- For decades there have been attempts to create computer programs that can learn like people - Artificial Intelligence. For example, how do you teach a child to recognize what a chair is? You show him examples telling him "This is a chair ; That one is not a chair" until the child learns the concept of what a chair is. In this stage, the child can look at the examples we have shown him and answer correctly to the question "Is this object a chair?". Furthermore, if we show to the child new objects, that he didn't see before, we could expect him to recognize correctly whether the new object is a chair or not, providing that we've given him enough positive and negative examples. This is exactly the idea behind the perceptron.
- The perceptron is a program that learn concepts, i.e. it can learn to respond with True (1) or False (0) for inputs we present to it, by repeatedly "studying" examples presented to it. The Perceptron is a single layer neural network whose weights and biases could be trained to produce a correct target vector when presented with the corresponding input vector. The training technique used is called the perceptron learning rule. The perceptron generated great interest due to its ability to generalize from its training vectors and work with randomly distributed connections. Perceptrons are especially suited for simple problems in pattern classification.
Our perceptron network consists of a single neuron connected to two inputs through a set of 2 weights, with an additional bias input.
The perceptron calculates its output using the following equation:
P * W + b > 0where P is the input vector presented to the network, W is the vector of weights and b is the bias.
- The perceptron is trained to respond to each input vector with a corresponding target output of either 0 or 1. The learning rule has been proven to converge on a solution in finite time if a solution exists. The learning rule can be summarized in the following two equations:
For all i: W(i) = W(i) + [ T - A ] * P(i) b = b + [ T - A ]where W is the vector of weights, P is the input vector presented to the network, T is the correct result that the neuron should have shown, A is the actual output of the neuron, and b is the bias.
- Vectors from a training set are presented to the network one after another. If the network's output is correct, no change is made. Otherwise, the weights and biases are updated using the perceptron learning rule. An entire pass through all of the input training vectors is called an epoch. When such an entire pass of the training set has occured without error, training is complete. At this time any input training vector may be presented to the network and it will respond with the correct output vector. If a vector P not in the training set is presented to the network, the network will tend to exhibit generalization by responding with an output similar to target vectors for input vectors close to the previously unseen input vector P.
- Perceptron networks have several limitations. First, the output values of a perceptron can take on only one of two values (True or False). Second, perceptrons can only classify linearly separable sets of vectors. If a straight line or plane can be drawn to seperate the input vectors into their correct categories, the input vectors are linearly separable and the perceptron will find the solution. If the vectors are not linearly separable learning will never reach a point where all vectors are classified properly. The most famous example of the perceptron's inability to solve problems with linearly nonseparable vectors is the boolean exclusive-or problem.
- We implemented a single neuron perceptron with 2 inputs. The input for the neuron can be taken from a graphic user interface, by clicking on points in a board. A click with the left mouse button generates a '+' sign on the board, marking that it's a point where the perceptron should respond with 'True'. A click with the right mouse button generates a '-' sign on the board, marking that it's a point where the perceptron should respond with 'False'. When enough points have been entered, the user can click on 'Start', which will introduce these points as inputs to the perceptron, have it learn these input vectors and show a line which corresponds to the linear division of the plane into regions of opposite neuron response. Here's an example of a screen shot:
گروهی از پژوهشگران با مطالعاتی که بر روی مقایسه اثرات زیست محیطی نانو فناوری و دیگر فناوریهای کنونی داشتند به این نتیجه رسیدند که فرآیندهای تولید نانو موادی مثل کوانتوم داتها (Quantum dots) ، نانو لوله‌های کربنی و باکی بال‌ها(Bucky balls= یک فولرن Fullerene C60 کروی که یک شکل بسیار باثبات از کربن خالص است و از در کنار هم قرار گرفتن متناوب پنج ضلعی و شش ضلعی‌هایی ساخته شده است) نسبت به فرایندهای صنعتی مثل تصفیه نفت، دارای خطرات کمتری برای محیط زیست هستند. در مورد نانولوله‌ها و نانوذرات آلوموکسان (Alumoxane)، خطرات تولید آنها آنقدر اندک است که می‌توان آنها را با فرآیندهایی مثل تولید آسپرین یا شراب مقایسه کرد. این تحقیق که در شماره ماه نوامبر نشریه Environmental Science and Technology چاپ خواهد شد به مقایسه خطرات زیست محیطی تولید پنج نانو ماده (نانو لوله‌های کربنی تک جداره، باکی بال‌ها، کوانتوم دات‌های سلنید روی [Zinc Selenide]، نانو ذرات آلوموکسان و نانو ذرات دی اکسید تیتانیوم) با خطرات تولید شش محصول روزمره (ویفرهای سیلیکونی [Silicon Wafers] ، شراب، پلاستیک فشرده، باتری‌های اسیدی ـ سربی ماشین‌ها، نفت تصفیه شده و آسپرین) می‌پردازد. Mark Wiesner که استاد مهندسی شهرسازی و محیط زیست در دانشگاه رایس (Rice) و یکی از محققان این گروه است، می‌گوید که اطلاعات زیادی در مورد تاثیرات نانو مواد بر روی موجودات زنده و اکوسیستم‌ها وجود ندارد ولی مطالب زیادی در باره ویژگیهای مواد مورد استفاده در ساخت نانو مواد در دست داریم. وی می‌افزاید که هدف آنها از این تحقیق، تخمین اولیه اثرات زیست محیطی تولید نانو مواد بوده است. که این گروه امیدوار است که با انجام این تحقیق بتواند پایه‌ای برای توسعه مسؤلانه و بی‌ضرر صنعت تولید نانو مواد پی‌ریزی کند. در این تحقیق، محاسبه دقیقی از میزان مواد مصرفی، مواد تولیدی و مواد دفعی هر فرآیند صورت گرفت. سپس برای هر فرآیند، خطرات را بصورت کیفی و بر مبنای فاکتورهایی مثل سمیت، آتش‌زا بودن و پایداری در محیط، مورد سنجش قرار دادند. این گروه با استفاده از دستورالعمل تهیه شده توسط شرکت بیمه XLدر زوریخ ، سه نوع خطر را باری هریک از یازده فرآیند مورد مطالعه در نظر گرفتند: خطر حوادث، که به حوادث احتمالی در حین فرآیند می‌پردازد؛ خطر علمیات‌های عادی، که به مواد دفعی می‌پردازد؛ و خطر آلودگی‌های بعدی، که به آلودگی‌های احتمالی در درازمدت می‌پردازد. بنا به گفته Wiesner ، در مورد اغلب فرآیندهای نانو خطرات حوادث قابل مقایسه یا کمتر از خطرات فرآیندهای غیرنانویی می‌باشد. یعنی اینکه خطرات ناشی از تولید مواد نانو تفاوت چندانی با خطرات فناوریهای کنونی ندارد. خطرات عادی علمیاتی فرایندهای تولید نانو لوله‌ها و آلوموکسانها با خطرات تولید شراب و آسپرین قابل مقایسه است در حالیکه خطرات باکی بال‌ها، کوانتوم داتها و دی اکسید تیتانیوم با خطرات عملیاتی تولید ویفرهای سیلیکونی و باتری ماشین برابر میکند. ضمنا خطرات عملیاتی تولید پلاستیک و تصفیه نفت بیشتر از خطرات عملیاتی تولید همه نانو مواد می‌باشد. خطرات آلودگی‌های بعدی در تولید همه نانو مواد به استثنای باکی بال‌ها با خطرات آلودگی بعدی در تولید ویفرهای سیلیکونی، شراب و آسپرین برابری میکند. خطرات آلودگی بعدی باکی بال‌ها با خطرات تولید پلاستیک و باتری ماشین برابری میکند ولی بسیار کمتر از خطرات تصفیه نفت است. پیش‌بینی خطرات احتمالی ناشی از تولید نانو مواد جدید در آینده بسیار دشوار است ولی در وضعیت کنونی می‌توان به این نتیجه رسید که خطرات زیست محیطی ناشی از تولید نانو مواد تفاوت چندانی با بسیاری از صنایع گسترده کنونی مثل ساخت پلی اتیلن با مواد دارویی ندارد.
