شبیه سازی لحظات آینده با استفاده از عکس‌ها توسط دانشمند ایرانی

دانشمند ایرانی ساکن آمریکا با همکاری محققان دانشگاه ام‌آی‌تی، الگوریتمی را برای شبیه سازی لحظات آینده اختراع کرده است. این الگوریتم با استفاده از عکس‌های ثابت، فیلم‌هایی را تهیه می‌کند که تا چند لحظه‌ی بعد را پیش‌بینی خواهد کرد.

حامد پیرسیاوش، استاد ایرانی دانشگاه مریلند آمریکا، مدرک کارشناسی خود را در رشته‌ی مهندسی برق در سال 2003 از دانشگاه علم و صنعت تهران دریافت کرد و در سال 2012 از رشته علوم رایانه در دانشگاه کالیفرنیا فارغ‌التحصیل شد. وی با کمک محققان دانشگاه ام‌آی‌تی موفق شد تا یک الگوریتم هوش مصنوعی را ابداع کند که از قابلیت جالبی برخوردار است. این سیستم هوش مصنوعی با استفاده از رویدادهای قابل مشاهده در عکس‌های ثابت، ویدیوی کوتاهی را از لحظات آینده تهیه می‌کند. به عنوان مثال این الگوریتم پس از مشاهده‌ی عکس‌هایی از بازی گلف می‌تواند لحظات بعدی بازی و مسیر حرکت کردن توپ در چند لحظه‌ی بعد را در قالب ویدیویی کوتاه به نمایش بگذارد.

ظرفیت مغز انسان محدودیت‌های بسیاری را برای خیال‌پردازی دارد اما امروزه هوش مصنوعی تا جایی پیشرفت کرده که می‌تواند با بررسی تصاویر به شبیه سازی لحظات آینده بپردازد. کارل وندریک (Carl Vondrick)، دانشجوی دکترای دانشگاه ام‌آی‌تی در مورد این الگوریتم اظهار کرد که این موفقیت نشان‌دهنده‌ی درک هوش مصنوعی از شرایط حال است؛ چون در غیر این صورت امکان پیش‌بینی آینده فراهم نخواهد شد.

به زودی دقت و زمان شبیه سازی لحظات آینده افزایش خواهد یافت

دانشمندان برای دستیابی به این الگوریتم از دو گروه شبکه‌های عصبی استفاده کردند. یکی از شبکه‌های عصبی برای تولید ویدیو و دیگری برای متمایز کردن تصاویر بازسازی شده نسبت به تصاویر واقعی به کار می‌رود. این سیستم هوش مصنوعی، قابلیت طراحی ویدیوهای شبیه‌سازی شده را به تدریج بالا می‌برد تا جایی که صحنه‌های پیش‌بینی شده به طور کامل با صحنه‌های واقعی در عکس‌ها شباهت داشته باشد. انتظار می‌رود که در آینده‌ی نزدیک و با افزایش خودآموزی و توان درک این الگوریتم، شبیه سازی لحظات آینده از دقت بیشتری برخوردار شود.

البته نباید انتظار داشت که این فناوری منجر به تولید ویدیوهای طولانی‌تر و پیشگویی آینده شود. در حال حاضر و با استفاده از این الگوریتم می‌توان ویدیوهای 1.5 ثانیه‌ای را تولید کرد که شاید در آینده زمان آن بیشتر شود. محققان امیدوارند که از این مدل برای شناسایی ناهنجاری‌ها و شرایط امنیتی و کشف اشیا و اجزا در تصاویر به کار گرفته شود.