محققان با طراحی دقیق سازه هایی که خاصیت غیرطبیعی دارند و می توانند امواج صوتی یا نوری را کنترل کنند ، بر روی قابلیت های مواد فشار آورده اند. با این حال ، این متامواد ها در هندسه های ثابت ساخته شده اند ، به این معنی که توانایی های بی نظیر آنها همیشه ثابت است. اکنون ، متاماد جدید چاپی 3 بعدی توسط تیمی به سرپرستی محققان دانشگاه کالیفرنیای جنوبی ساخته شده است و می توان از راه دور بین کنترل فعال و حالت های منفعل استفاده کرد.
استادیار دانشکده مهندسی ویتریک USC Viterbi استاد Qiming Wang و دکتری دانشجوی هائو یو، همراه با MIT پروفسور نیکلاس نیش و دانشگاه میسوری استاد Guoliang هوانگ، 3-D چاپ را توسعه داده اند فرامواد قادر به مسدود کردن امواج صوتی و ارتعاشات مکانیکی . بر خلاف متام مواد فعلی ، این موارد را می توان با استفاده از یک میدان مغناطیسی از راه دور روشن یا خاموش کرد. از مواد آنها می توان برای رفع نویز ، کنترل لرزش و پنهان سازی صوتی استفاده کرد که می تواند برای مخفی کردن اشیاء از امواج صوتی استفاده شود.
وانگ ، استادیار عمران گفت: "وقتی شما ساختاری را می سازید ، هندسه قابل تغییر نیست ، به این معنی که خاصیت ثابت است. ایده در اینجاست که ما می توانیم چیزی را بسیار انعطاف پذیر طراحی کنیم تا بتوانید آن را با استفاده از کنترل های خارجی تغییر دهید." و مهندسی محیط زیست.
از متامواد می توان برای دستکاری پدیده های موج مانند رادار ، صدا و نور استفاده کرد و از آنها برای توسعه فناوری هایی مانند دستگاه های پنهان کاری و سیستم های ارتباطی بهبود یافته استفاده شده است. متام مواد این تیم قادر به کنترل صداهای محیطی و ارتعاشات ساختاری هستند که دارای شکل های موج مشابهی هستند. با چاپ 3 بعدی یک ماده تغییر شکل پذیر حاوی ذرات آهن در یک ساختار شبکه ، می توان متام مواد آنها را با استفاده از یک میدان مغناطیسی فشرده کرد.
وانگ گفت: "شما می توانید یک نیروی مغناطیسی خارجی برای تغییر شکل ساختار و تغییر معماری و هندسه در داخل آن اعمال کنید. پس از تغییر معماری ، خاصیت را تغییر می دهید." "ما می خواستیم به این نوع آزادی برای جابجایی بین حالتها دست یابیم. با استفاده از میدان های مغناطیسی ، سوئیچ قابل برگشت و بسیار سریع است."
میدان مغناطیسی مواد را فشرده می کند ، اما برخلاف یک نیروی تماس فیزیکی مانند یک صفحه فی ، مواد محدود نمی شوند. بنابراین ، هنگامی که یک موج صوتی یا مکانیکی با مواد تماس می گیرد ، آن را دچار اختلال می کند و از این طریق خواص بی نظیری را ایجاد می کند که امواج صوتی و لرزش های مکانیکی فرکانس های خاص را از عبور از آن مسدود می کند.
این مکانیسم به خواص غیر طبیعی متام مواد آنها وابسته است - مدول منفی و تراکم منفی. در مواد روزمره ، هر دو مثبت هستند.
یو گفت: "مواد با مدول منفی یا تراکم منفی می توانند صداها یا ارتعاشات درون سازه را از طریق تشدیدهای محلی به دام بیندازند تا آنها نتوانند از طریق آن انتقال پیدا کنند."
محققان MIT با استفاده از سیستم یادگیری ماشینی معروف به یک شبکه عصبی عمیق ، اولین مدل را ایجاد کرده اند که می تواند عملکرد انسان را در کارهای شنیداری مانند شناسایی ژانر موسیقی تکرار کند.
این مدل که شامل بسیاری از لایه های واحد پردازش اطلاعات است که می تواند در حجم عظیمی از داده ها برای انجام وظایف خاص آموزش داده شود ، توسط محققان مورد استفاده قرار گرفت تا روشن شود که چگونه مغز انسان می تواند همان وظایف را انجام دهد.
جاش مک مکدرموت ، فردریک A. و کارول جی میدلتون استادیار علوم اعصاب می گوید: "اولین چیزی که این مدل ها برای اولین بار به ما می دهند ، سیستم های ماشینی است که می توانند وظایف حسی را برای انسانها انجام دهند و این کار را در سطح انسان انجام دهند." در گروه مغز و علوم شناختی در MIT و نویسنده ارشد این مطالعه. "از نظر تاریخی ، این نوع پردازش حسی درک بخشی از آن دشوار بوده است ، زیرا ما واقعاً بنیادی نظری کاملاً واضح و روش خوبی برای تهیه مدل هایی از آنچه ممکن است در جریان باشد نداشته ایم."
این مطالعه ، که در شماره 19 آوریل نورون به نظر می رسد ، همچنین شواهدی را نشان می دهد که قشر شنوایی انسان درست مانند قشر بینایی در یک سازمان سلسله مراتبی قرار گرفته است. در این نوع چیدمان ، اطلاعات حسی از مراحل پی در پی پردازش عبور می کند ، اطلاعات اولیه پردازش شده با ویژگی های اولیه و پیشرفته تر مانند کلمه به معنی استخراج شده در مراحل بعدی.
دانشجوی فارغ التحصیل MIT الكساندر كل و استادیار دانشگاه استنفورد ، استادیار دانیل یامینز نویسندگان اصلی این مقاله هستند. نویسندگان دیگر دانش آموز سابق MIT هستند که اریکا شاوک بازدید می کنند و سابق سابق MIT سام نورمن-مبارزر هستند.
مدل سازی مغز
هنگامی که شبکه های عصبی عمیق برای اولین بار در دهه 1980 توسعه یافت ، دانشمندان علوم اعصاب امیدوار بودند که بتوان از چنین سیستمهایی برای مدل سازی مغز انسان استفاده کرد . با این حال ، رایانه های آن دوره به اندازه کافی قدرتمند نبودند تا بتوانند مدل هایی را به اندازه کافی بزرگ برای انجام وظایف در دنیای واقعی مانند تشخیص شی یا تشخیص گفتار انجام دهند.
در طی پنج سال گذشته ، پیشرفت در قدرت محاسبات و فناوری شبکه عصبی باعث شده است که از شبکه های عصبی برای انجام کارهای دشوار در دنیای واقعی استفاده شود و آنها در بسیاری از برنامه های مهندسی به یک روش استاندارد تبدیل شده اند. به موازات آن ، برخی از دانشمندان علوم اعصاب مجدداً این احتمال را مورد بررسی قرار داده اند که ممکن است از این سیستم ها برای مدل سازی مغز انسان استفاده شود.
كل می گوید: "این فرصتی هیجان انگیز برای علوم اعصاب بوده است ، به این ترتیب كه ما می توانیم در واقع سیستمهایی ایجاد كنیم كه بتواند برخی از كارهایی را كه مردم می توانند انجام دهند ، انجام دهیم.
محققان MIT شبکه عصبی خود را برای انجام دو کار شنیداری آموزش دادند ، یکی مربوط به گفتار و دیگری مربوط به موسیقی. محققان برای انجام وظیفه گفتار ، هزاران ضبط دو ثانیه ای از شخصی را که در حال صحبت است به این مدل دادند. وظیفه شناسایی کلمه در وسط کلیپ بود. برای انجام کار موسیقی از این مدل خواسته شد تا ژانر یک کلیپ موسیقی دو ثانیه ای را شناسایی کند. هر کلیپ همچنین شامل سر و صدای پس زمینه برای واقعی تر کردن کار (و دشوارتر شدن) کار بود.
پس از هزاران نمونه ، مدل یاد گرفت که وظیفه را دقیقاً دقیقاً به عنوان شنونده انسانی انجام دهد.
کل می گوید: "ایده با گذشت زمان مدل بهتر و بهتر در کار انجام می شود." "امید این است که در حال یادگیری یک چیز کلی است ، بنابراین اگر صدای جدیدی را که مدل قبلاً آن را نشنیده است ، ارائه دهید ، خوب عمل خواهد کرد ، و در عمل که غالباً چنین است."
این مدل همچنین تمایل داشت در همان کلیپ هایی که انسان ها بیشترین اشتباه را کردند اشتباه کنند.
واحدهای پردازشی که یک شبکه عصبی را تشکیل می دهند می توانند به روش های مختلفی ترکیب شوند و معماری های مختلفی را تشکیل می دهند که بر عملکرد مدل تأثیر می گذارد.
تیم MIT کشف کرد که بهترین مدل برای این دو کار ، یکی است که پردازش را به دو دسته مراحل تقسیم می کند. اولین مرحله از مراحل بین وظایف به اشتراک گذاشته شد ، اما پس از آن ، برای تجزیه و تحلیل بیشتر به دو شاخه تقسیم شد - یکی شاخه برای کار گفتار و دیگری برای کار ژانر موسیقی.
مدارکی برای سلسله مراتب
محققان سپس از الگوی خود برای کشف یک سؤال دیرینه درباره ساختار قشر شنوایی استفاده کردند: آیا به صورت سلسله مراتبی سازمان یافته است یا خیر.
در یک سیستم سلسله مراتبی ، یک سری از مناطق مغز انواع مختلفی از محاسبات را بر روی اطلاعات حسی هنگام عبور از طریق سیستم انجام می دهد. به خوبی ثابت شده است که قشر بینایی این نوع سازمان را دارد. نواحی اولیه ، که به قشر بینایی اولیه معروف هستند ، به ویژگیهای ساده ای مانند رنگ یا جهت گیری پاسخ می دهند. مراحل بعدی کارهای پیچیده تری مانند شناسایی شی را امکان پذیر می کند.
با این حال ، آزمایش اینکه آیا این نوع سازمان در قشر شنوایی نیز وجود دارد ، دشوار بوده است ، زیرا مدلهای خوبی وجود ندارد که بتوانند رفتار شنیداری انسان را تکرار کنند.
وی گفت: "ما فکر کردیم که اگر بتوانیم مدلی را بسازیم که بتواند برخی از همان کارهایی را که مردم انجام می دهند ، انجام دهند ، ممکن است بتوانیم مراحل مختلف مدل را با قسمت های مختلف مغز مقایسه کنیم و شواهدی در مورد اینکه آیا آن قسمت های مغز ممکن است به صورت سلسله مراتبی سازمان یافته باشد. "
محققان دریافتند که در مدل خود ، ویژگیهای اصلی صدا مانند فرکانس استخراج در مراحل اولیه آسانتر است. با پردازش اطلاعات و دورتر در امتداد شبکه ، استخراج فرکانس سخت تر می شود اما استخراج اطلاعات سطح بالاتر مانند کلمات آسان تر می شود.
محققان برای دیدن اینکه آیا مراحل این مدل چگونه پردازش قشر شنوایی انسان اطلاعات صوتی را تکرار می کند ، از تصویربرداری رزونانس مغناطیسی عملکردی (fMRI) برای اندازه گیری مناطق مختلف قشر شنوایی استفاده می کند زیرا مغز برای تلفن های موبایل در دنیای واقعی استفاده می کند. آنها سپس پاسخ های مغز را با پاسخ های مدل در مقایسه با پردازش همان صداها مقایسه کردند.
آنها دریافتند که مراحل میانی مدل با فعالیت در قشر شنوایی اولیه مطابقت دارد و مراحل بعدی بهتر با فعالیت خارج از قشر اولیه مطابقت دارد. محققان می گویند این قشر شواهدی وجود دارد که قشر شنوایی را می توان به روش سلسله مراتبی ، مشابه قشر بینایی ترتیب داد.
مک ددرت می گوید: "آنچه ما کاملاً واضح می بینیم ، تمایز قشر شنوایی اولیه و سایر موارد است."
نویسندگان اکنون قصد دارند مدلهایی را تولید کنند که بتوانند انواع دیگری از کارهای شنیداری را نیز انجام دهند ، از جمله تعیین موقعیت مکانی که صدا خاصی از آن به وجود آمده است ، تا بررسی کنند که آیا این وظایف را می توان با مسیرهای مشخص شده در این مدل انجام داد یا در صورت نیاز به مسیرهای جداگانه ، که می تواند در مغز مورد بررسی قرار گیرد.
(Tech Xplore) - تشخیص چهره. اثر انگشت اکنون در مورد تشخیص صدا نیز صحبت هایی وجود دارد اما ممکن است سارقان روش هایی برای جعل هویت صوتی را پیدا کنند.
با این حال ، نگاه جدیدی به استفاده از صدا برای اقدامات امنیتی نابود شده است ، با این حال ، جایی که یک تیم تحقیقاتی یک برنامه کاربردی برای اثر انگشت را پیشنهاد می کند. در این برنامه ، یک ردیاب سونار به لطف تلفن هوشمند شما ، می تواند حرکات لب شما را در هنگام صحبت برای احراز هویت نظارت کند. بلندگو و میکروفون گوشی به ابزار سیستم تشخیص تبدیل می شوند.
این سیستم توسط محققان دانشگاه ایالتی فلوریدا در Tallahassee طراحی شده است.
ناراحتی از صدا به عنوان یک روش احراز هویت در گذشته این آگاهی بوده است که سارقان هویت می توانند آزمایش های احراز هویت صوتی را به صورت تقلب درآورند. (همانطور که پاول ماركس در دانشمند جدید گفته است ، "كسی كه با ضبط صدای شما می تواند به راحتی كلمات صحیح گفته شده را بهم پیوسته و راه خود را به زندگی دیجیتالی شما هدر دهد .")
افزودن سوخت به آتش سوزی محبوبیت رسانه های اجتماعی است ، زیرا افراد صوتی و همچنین ویدیویی را ارسال می کنند.
مهندس امنیتی جی یانگ در دانشگاه ایالتی فلوریدا در Tallahassee به نقل از New Scientist : "این امر دستیابی به نمونه های صوتی را از یک هدف نسبتاً آسان می کند." (جی یانگ استادیار گروه علوم کامپیوتر در دانشگاه ایالتی فلوریدا است. علایق تحقیق وی شامل بیومتریک و احراز هویت کاربر است.)
یک گزارش بی بی سی در اوایل سال جاری به نقل از مایک مک لوژین ، یک کارشناس امنیتی در Firstbase Technologies. این گزارش به شناسه مبتنی بر صدا پرداخته است . "صداها منحصر به فرد هستند - اما اگر سیستم اختلافات زیادی را در صداوسیما برای یک مسابقه ایجاد کند ، امن نیست ."
در این گزارش همچنین به نقل از پروفسور ولادیمیرو ساسون ، کارشناس امنیت سایبر ، از دانشگاه ساوتهمپتون ، گفته است که "به طور کلی بیومتریک می تواند یک لایه امنیتی مؤثر باشد ، اما اگر شرکت ها بیش از حد به چیزی اعتقاد داشته باشند خطراتی وجود دارد. 100٪ امن نبود. "
در مورد این رویکرد سیستم سونار ، موسوم به VoiceGesture ، برای شناسایی کاربران زنده ، سیسیل بورچاریا در دیلی میل با استفاده از تلفن به عنوان رادار داپلر که صدای فرکانس بالایی را از بلندگو داخلی داخلی منتقل می کند ، نحوه عملکرد آن را توضیح داد. در هنگام میکروفون ، کاربران از عبارت عبور خود صحبت می کنند.
با استخراج ویژگی هایی در شیفت های داپلر ناشی از حرکات مفصل بی نظیر هنگام استفاده از عبارت عبور ، تشخیص "زندگی" را انجام می دهد. حرکات مفصل رانندگی حرکات لب ، فک و زبان است و اینها در شیفت های داپلر انجام می شود.
بورچاتاریا گفت: "وقتی یک کاربر عبارت عبور خود را تنظیم می کند ، برنامه VoiceGesture یک سیگنال صوتی به سختی قابل شنیدن با صدای بلند 20 کیلو هرتز را از بلندگو تلفن پخش می کند."
ارزیابی تجربی خود را با 21 شرکت کنندگان و انواع مختلف تلفن نشان داد که آن را بیش از 99٪ به دست می آورد تشخیص ، گفت: دقت در حدود 1٪ برابر میزان خطا سیاره بیومتریک . آنها به مقاله این تیم اشاره كردند: "شنیدن صدای شما كافی نیست: یك تشكیل حیات مبتنی بر ژست برای تأیید هویت صوتی."
نویسندگان در مقاله خود آنچه را که "در فرآیند ثبت نام کاربر" اتفاق می افتد توضیح دادند که به موجب آن ویژگی های تغییر فرکانس مخصوص کاربر بر اساس عبارت واژگان منتقل شده و در سیستم تشخیص زندگی ذخیره می شوند.
"در طی فرآیند احراز هویت آنلاین ، ویژگی های استخراج شده از یک عبارت ورودی کاربر در مقایسه با موارد موجود در سیستم مقایسه می شوند. در صورت ایجاد نمره شباهت بالاتر از یک آستانه از پیش تعریف شده ، یک کاربر زنده اعلام می شود."