоделителя

Все прошедшее через объект излучение фокусировалось на интегрирующий точечный детектор, который измерял полную мощность  прошедшего через объект излучения, не формируя изображение объекта. В канале восстановления некогерентное излучение разделялось на два ортогонально поляризованных пучка, пространственный профиль которых регистрировался многопиксельным детектором. Поляризационное фантомное изображение восстанавливалось из пространственной корреляции сигналов, получаемых от точечного и многопиксельного детекторов.

Google обновила рекорд обучения ИИ на суперкомпьютерах — 30 секунд

Технологический гигант объявил о завершении испытаний суперкомпьютеров с поддержкой машинного обучения. Машина Google побила рекорды производительности в шести из восьми ведущих тестов отрасли MLPerf Training v0.7. Серия тестов MLPerf считается наиболее качественным и репрезентативным методом проверки возможностей искусственного интеллекта в суперкомпьютерах, а также эффективным способом обучения ML-моделей (Machine Learning).

Ускорение результатов Google MLPerf Training v0.7 по сравнению с самыми быстрыми тестами сторонних разработчиков. Сравнения нормализованы по общему времени обучения независимо от размера системы.

Суперкомпьютер, используемый Google в тренировочных раундах MLPerf был в четыре раза больше, чем Cloud TPU v3 Pod, который установил три рекорда в прошлом году. Система включала 4096 чипов TPU v3 и сотни хост-машин и каждая была подключена через сверхбыстрое соединения (DCI). В общей сложности, компьютер обеспечил более 430 PFOLPS (петафлопс) производительности при максимальной нагрузке.

Исследователи установили новый рекорд с помощью обновленной системы машинного обучения в TensorFlow, JAX и Lingvo. Четыре из восьми моделей были обучены с нуля менее чем за 30 секунд. TensorFlow — это комплексная среда машинного обучения с открытым исходным кодом Google, а Lingvo и JAX — высокоуровневые структуры для последовательных моделей и исследований, основанных на преобразовании составных функций.