亚洲精品久久久久久久久久久,亚洲国产精品一区二区制服,亚洲精品午夜精品,国产成人精品综合在线观看,最近2019中文字幕一页二页

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

通過計(jì)算機(jī)與神經(jīng)網(wǎng)絡(luò)分析太陽(yáng)系的歷史

NVIDIA英偉達(dá)企業(yè)解決方案 ? 來(lái)源:未知 ? 作者:工程師郭婷 ? 2018-08-28 14:21 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

數(shù)千年來(lái),月球一直引人遐想,但關(guān)于它以及太陽(yáng)系的歷史,仍有數(shù)不清的問題懸而未決。有些答案就存在于月球表面坑坑洼洼的隕石坑中。通過深度學(xué)習(xí),科學(xué)家能夠比以往更清楚地看到這些隕石坑。

多倫多大學(xué)行星科學(xué)中心的博士后研究員、天體物理學(xué)家Mohamad Ali-Dib表示,可以將隕石坑研究看作“太陽(yáng)系考古學(xué)”。

由于缺乏大氣和地質(zhì)活動(dòng),月球、水星和火星等天體的地形特征會(huì)在一段時(shí)間內(nèi)保持相對(duì)不變。對(duì)于諸如此類天體中無(wú)空氣環(huán)境的探索,研究隕石坑是一種特別有用的方法。

仔細(xì)觀察這些隕石坑,就能發(fā)現(xiàn)有關(guān)隕石坑歷史和太陽(yáng)系演化的重要線索。但到目前為止,隕石坑是通過衛(wèi)星圖像或衛(wèi)星測(cè)高數(shù)據(jù)的方式進(jìn)行人工計(jì)數(shù)和測(cè)量的。

“研究生全天的工作是捕獲水星、月球或火星的圖像,然后手動(dòng)去數(shù)每個(gè)隕石坑。這是一項(xiàng)極其辛苦的工作?!?Ali-Dib說道。

他指出,人工計(jì)數(shù)存在一些問題。這將需要“一大批研究生和本科生”來(lái)完成這項(xiàng)繁重而艱巨的工作。這種方式是有缺陷的,因?yàn)槊總€(gè)助理研究員識(shí)別隕石坑的標(biāo)準(zhǔn)可能不同,而且當(dāng)他們疲勞的時(shí)候準(zhǔn)確率也會(huì)下降。

因此,Ali-Dib和多倫多大學(xué)的同事Ari Silburt以及其他組員,共同研發(fā)出了一個(gè)神經(jīng)網(wǎng)絡(luò),可以在幾個(gè)小時(shí)內(nèi)識(shí)別出數(shù)千個(gè)以前未被發(fā)現(xiàn)的月球隕石坑。

聚焦月球

隕石坑的形狀大小不一,有的大到足以容下一個(gè)州,而有的小到直徑只有幾米。對(duì)于火星上隕石坑數(shù)量的估計(jì)眾說紛紜,從30萬(wàn)到63.5萬(wàn)余個(gè)不等,而月球上則有數(shù)百萬(wàn)個(gè)。

科學(xué)家們最感興趣的是計(jì)算出不同大小隕石坑的分布情況,即計(jì)算出表面上有多少指定半徑的隕石坑。根據(jù)分布情況,他們可以了解造成隕石坑的撞擊物的大小和數(shù)量,這也正是天體物理學(xué)家可以將其與太陽(yáng)系碰撞理論相關(guān)聯(lián)的信息。

其中一個(gè)理論是:巨行星不穩(wěn)定。一些科學(xué)家推測(cè),在太陽(yáng)系的早期,像木星和土星這樣的氣態(tài)巨行星的軌道在一段時(shí)間內(nèi)曾變得混亂無(wú)序。根據(jù)此理論,軌道混亂會(huì)將小行星拋向整個(gè)太陽(yáng)系,從而導(dǎo)致激烈的碰撞。這樣的天體運(yùn)動(dòng)就會(huì)在像月球這樣的環(huán)境中留下痕跡,即大小不一的隕石坑分布。

通過計(jì)算機(jī)記錄月球隕石坑,科學(xué)家們可以更好地了解月球隕石坑的大小及其分布情況。這反過來(lái)又為他們提供了更多的數(shù)據(jù),從而證實(shí)太陽(yáng)系歷史的理論。

研究人員在SciNet HPC Consortium 的P8超級(jí)計(jì)算機(jī)上使用NVIDIA Tesla P100 GPU進(jìn)行訓(xùn)練和推理。

在對(duì)月球圖像進(jìn)行分析時(shí),研究人員的卷積神經(jīng)網(wǎng)絡(luò)在發(fā)現(xiàn)已確定的隕石坑方面的準(zhǔn)確率達(dá)到了92%。除此之外,深度學(xué)習(xí)模型在短短幾小時(shí)內(nèi)就發(fā)現(xiàn)了6000個(gè)新的隕石坑。這幾乎是人們?cè)跀?shù)十年的研究過程中手動(dòng)識(shí)別數(shù)量的兩倍。

Ali-Dib指出,其中大部分是研究小組希望通過神經(jīng)網(wǎng)絡(luò)捕獲的較小隕石坑。這些微小的隕石坑是現(xiàn)有數(shù)據(jù)集中缺少的部分,因?yàn)樗鼈兲√啵瑹o(wú)法花費(fèi)昂貴的人工時(shí)間來(lái)記錄。

左圖:測(cè)試數(shù)據(jù)中的月球樣圖。中圖:研究人員的神經(jīng)網(wǎng)絡(luò)成功識(shí)別出以前人工編碼的隕石坑(藍(lán)色)和數(shù)以千計(jì)的新隕石坑(紅色)。右圖:人工編碼的地面實(shí)況數(shù)據(jù),用于評(píng)估神經(jīng)網(wǎng)絡(luò)。藍(lán)色圓圈表示與研究人員的方法匹配成功的隕石坑,而紫色圓圈則表示神經(jīng)網(wǎng)絡(luò)遺漏的隕石坑。

近觀月球以及其他星體

除了可以更詳細(xì)地了解月球外,還可以通過類似的衛(wèi)星數(shù)據(jù)了解水星和火星。未來(lái)可能還將研究其他無(wú)空氣天體(如小行星、彗星和一些巨行星)的衛(wèi)星數(shù)據(jù)。

研究人員已經(jīng)利用一種叫做遷移學(xué)習(xí)(transfer learning)的技術(shù)觀察水星的隕石坑:他們利用其采用月球數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)分析水星的圖像。

此外,研究小組還在研究隕石坑深度等其他特征??茖W(xué)家感興趣的另一個(gè)參數(shù)是隕石坑的年齡。但Ali-Dib表示,要弄清楚這一點(diǎn),僅靠衛(wèi)星數(shù)據(jù)遠(yuǎn)遠(yuǎn)不夠,還“需要真正的隕石”。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:隕石坑數(shù)量知多少?深度學(xué)習(xí)助力科學(xué)家進(jìn)一步了解太陽(yáng)系的歷史

文章出處:【微信號(hào):NVIDIA-Enterprise,微信公眾號(hào):NVIDIA英偉達(dá)企業(yè)解決方案】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹

    NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核,旨在最大限度地提高 Nuclei N 處理器內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。 該庫(kù)分為多個(gè)功能,每個(gè)功能涵蓋特定類別
    發(fā)表于 10-29 06:08

    神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和廣泛的應(yīng)用前景。然而,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和規(guī)模也在不斷增加,這使得傳統(tǒng)的串行計(jì)算方式面臨著巨大的挑戰(zhàn),如計(jì)算速度慢、
    的頭像 發(fā)表于 09-17 13:31 ?820次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的并行<b class='flag-5'>計(jì)算</b>與加速技術(shù)

    無(wú)刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究

    摘要:論文通過對(duì)無(wú)刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),借助
    發(fā)表于 06-25 13:06

    神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用

    的診斷誤差。仿真結(jié)果驗(yàn)證了該算法的有效性。 純分享帖,需要者可點(diǎn)擊附件免費(fèi)獲取完整資料~~~*附件:神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用.pdf【免責(zé)聲明】本文網(wǎng)絡(luò)轉(zhuǎn)載,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版
    發(fā)表于 06-16 22:09

    計(jì)算機(jī)網(wǎng)絡(luò)入門指南

    計(jì)算機(jī)網(wǎng)絡(luò)是指將地理位置不同且具有獨(dú)立功能的多臺(tái)計(jì)算機(jī)及其外部設(shè)備,通過通信線路連接起來(lái),在網(wǎng)絡(luò)操作系統(tǒng)、網(wǎng)絡(luò)管理軟件及
    的頭像 發(fā)表于 04-22 14:29 ?1719次閱讀
    <b class='flag-5'>計(jì)算機(jī)網(wǎng)絡(luò)</b>入門指南

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較

    多層。 每一層都由若干個(gè)神經(jīng)元構(gòu)成,神經(jīng)元之間通過權(quán)重連接。信號(hào)在神經(jīng)網(wǎng)絡(luò)中是前向傳播的,而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)(CNN) :
    的頭像 發(fā)表于 02-12 15:53 ?1146次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)分析

    BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)作為一種常用的機(jī)器學(xué)習(xí)模型,具有顯著的優(yōu)點(diǎn),同時(shí)也存在一些不容忽視的缺點(diǎn)。以下是對(duì)BP神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)的分析: 優(yōu)點(diǎn)
    的頭像 發(fā)表于 02-12 15:36 ?1375次閱讀

    什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法

    神經(jīng)網(wǎng)絡(luò)(即反向傳播神經(jīng)網(wǎng)絡(luò))的核心,它建立在梯度下降法的基礎(chǔ)上,是一種適合于多層神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法。該算法通過計(jì)算每層
    的頭像 發(fā)表于 02-12 15:18 ?1153次閱讀

    BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系

    ),是一種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱藏層和輸出層組成,通過逐層遞減的方式調(diào)整網(wǎng)絡(luò)權(quán)重,
    的頭像 發(fā)表于 02-12 15:15 ?1249次閱讀

    人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法

    在上一篇文章中,我們介紹了傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)和多種算法。在本文中,我們會(huì)介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法,供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)模型之所
    的頭像 發(fā)表于 01-09 10:24 ?1958次閱讀
    人工<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的原理和多種<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>架構(gòu)方法

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    神經(jīng)網(wǎng)絡(luò),也稱為全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Networks,F(xiàn)CNs),其特點(diǎn)是每一層的每個(gè)神經(jīng)元都與下一層的所有神經(jīng)元相連。這種結(jié)構(gòu)簡(jiǎn)單直觀,但在
    的頭像 發(fā)表于 11-15 14:53 ?2326次閱讀

    RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別

    傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(前饋神經(jīng)網(wǎng)絡(luò)) 2.1 結(jié)構(gòu) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò),通常指的是前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Networks, FNN),是一種最簡(jiǎn)單的人工
    的頭像 發(fā)表于 11-15 09:42 ?1863次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與工作機(jī)制

    的結(jié)構(gòu)與工作機(jī)制的介紹: 一、LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括以下幾個(gè)部分: 記憶單元(Memory Cell) : 記憶單元是LSTM網(wǎng)絡(luò)的核心,負(fù)責(zé)在整個(gè)序列處理過程中保持和更新長(zhǎng)期依賴信息。 它主要由
    的頭像 發(fā)表于 11-13 10:05 ?2065次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用實(shí)例

    語(yǔ)音識(shí)別技術(shù)是人工智能領(lǐng)域的一個(gè)重要分支,它使計(jì)算機(jī)能夠理解和處理人類語(yǔ)言。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,特別是長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)的引入,語(yǔ)音識(shí)別的準(zhǔn)確性和效率得到了顯著提升。 LSTM
    的頭像 發(fā)表于 11-13 10:03 ?2333次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)中的應(yīng)用

    時(shí)間序列預(yù)測(cè)是數(shù)據(jù)分析中的一個(gè)重要領(lǐng)域,它涉及到基于歷史數(shù)據(jù)預(yù)測(cè)未來(lái)值。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)因其在處理序列數(shù)據(jù)方面的優(yōu)勢(shì)而受到廣泛關(guān)注。 LSTM神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 11-13 09:54 ?2578次閱讀