معرفی بهترین نرم‌افزارهای کنترل و مدیریت مصرف اینترنت

با توجه به گسترش میزان استفاده کاربران از محتوای تصویری و شبکه‌های اجتماعی گوناگون، همچنین بروزرسانی خودکار بسیاری از نرم‌افزارهای موجود در سیستم‌ها، کنترل و مدیریت مصرف اینترنت امروزه به دغدغه بسیاری از کاربران تبدیل شده است. برای کمک به رفع این دغدغه، بسیاری از اپراتورهای ارائه دهنده اینترنت ثابت و بی‌سیم، گزارشی از مصرف ترافیک توسط کاربران در اختیار آن‌ها قرار می‌دهند تا در صورت کاهش حجم نامتعارف، متوجه بروز مشکل شوند.

اما استفاده از گزارش مصرف صرفا کاربران را نسبت به وضعیت مصرف حجم بسته‌های اینترنت خود آگاه می‌سازد، در حالی که بسیاری از کاربران نیاز دارند مصرف حجم بسته اینترنتی خود را به صورت لحظه‌ای و آنلاین، کنترل و مدیریت کنند. در این مقاله قصد داریم نرم‌افزارهایی را به شما معرفی کنیم که کنترل مصرف اینترنت را برای شما ساده می‌سازند و اطلاعات را به صورت لحظه‌ای در اختیار شما قرار می‌دهند. به همین منظور نرم‌افزارهای پیشنهادی در این حوزه، با توجه به سیستم عامل‌های مختلف و کاربری‌های متفاوت در این مقاله معرفی می‌شوند.

ویژگی و قابلیت‌های نرم‌افزار Internet Speed Meter‏، مناسب اندروید

کاربرانی اندرویدی برای کنترل و مدیریت مصرف اینترنت خود می‌توانند از نرم‌افزار Internet Speed Meter استفاده کنند. این نرم‌افزار سرعت واقعی دانلود و آپلود سرویس اینترنت دریافتی‌تان را به شما اعلام می‌کند و علاوه بر این امکان، میزان ترافیک مصرفی شما را نیز در اختیارتان قرار می‌دهد. لازم به ذکر است که این نرم‌افزار گزارش مصرف روزانه، هفتگی و ماهانه در اختیار شما قرار می‌دهد و استفاده از آن، مصرف باتری زیادی ندارد. نمایش سرعت شبکه در نوار مربوط به اطلاع‎رسانی، از جمله دیگر مزیت‌های این نرم‌افزار است.

نرم‌افزار My Data Manager مناسب iOS

این نرم‌افزار با نزدیک به 15 میلیون نصب انجام شده، مورد اعتماد بسیاری از کاربران IOS بوده است. کاربران با استفاده از این نرم‌افزار می‌توانند بر روی استفاده از ترافیک مصرفی هنگام اتصال به اینترنت دیتا یا Wi-Fi کنترل و یک برنامه برای تمامی افرادی که از یک اینترنت مشترک استفاده می‌کنند، تعریف و حجم مصرفی این افراد را مدیریت کنند. ضمن اینکه این نرم‌افزار به امنیت داده‌های تلفن همراه شما در حالت اتصال به Wi-Fi عمومی کمک خواهد کرد.

نرم‌افزار DU Meter، مناسب ویندوز

با استفاده از این نرم‌افزار کاربران قادر خواهند بود بر روی لپ‌تاپ یا کامپیوتر شخصی‌شان، گزارش روزانه، هفتگی و ماهانه از مصرف اینترنت خود دریافت کنند که نوع این گزارش می‌تواند در فرمت‌های گوناگون و دلخواه کاربر باشد. با استفاده از این نرم‌افزار می‌توان به صورت لحظه‌ای از آمار مصرف بسته اینترنت خود توسط تمامی نرم‌افزارهای باز در سیستم مطلع شد.

نرم‌افزار networx مناسب Mac

این نرم‌افزار با کاربری ساده به کاربران این اجازه را می‌دهد که علاوه بر کنترل مدیریت مصرف خود، سرعت دانلود خود را به صورت لحظه‌ای و به‌طور متوسط اندازه‌گیری کنند. این نرم‌افزار با قابلیت برنامه‌‎ریزی جهت قطع هوشیار اتصال، جلوی هرگونه استفاده نامتعارف و هک شدن شبکه Wi-Fi را می‌گیرد. با استفاده از این نرم‌افزار شما قادر خواهید بود گزارش ریز مصرف اینترنت را به صورت جامع و با نمودارهای مناسب، ارزیابی کنید. نرم‌افزار networx هرگونه فعالیت شبکه‌ای مشکوک در سیستم شما را تشخیص می‌دهد.

سایر راه‌های کنترل و مدیریت مصرف اینترنت

به عنوان مثال یکی از راه‌های جلوگیری از مصرف حجم نامتعارف بسته‌های اینترنت برای مشترکین مبین‌نت، استفاده از قابلیت MAC FILTER است. تنظیمات MAC FILTER در مودم‌های مبین‌نت به مشترکین این امکان را می‌دهد با توجه به آدرس مک دستگاه‌های خود، به عده خاصی از آن‌ها اجازه دسترسی به شبکه Wi-Fi را بدهد و خارج از این قاعده، اجازه اتصال به دستگاه‌های دیگر را صادر نکند. جهت مشاهده طریقه تنظیم MAC FILTER در انواع مودم‌های مبین‌نت، اینجا کلیک کنید.

یکی از راه‌های ساده‌ای که با استفاده از آن کاربران مبین‌نت می‌توانند به مدیریت و کنترل مصرف حجم بسته خود کمک کنند، تغییر تنظیمات Wi-Fi است. در حقیقت تغییر تنظیمات کاربری به افزایش امنیت شبکه برای کاربران کمک خواهد کرد. البته باید توجه داشت که تنظیمات انواع مودم‌های مبین‌نت متفاوت است و شما می‌توانید برای اطلاع از نحوه تغییر تنظیمات انواع مودم‌های مبین‌نت، اینجا کلیک کنید.

تمامی نرم‌افزارها و راهکارهایی که جهت مدیریت مصرف اینترنت و مشاهده ترافیک مصرفی معرفی شده‌اند، به منظور کنترل و مدیریت مصرف اینترنت، جلوی برخی از دانلودهای خودکار را می‌گیرند اما شما باید آگاهی داشته باشید که بسیاری از نرم‌افزارها در طول هفته، بارها وارد فرایند بروزرسانی با حجم مصرفی زیادی می‌شوند که ممکن است شما از آن آگاه نباشید، به این ترتیب پیشنهاد می‌کنیم علاوه بر راه‌های ذکر شده، تنظیمات بروزرسانی هر یک از برنامه‌های نصب شده روی سیستم خود را بررسی فرمایید.

منبع: دیجیاتو

با ۸ توزیع زیبا از سیستم‌عامل لینوکس آشنا شوید

سیستم‌عامل کامپیوتر‌های شخصی بر خلاف دنیای موبایل، دو رقابت کننده اصلی ندارد. ویندوز که به نوعی نامش با سیستم‌عامل گره خورده، یکه‌تاز و دست‌نیافتنی است. دیگر سیستم‌عاملی که کاربران معمولی و البته کمی مرفه‌تر از آن استفاده می‌کنند، macOS است. در این بین اما لینوکس جای گرفته که شاید کاربران عادی برای مصارف روزانه از آن استفاده نمی‌کنند، اما در بین توسعه‌دهندگان و برنامه‌نویسان از محبوبیت بسیاری برخوردار است. با این حال اگر یک کاربر عادی بخواهد این سیستم‌عامل را امتحان کند، زیبایی یکی از معیارهایی است که همواره در نظر می‌گیرد. از همین رو در این مقاله قصد داریم چند توزیع زیبای لینوکس را معرفی کنیم تا شاید ترغیب شوید از این سیستم‌عامل محبوب و کاربردی استفاده کنید.

۱) elementary OS

 

توزیع لینوکس المنتری او اس یکی از زیباترین توزیع هایی است که می توانید از آن استفاده کنید. از لحاظ بصری و ظاهری این توزیع شباهت زیادی به macOS دارد، ولی در عین حال تجربه خوب و روانی را در اختیارتان قرار می‌دهد. در نتیجه اگر از کاربران macOS هستید، نباید کار چندان سختی در تطبیق دادن خود با این توزیع داشته باشید. از آن مهم‌تر این است که این توزیع بر اساس اوبونتو توسعه‌داده شده و در نتیجه پشتیبانی خوبی از برنامه‌ها دارد.

ویژگی‌های این توزیع تنها به زیبایی‌های بصری محدود نمی‌شود و توسعه دهندگان این سیستم‌عامل همواره در تلاشند تا تغییرات معناداری را در هر نسخه از این سیستم‌عامل ایجاد کنند. از همین رو می‌توان انتظار داشت با هر بروزرسانی، تجربه کاربری بهتری در اختیارتان قرار گرید.

۲) Deepin

 

دیپین از دیگر توزیع‌های زیبای لینوکس است که بر پایه دبیان توسعه‌داده شده. انیمیشن‌های این سیستم‌عامل بسیار زیبا هستند، هرچند که ممکن است برای بسیاری کمی کند و طولانی تداعی شود. این توزیع، محیط دسکتاپ مربوط به خود را دارد که به نوعی تلفیقی از ویژگی‌های ضروری برای تجربه بهترین رابط کاربری ممکن است. البته شاید این رابط کاربری شباهت چندانی با آن چه در ذهنتان دارید نداشته باشد، ولی یاد گرفتن آن کار ساده ای است.

شاید بتوان گفت مهمترین بخش این توزیع، پالت رنگی به کار رفته در پنل کنترل سیستم‌عامل بوده که بسیار جذاب طراحی شده است.

۳) Pop!-OS

 

این توزیع توانسته رابط کاربری جذاب را روی اوبونتو توسعه دهد و در عین حال تجربه کاربری خالصی از گنوم در اختیار کاربران قرار دهد. این توزیع پر زرق و برق نیست و از انیمیشن‌های پیچیده نیز استفاده نمی‌کند. در هر صورت توسعه‌دهندگان توانسته‌اند ترکیب کاملی از تم و آیکن‌های جذاب را در کنار مشخصات فنی مناسب در اختیار کاربران قرار دهد.

۴) Manjaro Linux

 

مانجارو لینوکس بر پایه سیستم‌عامل آرچ لینوکس توسعه داده شده. نصب آرچ بسیار پیچیده است ولی لینوکس مانجارو توانسته تجربه بهتر و ساده‌تری از آرچ را ارائه کند. این توزیع تنوع زیادی از محیط‌های دسکتاپ را در اختیار کاربران قرار می‌دهد که می‌توانید پیش از دانلود کردن این توزیع، آن را انتخاب کنید. با این حال فارغ از این که کدام نسخه را دانلود کنید، مانجارو لینوکس قابلیت‌های شخصی‌سازی زیادی را در اختیار شما قرار می‌دهد.

اگر به دنبال توزیعی هستید که به کمک آن بتوانید به صورت ساده از سیستم‌عامل آرچ استفاده کنید، لینوکس مانجارو بهترین انتخاب است.

۵) KDE Neon

 

این توزیع بیشتر به درد اشخاصی می‌خورد که می خواهند ساده‌ترین برخوردرا با یک زبان طراحی داشته باشند و در عین حال، رابط کاربری فوق‌العاده‌ای را نیز تجربه کنند. KDE Neon توزیع سبکی از اوبونتو است و همان‌طور که از نامش نیز پیداست، محیط دسکتاپ KDE Plasma را اجرا می‌کند که بسیار زیبا و سبک است. شخصی‌سازی‌های بسیاری در این توزیع وجود دارد که دست کاربر را بسیار باز خواهد گذاشت.

این توزیع جدیدترین و بهترین محیط دسکتاپ KDE Plasma و اپلیکیشن‌های KDE را به کاربران هدیه می‌دهد. برخلاف کوبونتو و دیگر توزیع‌های مبتنی بر KDE هم نیازی نیست ماه‌ها برای دریافت بروزرسانی منتظر بمانید.

۶) Zorin OS

 

بی‌شک می‌توان زورین او اس را یکی از بهترین و زیباترین توزیع‌های لینوکس دانست که حتی در نسخه سبک آن نیز می‌تواند رابطه کاربری جذاب و تکمیلی را ارائه کند. در صورتی که قصد نصب این سیستم‌عامل را دارید، می‌توانید از بین نسخه کامل و لایت یکی را انتخاب کنید. رابط کاربری این توزیع، به گونه‌ای است که هم کاربران macOS و هم کاربران ویندوز را راضی خواهد کرد.

همچنین از آن‌جایی که این توزیع بر پایه اوبونتو توسعه داده شده، می‌توان از اجرای روان برنامه‌های متعدد و کاربردی، اطمینان حاصل کرد. در صورتی که قصد دارید از زورین او اس استفاده کنید، می‌توانید زورین گرید (Zorin Grid) را نیز امتحان کنید. زورین گرید به شما اجازه می‌دهد چندین کامپیوتر مبتنی بر زورین او اس را از خانه یا محل کارتان کنترل کنید. نسخه اولتیمیت این توزیع نیز به شما اجازه می‌دهد که محیط دسکتاپ خود را انتخاب کرده و آن را شبیه به macOS یا ویندوز کنید.

۷) Nitrux OS

 

نیتراکس او اس توزیعی است که کم و بیش بر پایه اوبونتو توسعه داده شده ولی تمام ویژگی‌های آن را ندارد. این توزیع بیشتر تمرکز خود را روی ارائه تجربه روان رابط کاربری گذاشته و با بهره‌وری حداکثری از زبان طراحی خاص خود، تجربه بی‌نظیری را در اختیارتان می‌‌گذارد. محیط دسکتاپ این سیستم‌عامل بر اساس دسکتاپ نومد (Nomad) و KDE پی‌ریزی شده است.

نیتراکس همواره کاربران را ترغیب می‌کند تا از فرمت Applimage در این سیستم‌عامل استفاده کنند، اما همچنان این اجازه را به شما می‌دهد که از مدیریت فرمت پکمن آرچ که در نیتراکس تعبیه شده نیز استفاده کنید. با وجود این که این سیستم‌عامل بهترین توزیع لینوکسی نیست که می‌توانید نصب کنید، اما همچنان برای اجرای کار‌های روزمره مناسب است.

۸) eXtern OS

 

این سیستم‌عامل هنوز در مراحل ابتدایی خود به سر می‌برد ولی همچنان بسیار زیبا طراحی شده است. مشکلی که این توزیع دارد این است که به صورت دوره‌ای بروزرسانی نمی‌شود و برای آپدیت شدن آن باید بسیار صبور باشید. اما اگر تنها بخواهید از زیبایی‌های بصری آن لذت ببرید، می‌توانید روی سیستمی جداگانه و صرفا برای امتحان آن، eXtern OS را نصب کنید.

جمع‌بندی

 

در حالت کلی می‌توان گفت تمامی این توزیع‌ها، بسیار زیبا و کاربردی هستند و نصب هر کدام بیشتر مربوط به سلیقه خودتان می‌شود. حتما پیشنهاد می‌کنیم پیش از این که هر کدام از این توزیع‌ها را نصب کنید، از فایل‌های خود بکاپ گرفته و بر اساس راهنمایی‌های موجود عمل کنید.

منبع: سایت دیجیاتو

سامسونگ می‌خواهد اینترنت اشیاء را به سادگی فشردن یک کلید کند

سامسونگ در نطق اصلی خود در نمایشگاه لاس‌وگاس در باره‌ی برنامه بزرگش برای اینترنت اشیاء و ساده‌سازی استفاده از آن در زندگی روزمره داد. آن‌ها تمام اپلیکیشن‌های مربوط به اینترنت اشیاء مانند Samsung Contect، Smart Home و Smart View را یکپارچه کرده‌اند و قرار است در قالب اپلیکیشنی واحد به نام SmartThings در بهار ۲۰۱۸ ارائه شود. با این اپلیکیشن کاربر قادر خواهد بود تمام محصولات سازگار با پلتفرم اینترنت اشیاء سامسونگ را از طریق تلویزیون، موبایل یا خودرو، به واسطه‌ی اپلیکیشن SmartThings کنترل کند. 

سامسونگ با این اقدام خود در تلاش است تا یکپارچه‌سازی بهتری بین ابزارهای هوشمند خود داشته باشد و بستر لازم برای استفاده ساده از اینترنت اشیاء را فراهم کند. البته فرایند یکپارچه‌سازی و پشتیبانی از پلتفرم جدید سامسونگ تا سال ۲۰۲۰ طول خواهد کشید؛ اما پس از آن‌، همه لوازم خانگی و دیگر ابزارهای خانه هوشمند سامسونگ از اپلیکیشن SmartThings پشتیبانی خواهند کرد. در حال حاضر مثلا برای کنترل سیستم تهویه هوا، ماشین لباس‌شویی، تلویزیون، ترموستات، روشنایی و ... باید اپلیکیشن مربوط به هر کدام را نصب کنید. 

سامسونگ همچنین در تلاش است تا دستیار صوتی اختصاصی خود را که با نام بیکسبی شناخته می‌شود، وارد لوازم خانگی و اجزاء تشکیل‌دهنده‌ی اینترنت اشیاء کند. به‌عنوان مثال این کمپانی در CES امسال از یخچال‌فریزر جدید خود با پشتیبانی از بیکسبی پرده برداری کرد. سامسونگ وعده داده است که به‌زودی محصولات بیشتری از بیکسبی پشتیبانی خواهد کرد تا کاربر بتواند تنها از طریق دستورات صوتی، لوازم خانگی و الکتریکی مورد نظر خود را کنترل کند. 

مشکل بعدی در اینترنت اشیاء آن است که مردم همه محصولات خود را از یک برند خریداری نمی‌کنند و همین عامل باعث شده است سامسونگ در مؤسسه‌های مختلف از جمله انجمن Open Connectiviy عضو شود تا از استانداردهای آن‌ پشتیبانی کند و امکان اتصال ابزارهای مختلف به لوازم سازگار با اینترنت اشیاء خود را فراهم کند. 

جالب است بدانید که سامسونگ تنها در سال ۲۰۱۷ مبلغ ۱۴ میلیارد دلار صرف تحقیق و توسعه در زمینه‌ی اینترنت اشیاء کرده است؛ این نشان می‌دهد که سامسونگ در متصل کردن لوازم مختلف به اینترنت اشیاء و ساده‌سازی آن برای مصرف‌کننده‌ی نهایی مصمم است. 

منبع: سایت زومیت

قوانین فیزیک به کمک هوش  مصنوعی میایند

امروزه کامپیوترها می‌توانند خودروها را هدایت کنند، قهرمان‌های جهان را در بازی‌های تخته‌ای مانند شطرنج و Go شکست دهند و حتی نثرهای ادبی بنویسند. بخش زیادی از تحولات هوش مصنوعی به نوع مشخصی از شبکه‌های عصبی مصنوعی وابسته‌اند با الهام از لایه‌های نورون در کورتکس بینایی پستانداران طراحی شده است. توانایی شگفت‌انگیز «شبکه‌های عصبی هم‌گشتی» (CNN-ها) در الگوهای یادگیری داده‌های دوبعدی به‌ویژه در عملیات بینایی کامپیوتر از جمله تشخیص کلمات دست‌نوشته و تشخیص اشیاء در تصاویر دیجیتالی، ثابت شده است.

اما پیاده‌سازی معماری قدرتمند یادگیری ماشین در مجموعه‌های داده‌ای بدون درنظرگرفتن هندسه‌ی مسطح نتیجه‌ی خوبی نخواهد داشت. هندسه‌ی مسطح به مدل‌هایی از اشکال نامنظم گفته می‌شود که در انیمیشن‌های کامپیوتری سه‌بعدی یا ابرهای نقطه‌ای کاربرد دارند که توسط خودروهای خودران برای نقشه‌برداری از محیط اطراف ساخته می‌شوند. در سال ۲۰۱۶، روش جدیدی به‌نام یادگیری عمیق هندسی با هدف خارج کردن CNN-ها از حالت مسطح، ظهور کرد.

^{یکی از دستاوردهای موفقیت‌آمیز روش‌های جدید یادگیری ماشین، شناسایی دقیق تومورها در سی‌دی اسکن از این روش‌ها می‌توان روزی برای بهبود تشخیص‌های پزشکی استفاده کرد.}

امروزه، پژوهشگرها موفق به ارائه‌ی چارچوب جدید تئوری برای ساخت شبکه‌های عصبی شده‌اند. این شبکه‌ها می‌توانند روی انواع سطوح هندسی به یادگیری الگو بپردازند. این شبکه‌ها که با عنوان CNN-های پیمانه‌ای هم شناخته می‌شوند، قادر به تشخیص الگوها در آرایه‌‌ پیکسل‌های دوبعدی و اشیای منحنی نامتقارن و کروی هستند. تاکو کوهن، ماری ویلر، برکی کیکاناگلو و مکس ویلینگ از توسعه‌دهندگان شبکه‌های عصبی همگشتی هستند. ویلینگ می‌گوید: «این چارچوب، پاسخی قطعی به مسئله یادگیری عمیق روی سطوح منحنی است.»

عملکرد CNN-های پیمانه‌ای در یادگیری الگو از داده‌های شبیه‌سازی‌شده‌ی جوی به طرز چشمگیری از شبکه‌های عصبی گذشته بهتر است. داده‌های جوی معمولا روی سطوح کروی نگاشته می‌شوند. الگوریتم‌های یادشده همچنین برای بهبود دید پهپادها و وسایل خودکاری که اشیای سه‌بعدی را زیر نظر دارند و برای شناسایی الگو در داده‌های سطوح منحنی نامنظم قلب، مغز و دیگر اعضای بدن، عملکرد سودمندی دارند.

راه‌حل پژوهشگرها برای عملکرد یادگیری عمیق فراتر از سطوح تخت، ارتباط عمیقی با دانش فیزیک دارد. نظریه‌های فیزیکی مانند نظریه‌ی نسبیت عام آلبرت اینشتین و مدل استاندارد فیزیک ذرات برای توصیف جهان به کار رفته‌اند. این نظریه‌ها دارای خصوصیتی به‌نام «هم وردایی پیمانه‌ای» (gauge equivariance)هستند. هم وردایی پیمانه‌ای یعنی کمیت‌های جهان و روابط آن‌ها به چارچوب‌های دلخواه مرجع («پیمانه‌ها») بستگی ندارند؛ بلکه صرف ‌نظر از حرکت یا ایستایی ناظر یا فاصله‌ی اعداد روی خط‌کش، ثابت می‌مانند. اندازه‌گیری‌های پیمانه‌های مختلف باید قابل تبدیل به یکدیگر باشند به‌طوری‌که روابط بنیادی بین اشیا حفظ شود.

برای مثال، اندازه‌گیری طول زمین فوتبال را براساس یارد در نظر بگیرید، سپس دوباره آن را براساس متر اندازه‌گیری کنید؛ اعداد به شیوه‌ای قابل پیش‌بینی تغییر خواهند کرد. به‌طور مشابه، فرض کنید دو عکاس از دو نقطه‌ی متفاوت عکس می‌گیرند و خروجی‌های متفاوتی را تولید می‌کنند، اما می‌توان دو تصویر را به یکدیگر ربط داد. هم‌وردایی پیمانه‌ای، سازگاری مدل‌های فیزیکی واقعی را صرف‌نظر از پرسپکتیو یا واحدهای اندازه‌گیری آن‌ها تضمین می‌کند. CNN-های پیمانه‌ای هم دقیقا چنین فرآیندی را روی داده‌ها اجرا می‌کنند. کایل گرانمر، فیزیکدان دانشگاه نیویورک، از یادگیری ماشین برای داده‌های فیزیک ذرات استفاده می‌کند. او می‌گوید:

در فیزیک هیچ جهت‌گیری خاصی وجود ندارد و هدف، رسیدن به نتیجه‌ی مشابهی برای شبکه‌های عصبی است؛ و حالا روش مناسبی برای رسیدن به این نتیجه ابداع شده است.

^{تاکو کوهن، پژوهشگر یادگیری ماشین در کوالکوم و دانشگاه آمستردام، یکی از معماران ارشد شبکه‌های عصبی همگشتی است.}

فرار از سطح

مایکل برونستین، دانشمند کامپیوتر کالج سلطنتی لندن، در سال ۲۰۱۵، اصطلاح «یادگیری عمیق هندسی» را در سال ۲۰۱۵، به‌عنوان مقدمه‌ای برای رهایی از سطح و طراحی شبکه‌های عصبی با قابلیت یادگیری داده‌های غیرسطحی، ابداع کرد. محبوبیت این روش خیلی زود، افزایش یافت.

برونستین و همکاران او می‌دانستند برای فرا رفتن از صفحه‌ی اقلیدسی باید به بازسازی روالی محاسباتی بپردازند و کارایی شبکه‌های عصبی در تشخیص تصویر دوبعدی را افزایش دهد. این روال که «هم‌گشت» نامیده می‌شود، به لایه‌ای از شبکه‌ی عصبی اجازه می‌دهد عملیات ریاضی را روی بخش‌های کوچکی از داده‌های ورودی اجرا کند و سپس نتایج را به لایه‌ی بعدی در شبکه ارسال کند. برونستین می‌گوید:

می‌توان هم‌گشت را به پنجره‌ای کشویی تشبیه کرد.» شبکه‌ی عصبی هم‌گشتی، تعداد زیادی از این پنجره‌ها را روی فیلترهای شبه‌ داده‌ای ورق می‌زند. هر کدام از فیلترها برای کشف نوع مشخصی از الگوهای داده‌ای طراحی شده‌اند. برای مثال در جستجوی تصویر یک گربه، CNN می‌تواند از فیلترهایی استفاده کند که دیگر لایه‌های شبکه را نادیده می‌گیرند و با اجرای همگشت‌های دیگر، مشخصه‌های سطح بالاتری مثل چشم‌ها، دم یا گوش‌های مثلثی گربه را استخراج می‌کنند. شبکه‌ای عصبی که برای تشخیص گربه‌ها آموزش دیده است از نتایج هم‌گشت‌های لایه‌ای برای تخصیص برچسب «گربه» یا «غیرگربه» به تصاویر، استفاده می‌کند. اما روش CNN تنها روی صفحه عمل می‌کند. به‌گفته‌ی ویلینگ: «با خم شدن صفحه، CNN دچار مشکل می‌شود.

اجرای عمل هم‌گشت روی سطحی منحنی که در هندسه با عنوان خم هم شناخت می‌شود، مانند نگه‌داشتن یکی از مربع‌های کاغذ شطرنجی روی جهان و تلاش برای ردیابی دقیق خط ساحل گرینلند است. برای قرار دادن مربع روی گرینلند باید کل کاغذ را روی سطح فرود آورد و با برداشتن مجدد کاغذ، طرح دچار انحراف می‌شود. از طرفی نگه‌داشتن مربع کاغذی به‌صورت مماس با جهان در یک نقطه و سپس ردیابی لبه‌ی گرینلد در حال دیدن کاغذ (روشی که به آن نقشه‌ی مرکاتور هم گفته می‌شود) هم منجر به ایجاد اعوجاج و انحراف خواهد شد. از طرفی می‌توان کاغذ شطرنجی را به‌جای کره‌ی جغرافیایی روی یک نقشه‌ی کاغذی مسطح قرار داد، اما با این کار میزان انحراف‌ها دو برابر خواهد شد. برای مثال کل لبه‌ی بالایی نقشه تنها یک نقطه در جهان را نشان می‌دهد (قطب شمال)؛ و در صورتی که منحنی، مانند جهان کاملا کروی نباشد و مانند بطری سه‌بعدی یا مولکول پروتئین، پیچیده‌تر و بی‌نظم‌تر باشد، اعمال فرایند هم‌گشت روی آن دشوارتر خواهد شد.

برونستین و همکاران او در سال ۲۰۱۵، راه‌حلی برای مسئله‌ی هم‌گشت روی منحنی‌های غیراقلیدسی ابداع کردند. آن‌ها در این روش، پنجره‌ی کشویی را به‌جای تکه‌ای کاغذ شطرنجی، به تارعنکبوتی مدور تشبیه کردند. به‌طوری‌که بتوان آن‌ را بدون مچاله شدن، کشیدگی یا پارگی روی هر نقطه از سطح منحنی قرار داد.

با تغییر خصوصیات فیلتر کشویی، عملکرد CNN در درک روابط مشخص هندسی، بهبود پیدا کرد. برای مثال در شکلی سه‌بعدی که به دو حالت مختلف خم شده است (مانند فیگور انسانی که ایستاده و انسانی که یک پای خود را بلند کرده است)، الگوریتم تشخیص می‌دهد هر دو حالت، مربوط به یک شیء هستند نه دو شیء متفاوت. تغییرات، بازدهی شبکه‌ی عصبی را در یادگیری به شکل چشمگیری افزایش دادند. به‌گفته‌ی برونستین: «CNN-های استاندارد به مدت چند هفته، از میلیون‌ها نمونه شکل و آموزش استفاده کردند. ما از ۱۰۰ شکل در حالت‌های مختلف برای آموزش در مدت زمان سی دقیقه استفاده کردیم.»

از طرفی، تاکو کوهن و همکاران او در آمستردام برای حل مسئله به روشی کاملا معکوس تلاش می‌کردند. کوهن که در سال ۲۰۱۵ به‌تازگی فارغ‌التحصیل شده بود، به‌دنبال روشی برای خارج کردن یادگیری عمیق از سطوح تخت بود. کوهن همچنین به مسائل مهندسی کاربردی مثل بهینه‌سازی داده‌ها یا روش آموزش شبکه‌های عصبی با نمونه‌های کمتر از هزار یا میلیون عدد، علاقه‌مند بود. او می‌گوید:

روش‌های یادگیری عمیق، یادگیرنده‌های کم سرعتی هستند. شاید این شبکه‌ها برای تشخیص تصاویر گربه با مشکلات اندکی روبه‌رو شوند اما برای تشخیص سوژه‌های مهم‌تری مانند توده‌های سرطانی در تصاویر بافت ریه یافتن و یافتن داده‌های آموزشی بهینه (که باید از نظر پزشکی دقیق، دارای برچسب و فاقد مشکلات حریم خصوصی باشند) به مشکل برمی‌خورند. هرچقدر تعداد نمونه‌های مورد نیاز برای آموزش به شبکه، کمتر باشد، عملکرد شبکه بهتر خواهد بود.

کوهن می‌دانست یکی از روش‌های مهم برای افزایش کارایی داده‌های شبکه‌های عصبی، استفاده از فرضیه‌های مشخصی درباره‌ی داده‌ها است. برای مثال تومور ریه در صورتی که چرخانده یا منعکس نشود، تفاوتی نخواهد کرد. معمولا، شبکه‌ی هم‌گشتی باید از طریق آموزش، به یادگیری اطلاعات تعداد زیادی از الگوها در جهت‌های مختلف بپردازند. کوهن و ویلینگ در سال ۲۰۱۶، مقاله‌ای را درباره‌ی روش رمزنگاری فرضیه‌ها به‌صورت تقارن‌های هندسی در شبکه‌های عصبی منتشر کردند. این روش تا سال ۲۰۱۸ عملکرد خوبی داشت. درنتیجه کوهن و همکار او، ماریسیا وینکز آن را تعمیم دادند و نتایج امیدبخشی را درباره‌ی تشخیص سرطان ریه در سی تی اسکن‌ها منتشر کردند: شبکه‌ی عصبی آن‌ها تنها با استفاده از یک دهم از داده‌های موردنیاز شبکه‌های دیگر، قادر به شناسایی شواهد بصری بیماری بود. پژوهشگرهای آمستردام به تعمیم روش ادامه دادند و روشی را برای هم‌وردایی پیمانه‌ای ابداع کردند.

توسعه‌ی هم وردایی

شباهت‌های اولیه‌ای بین فیزیک و یادگیری ماشین وجود دارد. به‌گفته‌ی کوهن:

هر دو زمینه با مشاهده و مدلسازی برای پیش‌بینی مشاهدات آینده سروکار دارند. هر دو زمینه به‌دنبال مدل هستند نه اشیای مستقل. برای مثال توصیف اتم‌های هیدروژن متفاوت کافی نیست بلکه باید دسته‌بندی کلی از آن‌ها ارائه داد. فیزیک تاکنون دراین‌زمینه موفق بوده است.

فرضیه‌ی هم وردایی (کواریانس، اصطلاحی که فیزیک‌دان‌ها ترجیح می‌دهند)، از زمان اینشتین رایج شدند و فیزیک‌دان‌ها برای تعمیم مدل‌های خود از آن استفاده کردند. به‌گفته‌ی میراندا چنگ، فیزیکدان نظری دانشگاه آمستردام (یکی از همکاران کوهن در تألیف این مقاله که در حال بررسی ارتباط بین فیزیک و CNN-های پیمانه‌ای است): «توصیف صحیح فیزیک به‌معنی استقلال آن از نوع قوانین و نوع ناظران است». یا به‌گفته‌ی اینشتین در سال ۱۹۱۶: «قوانین طبیعت براساس معادله‌هایی توصیف می‌شوند که در تمام سیستم‌های مختصاتی صدق می‌کنند.»

^{میراندا چنگ، فیزیک‌دان دانشگاه آمستردام}

شبکه‌های هم‌گشتی یکی از موفق‌ترین روش‌های یادگیری عمیق هستند که از نمونه‌ی ساده‌شده‌ی اصل «هم‌وردایی ترجمه» استفاده می‌کنند. فیلتر پنجره‌ای که قابلیت مشخصی را در تصویر شناسایی می‌کند (برای مثال وجوه عمودی) سپس روی صفحه‌ای از پیکسل‌ها می‌لغزد (ترجمه می‌کند) و به رمزنگاری موقعیت‌های لبه‌های عمودی می‌پردازد؛ در مرحله‌ی بعد «نقشه‌ی مشخصه» را می‌سازد که در آن موقعیت‌های مکانی را مشخص کرده است و سپس آن را به لایه‌ی بعدی شبکه ارسال می‌کند. ساخت نقشه‌های مشخصه به خاطر هم‌وردایی ترجمه امکان‌پذیر است: شبکه‌ی عصبی «فرض می‌کند»، یک مشخصه‌ی مشابه می‌تواند در هر نقطه‌ از صفحه‌ی دو بعدی ظاهر شود و می‌تواند لبه‌ی عمودی را به‌عنوان لبه‌ی عمودی در گوشه‌ی بالای راست یا گوشه‌ی پائین چپ تشخیص دهد. ویلر می‌گوید: «نکته‌ی مربوط به شبکه‌های عصبی هم‌وردا، دریافت تقارن‌های واضح و قرار دادن آن‌ها در معماری شبکه‌ای است. امتحان آن مجانی است.»

ویلر، کوهن و مکس ویلینگ همکار آن‌ها در سال ۲۰۱۸، روش یادشده را برای انواع هم‌وردایی توسعه دادند. CNN-های «هم وردای گروهی»، بدون نیاز به آموزش در نمونه‌هایی مشخص، قادر به کشف مشخصه‌های بازتابی و چرخشی در تصاویر مسطح هستند؛ CNN-های کروی هم می‌توانند نقشه‌های مشخصه را براساس داده‌های موجود روی سطح کره بسازند و آن‌ها را دچار انحراف نکنند.

روش‌های یادشده هنوز به اندازه‌ی کافی نمی‌توانند داده‌های روی منحنی با ساختار نامنظم و ناهموار را کنترل کنند. منحنی‌های نامنظم، همه چیز از سیب‌زمینی تا پروتئین و بدن انسان و حتی خمیدگی فضا و زمان را دربرمی‌گیرند. انواع منحنی‌های نامنظم، فاقد تقارن سراسری هستند، به همین دلیل شبکه‌های عصبی نمی‌توانند فرضیه‌های یکسانی برای آن‌ها داشته باشند: زیرا هر موقعیت مکانی روی آن‌ها با دیگری متفاوت است.

چالش اصلی لغزاندن یک فیلتر مسطح روی سطحی است که بتواند جهت فیلتر را براساس مسیر مشخص دریافتی، تغییر دهد. فرض کنید فیلتر برای کشف یک الگوی ساده طراحی شده است: لکه‌ای سیاه در سمت چپ و لکه‌ای روشن در سمت راست. با لغزش به سمت بالا، پائین، چپ یا راست روی شبکه‌ی مسطح، جهت فیلتر همواره در جهت راست خواهند ماند؛ اما این روند حتی روی سطح کره هم تغییر می‌کند. اگر فیلتر را به اندازه‌ی ۱۸۰ درجه دور استوای کره بچرخانید، جهت فیلتر یکسان باقی می‌ماند: لکه‌ی سیاه در سمت چپ و لکه‌ی روشن در سمت راست. اگر موقعیت خود را به قطب شمال کره تغییر دهید و سپس فیلتر را به همان نقطه منتقل کنید، جهت آن بالا به پائین خواهد شد: لکه‌ی سیاه در سمت راست و لکه‌ی روشن در سمت چپ. درنتیجه فیلتر، همان الگو را کشف نمی‌کند یا همان نقشه‌ی مشخصه را رمزنگاری نمی‌کند. بلکه ممکن است فیلتر با جابه‌جایی در اطراف منحنی‌های پیچیده‌تر، در جهت‌های ناسازگاری قرار بگیرد.

فیزیک‌دان‌ها از زمان اینشتین با مشکل یکسانی سرو کار داشتند و به راه‌حل آن رسیدند: هم‌وردایی پیمانه‌ای. اما به‌گفته‌ی ویلینگ آن‌ها نکته‌ای کلیدی را فراموش کرده‌اند: ردیابی تغییر جهت فیلتر با حرکت در مسیرهای مختلف. آن‌ها فقط می‌توانند جهت یک فیلتر (پیمانه) را انتخاب کنند و سپس روشی سازگار برای تبدیل نقاط آن پیدا کنند.

در روش فوق می‌توان از پیمانه‌های دلخواه در جهت‌گیری اولیه استفاده کرد اما در تبدیل پیمانه‌های دیگر به چارچوب مرجع، باید الگوی اصلی را حفظ کرد. برای مثال، در تبدیل سرعت نور از متر بر ثانیه به مایل بر ساعت، باید کمیت فیزیکی بنیادی را حفظ کرد. به‌گفته‌ی ویلینگ، با روش هم‌وردایی پیمانه‌ای «اعداد واقعی تغییر می‌کنند با این تفاوت که این تغییرات قابل پیش‌بینی خواهند بود.»

کوهن، ویلر و ویلینگ در سال ۲۰۱۹، به رمزنگاری هم‌وردایی پیمانه‌ای به شبکه‌ی عصبی همگشتی پرداختند. آن‌ها محدودیت‌هایی ریاضی را بر داده‌های قابل دیدن برای شبکه‌ی عصبی اعمال کردند؛ لایه‌های شبکه، تنها الگوهای هم‌ارز پیمانه‌ای را نادیده می‌گیرند. به‌گفته‌ی ویلینگ: «می‌توانید هر سطحی شامل سطوح اقلیدسی تا اشیای منحنی دلخواه و منحنی‌های عجیبی مثل بطری کلاین و فضا زمان چهاربعدی را به این الگوریتم بدهید.»

نظریه‌ای کاربردی

نظریه‌ی CNN-های پیمانه‌ای هم ارز به گونه‌ای تعمیم یافته‌ است که به‌صورت خودکار از فرضیه‌های گذشته‌ی یادگیری هندسی، مثل هم‌وردایی چرخشی و فیلترهای انتقالی روی کره‌ها استفاده می‌کند. حتی روش قبلی مایکل برونستین که امکان تشخیص شکل سه‌بعدی خمیده در حالت‌های مختلف را به شبکه‌های عصبی می‌دهد، در این نظریه صدق می‌کند. برونستین می‌گوید: «هم‌وردایی پیمانه‌ای چارچوب بسیار گسترده‌ای است و تنظیماتی را که در سال ۲۰۱۵ انجام دادیم، شامل می‌شود.»

CNN پیمانه‌ای از دیدگاه تئوری، روی هر سطح منحنی چندبعدی اعمال می‌شود اما کوهن و همکاران او از این روش برای تست داده‌های جوی با ساختار کروی استفاده کردند. آن‌ها از چارچوب هم‌وردای پیمانه‌ای برای ساخت شبکه‌ی عصبی همگشتی استفاده کردند که به منظور کشف الگوهای آب‌وهوایی شدید مثل تندبادهای حاره‌ای در داده‌های شبیه‌سازی جوی، آموزش دیده است. دولت و پژوهشگرهای آکادمیک در سال ۲۰۱۷، از شبکه‌ی هم گشتی استاندارد برای کشف تندبادها با دقت ۷۴ درصد استفاده کردند؛ سال گذشته، CNN پیمانه‌ای موفق به کشف تندبادهایی با دقت ۹۷.۹ درصد شد. (این شبکه نسبت به روش یادگیری عمیق هندسی که در سال ۲۰۱۸ توسعه یافته بود، عملکرد بهتری داشت. روش یادگیری عمیق قبلی، عمومیت کمتری داشت و صرفا مختص سطوح کروی طراحی شده‌ بود. دقت این روش، ۹۴ درصد بود).

مایور مودیگوندا، دانشمند جوی آزمایشگاه ملی برکلی لاورنس، می‌گوید به استفاده از روش‌های یادگیری عمیق به‌ویژه CNN-های پیمانه‌ای ادامه خواهد داد. او می‌گوید: «مشاهده‌ی الگوهای دقیق، صرف‌نظر از جهت‌گیری آن‌ها، جنبه‌ای از هوش بشری انسانی و درست همان‌ چیزی است که به‌دنبال تفسیر آن در انجمن‌های آب‌وهوایی هستیم.» کوالکوم، تولیدکننده‌ی بزرگ تراشه، اخیرا کوهن و ویلینگ را استخدام کرده است و استارتاپ آن‌ها و پروژه‌ی شبکه‌های عصبی آن‌ها را تصاحب کرده است. این شرکت در حال برنامه‌ریزی برای پیاده‌سازی نظریه‌ی CNN-های پیمانه‌ای برای توسعه‌ی کاربردهای بهبودیافته‌ی بینایی کامپیوتر مانند پهپادهایی است که بتوانند به‌صورت آنی، زاویه‌ی دید ۳۶۰ درجه داشته باشند. (اولین نمای فیش آی از دنیا را می‌توان روی یک سطح کروی مانند داده‌ای اقلیمی جهانی نگاشت).

CNN-های پیمانه‌ای توجه بسیاری از فیزیک‌دانها از جمله کرانمر را به خود جلب کرده‌اند. کرانمر قصد دارد از شبکه‌های عصبی برای داده‌های شبیه‌سازی تعامل ذرات زیراتمی استفاده کند. او می‌گوید:

«ما در حال تحلیل داده‌های مربوط به نیروهای هسته‌ای قوی هستیم تا به درکی از درون پروتون برسیم. داده‌ها چهاربعدی هستند؛ بنابراین نمونه‌ی کاربردی بی‌نقصی را برای شبکه‌های عصبی در اختیارمان قرار می‌دهند که دارای هم‌وردایی پیمانه‌ای هستند

ریسی کندور، فیزیک‌دان و پژوهشگر شبکه‌های عصبی هم‌وردا می‌گوید کاربردهای علمی CNN-های پیمانه‌ای ممکن است از کاربرد هوش مصنوعی آن‌ها مهم‌تر باشند. او می‌افزاید: «اگر کار شما تشخیص گربه‌ها در یوتیوب است و نتوانستید گربه‌های وارونه را تشخیص دهید، شاید ضرر زیادی را متحمل نشوید. اما عدم خطای شبکه‌ی عصبی در تشخیص میدان نیرو یا مسیر ذرات برای فیزیک‌دان‌ها اهمیت زیادی دارد؛ زیرا اینجا تنها مسئله‌ی تناسب مطرح نیست. بلکه باید تقارن‌های اصلی را رعایت کرد.»

ریاضی به فیزیک‌دان‌ها در درک بهتر CNN-های پیمانه‌ای و یافتن کاربردهای گسترده‌تری برای آن‌ها کمک می‌کند اما به‌گفته‌ی کوهن، شبکه‌های عصبی هم‌گشتی، نوع جدیدی از فیزیک را معرفی نمی‌کنند. او می‌گوید: «ما حالا قادر به طراحی شبکه‌هایی هستیم که بتوانند انواع داده‌ها را پردازش کنند اما در درجه‌ی اول باید از ساختار داده‌ها آگاه باشید.» به بیان دیگر، فیزیک‌دان‌های می‌توانند از CNN-های پیمانه‌ای استفاده کنند زیرا اینشتین قبلا ثابت کرده است می‌توان از فضازمان به‌عنوان منحنی چهاربعدی استفاده کرد. از طرفی شبکه‌ی عصبی کوهن به خودی خود نمی‌تواند ساختاری را ببیند. بلکه نیاز به یادگیری تقارن‌هایی دارد که انسان در ساخت آن‌ها نقش دارد؛ اما این شبکه‌ها در آینده‌ای نزدیک، کاربردهای گسترده‌تری پیدا خواهند کرد.

کوهن از ایجاد ارتباط بین رشته‌ها لذت می‌برد و حالا موفق شده است این ارتباط را با دقت ریاضی نمایش دهد. او می‌گوید: «من همیشه این درک را داشتم که یادگیری ماشین و فیزیک، عملکرد مشابهی دارند. این ما در آغاز راه این مسئله مهندسی هستیم و با بهبود سیستم‌ها به تدریج می‌توانیم از اتصال‌های متعددی پرده برداریم.»

منبع: سایت زومیت

موتور جست‌وجوی DuckDuckGo در فهرست پیش‌فرض اندروید نمایش داده می‌شود

گوگل فهرست موتورهای جست‌وجوی برنده‌ی مزایده برای قرارگیری در صفحه‌ی انتخاب اندروید را منتشر کرد. غول موتور جست‌وجو چندی پیش علاوه بر جریمه‌ی پنج میلیارد دلاری در اتحادیه‌ی اروپا، ملزم شده بود تا راهکاری جدید برای رفع انحصار موتورهای جست‌وجو در سیستم‌عامل اندروید پیاده کند. نمایش فهرستی از موتورها در راه‌اندازی اولیه‌ی گوشی‌های هوشمند اندرویدی، راهکاری بود که ازطرف اهالی مانتین‌ویو مطرح شد.

صفحه‌ی انتخاب موتور جست‌وجو، به‌محض راه‌اندازی گوشی‌ هوشمند اندرویدی کاربران اروپایی به نمایش در می‌آید. آن‌ها باید یک موتور جست‌وجوی پیش‌فرض را برای گوشی خود از بین چهار سرویس در صفحه انتخاب کنند که گوگل هم همیشه در بین آن‌ها وجود دارد. جانمایی سرویس‌های اختصاصی گوگل در سیستم‌عامل برتر موبایلی جهان، همیشه موضوع پرونده‌های ضدانحصار علیه شرکت بوده است. قانون‌گذاران از مالک اندروید خواستند تا مشکلات کنونی انحصار را رفع کند، اما روش رفع به خود شرکت واگذار شد.

گوگل ابتدا در واکنش به الزام پیاده‌سازی راهکار ضدانحصار، صفحه‌ی انتخاب موتور جست‌وجو را پیشنهاد داد که قرار بود موتورهایی بسته به بازار محلی برای کاربر به نمایش دربیایند. ازطرفی شرکت در تابستان گذشته اعلام کرد که گزینه‌های فهرست را براساس یک مزایده انتخاب خواهد کرد.

برنده‌های اولیه‌ی مزایده‌ی گوگل که از اول ماه مارس سال جاری تا ۳۰ ژوئن همین سال به فهرست اضافه خواهند شد، توسط گوگل اعلام شدند. موتور جست‌وجوی متمرکز بر حریم خصوصی DuckDuckGo رتبه‌ی اول را دریافت کرد. این موتور، یکی از سه جایگاه فهرست پیشنهاد را در تمامی ۳۱ بازار اروپا تصاحب می‌کند. سرویس بعدی، Info.com نام دارد که آن هم در تمامی بازارها حضور خواهد داشت. ویکیپدیا در تعریف سرویس مذکور، آن را موتوری باسابقه می‌داند که نتایج را از مجموعه‌ای از موتورهای جست‌وجو و دایرکتوری، ازجمله گوگل، جمع‌آوری می‌کند.

موتور جست‌وجوی فرانسوی Qwant که با ادعای تمرکز بر حریم خصوصی فعالیت می‌کند، در فهرست پیشنهادی کاربران اروپایی در هشت بازار حضور خواهد داشت. Yandex از روسیه، سرویس بعدی است که در پنج بازار شرق اروپا دیده خواهد شد. از دیگر موتورهایی که در بازارهای محدود اروپایی نمایش داده خواهند شد می‌توان به GMX, Seznam, Givero و PrivacyWall اشاره کرد. در میان موتورهای جست‌وجو، سرویس Bing از مایکروسافت را می‌توان بازنده‌ی بزرگ دانست که تنها در فهرست انتخاب کاربران بریتانیایی نمایش داده خواهد شد.

موتور جست‌وجوی Ecosia که فعالیت خود را با تعهد و تمرکز روی کاشت درختان تعریف می‌کند، در هیچ‌یک از فهرست‌های انتخاب موتور جست‌وجو نمایش داده نخواهد شد. درواقع مدیران اکوزیا، مزایده‌ی گوگل را تحریم کردند و پرداخت هزینه برای نمایش به‌عنوان انتخاب را نوعی سوءاستفاده دانستند.

کریستین کرول، مدیرعامل اکوزیا پس از انتشار خبر مزایده‌ی گوگل، اظهارنظر روشنی پیرامون آن داشت و گفت:

ما اعتقاد داریم که این مزایده با روح قانون کمیسیون اتحادیه‌ی اروپا در ژوئیه ۲۰۱۸ منافات دارد. کاربران اینترنت باید حق انتخاب آزادانه‌ی موتور جست‌وجوی خود را داشته باشند. شرکت در مزایده‌ی گوگل، با حق ما برای داشتن یک اینترنت رایگان، باز و متحد هم‌خوانی ندارد. چرا گوگل باید حق داشته باشد تا انتخاب پیش‌فرض را در اندروید مشخص کند؟

علاوه بر اکوزیا، موتور‌های جست‌وجوی کوانت و داک‌داک‌گو هم در همان زمان اعلام خبر مزایده، مخالفت و انتقادهای خود را بیان کردند. داک‌داک‌گو اکنون با وجود پیروزی در مزایده و کسب جایگاهی در فهرست انتخاب گوشی‌های اندرویدی، هنوز با رویکرد گوگل مخالف است. سخنگوی این سرویس در بیانیه‌ای گفت:

ما اعتقاد داریم فهرست اولویت موتور جست‌وجو درصورت طراحی صحیح، روشی عالی برای افزایش انتخاب مصرف‌کننده‌ها خواهد بود. تحقیقات داخلی ما، این رویکرد را تأیید می‌کنند و ما به روزی امیدار هستیم که کاربران اندروید در اروپا، فرصت انتخاب داک‌داک گو را به‌عنوان موتور جست‌وجوی پیش‌فرض در زمان راه‌اندازی دستگاه داشته باشند. به‌هرحال ما هنوز اعتقاد داریم که فهرستی شامل چهار موتور و با شرایط پرداخت هزینه، رویکرد صحیحی نیست، چون کاربران همه‌ی انتخاب‌‌های ممکن را نمی‌بینند و گوگل نیز با حذف رقابت، سود خواهد کرد.

سخنگوی موتور جست‌وجوی کوانت درباره‌ی رویکرد گوگل گفت:

کوانت همیشه به‌دنبال این بود که همه‌ی رقبا در رویکردی آزاد به بازار موبایل دسترسی داشته و همگی شانس برابری در انتخاب ازسوی کاربران به‌عنوان موتور پیش‌فرض داشته باشند. ما اعتقاد داریم رویکرد گوگل مبنی بر درخواست هزینه از موتورهای دیگر برای نمایش به‌عنوان جایگزین موتور جست‌وجوی گوگل، عادلانه نیست. فراموش نکنید که گوگل محکوم به سوءاستفاده از موقعیت برتر سیستم‌‌عامل اندروید در بازار است.

با این اوصاف، به‌خاطر اهمیت بازار موبایل برای هر موتور جست‌وجوی قوی، ما باید در اولین فرایند مزایده شرکت کرده و امکان انتخاب کوانت به‌عنوان موتور جست‌وجوی پیش‌فرض را در برخی کشورها فراهم می‌کردیم. آرزو می‌کنیم که این برنامه برای همه‌ی کشورها انجام می‌شد و رقبای ما هم فرصت یکسانی در برنامه داشتند، چون موتورهای جست‌وجو باید با بهره‌گیری از توانایی‌ها و قابلیت‌های خود و نه توانایی در پرداخت هزینه به گوگل، برای حضور در فهرست انتخاب موتور پیش‌فرض رقابت کنند.

منبع: سایت زومیت

پتنت جدید اپل؛ دستگاه انگشتی برای کنترل اشیاء در واقعیت افزوده و واقعیت مجازی

اپل همچنان در حال جست‌وجو برای یافتن روش‌هایی جهت ارائه‌ی تجربه‌ی کاربری بهتری در واقعیت مجازی و واقعیت افزوده است. ۲ پتنت جداگانه‌ی اخیر اپل راه‌کارهایی برای کم‌تر دست و پا گیر بودن و بیشتر مفید بودن فناوری پوشیدنی واقعیت مجازی و واقعیت افزوده هستند.

پتنت اول عنوان سیستم‌های کامپیوتری به‌همراه دستگاه‌های انگشتی (Computer Systems with Finger Devices) را دارد و قرار است روند تعامل با اشیاء مجازی را لذت بخش‌تر کند.

در توضیحات این پتنت آمده است:

درحال‌حاضر سامانه‌های واقعیت مجازی برای کنترل اشیاء از دستکش‌هایی دارای فناوری بازخورد نیرو (force-feedback gloves) استفاده می‌کنند و از سوی دیگر تلفن‌های هوشمند صفحه‌نمایش و لرزش‌‌گیر‌هایی دارند که از آن‌ها برای پاسخ به لمس کاربر استفاده می‌شود. چنین دستگاه‌هایی ممکن است برای کاربران مناسب نباشند، دست و پاگیر باشند و کاربران در آن احساس راحتی نکنند یا حتی قادر به ارائه‌ی بازخورد مناسبی به کاربر نباشند.

به همین خاطر اپل به‌عنوان جایگزینی برای دستکش‌هایی که پوشیدن آن‌ها برای کاربر خوشایند نیست یا ممکن است بازخورد ضعیفی در لمس صفحه گوشی‌های هوشمند داشته باشد، حسگر کوچکی را پیشنهاد داده است که می‌توان آن‌ را روی انگشت قرار داد.

در ادامه‌ی این پتنت آمده است:

حسگر لمسی در دستگاه انگشتی تعبیه شده و هم‌زمان با حرکت روی جسم خارجی اطلاعات را گردآوری می‌کند. این جسم خارجی ممکن است نوک انگشتی غیر از انگشت کنترل کننده‌ی دستگاه باشد

داده‌های ورودی توسط انگشت کاربر ممکن است برای کنترل یک جسم مجازی استفاده شود. به‌عنوان مثال یک جسم مجازی را حرکت دهد یا منوی یک نرم‌افزار را کنترل کند. همچنین می‌تواند برای تعامل با اشیاء در دنیای  واقعی استفاده شود؛ به‌این‌صورت که محتوای تولیدشده توسط کامپیوتر روی یک جسم حقیقی به نمایش در می‌آید و کاربر قادر به تعامل با آن است.

^{محل قرارگیری حسگر روی دستگاه  انگشتی}

مهم‌ترین بخش از تعامل با اشیاء مجازی توانايی دیدن آن‌ها است. پتنت دیگر اپل به‌دنبال حل کردن یکی از بزرگ‌ترین مشکلات در واقعیت افزوده و واقعیت مجازی است. ممکن است روزی عینک‌های سبک وزن جایگزین هدست‌های فعلی شوند، اما درحال‌حاضر مجبور به استفاده از هدست‌ها هستیم. این دستگاه‌ها برای هرچه بیشتر متناسب شدن با نیاز همه کاربران ساخته می‌شوند و در عین حال هم اندازه شدن آن‌ها با هر کاربر به‌طور اختصاصی بسیار مشکل است.

اپل باتوجه به همین نکات و بیان اینکه «قرار گرفتن هدست‌ها به‌درستی روی سر کاربر بسیار سخت است و اغلب این دستگاه‌ها احساس خوبی را هنگام استفاده در کاربر ایجاد نمی‌کنند» پتنت دوم خود را معرفی می‌کند؛ همراه‌با این پیشنهاد که چنین هدست‌هایی می‌توانند برای اسکن سر کاربر مجهز به حسگرهایی همانند فیس آی‌دی باشند.

ایده‌ی کلی طرح این است که سر و صورت کاربر به‌طور کامل اسکن می‌شود تا مشخص شود کدام یک از نسخه‌های مختلف قابل تعویض باید روی عینک سوار شوند تا عینک کاملا هم اندازه‌ی صورت کاربر شود.

در حقیقت این هدست هنگامی که روی سر قرار می‌گیرد هیچ تغییری برای اندازه شدن با سر کاربر انجام نمی‌دهد، بلکه با اسکن کامل ۳ بعدی اجازه می‌دهد تا کاربر یا کارمندان پشتیبانی بهترین ماژول را برای استفاده هر‌چه بهتر انتخاب کنند.

^{شمایی از پتنت هدست اپل}

به بیان ساده این هدست دارای یک بدنه‌ی اصلی و قطعات قابل تعویض مطابق با چهره هر فرد خواهد بود.

طبق گزارش‌های اخیر کارمندان اپل در ماه نوامبر گذشته دستگاه‌های واقعیت مجازی و واقعیت افزوده اپل بین سال‌های ۲۰۲۲ و ۲۰۲۳ عرضه خواهند شد. همچنین قرار است سال آینده نشست مشترکی میان اپل و توسعه‌دهندگان در ارتباط با چگونگی ایجاد نرم‌افزار مرتبط با هدست واقعیت افزوده و واقعیت مجازی برگزار شود. علاوه‌براین مطابق اطلاعاتی از کارکنان اپل محصولی تحت عنوان گجت پوشیدنی با کد T288 وجود دارد که از نرم‌افزار جدیدی تحت عنوان rOS  (عنوان کوتاه شده برای reality operating system)  استفاده می‌کند. این می‌تواند همان عینک اپل باشد که قرار است از پردازنده‌ای ۵ نانو‌متری با همان فناوری پردازنده‌ی جدید A14 Bionic اپل استفاده کند. این پردازنده در حال ساخت توسط TSMC است و  نیمه‌ی دوم سال ۲۰۲۰ معرفی خواهد شد.

واقعیت این است که هیچ کس انتظار معرفی هم‌زمان دو دستگاه توسط اپل را ندارد. اما عده‌ای معتقدند عینک اپل تا نیمه سال جاری هم‌زمان با آغاز تولید انبوه تراشه‌ی ۵ نانو‌متری TSMC معرفی می‌شود. اپل امید زیادی به این عینک دارد و بسیاری بر این باورند که این همان اتفاق بزرگ بعدی است. لوپ ونچرز محقق شرکت Gene Munste در سال ۲۰۱۷ اظهار کرده بود عینک اپل می‌تواند از آیفون هم مهم‌تر باشد. چیزی که ابتدا باور آن سخت است؛ درست مانند اواخر سال ۲۰۰۶ که هیچ کس باور نداشت اپل به‌ زودی دستگاه جدیدی را معرفی خواهد کرد که از آیپاد اهمیت بیشتری پیدا کند.

منبع: سایت زومیت

چرا مادربورد کامپیوتر‌ به باتری مجهز است؟

اگر از کامپیوترهای دسکتاپ یا لپ‌تاپ‌های قدیمی استفاده کنید، مادربرد کامپیوترتان به باتری داخلی مجهز است که البته برخلاف باتری‌های معمولی، وظیفه‌ی تأمین برق دستگاه را برعهده ندارد. باتری مذکور به‌نام CMOS شناخته می‌شود و تنها در زمان غیرفعال‌بودن کامپیوتر کار می‌کند. در این مطلب زومیت، کاربردهای باتری مادربرد را شرح و درباره‌ی عمر باتری CMOS و زمان تعویض آن اطلاعاتی ارائه می‌دهیم.

باتری CMOS چیست؟

عبارت CMOS مخفف Complementary Metal-Oxide-Semiconductor است. در روزهای اولیه‌ی تولد کامپیوترهای شخصی،‌ نوعی حافظه‌ی رم به‌نام CMOS RAM وجود داشت که تنظیمات BIOS را در خود ذخیره می‌کرد. حافظه‌ی رم مذکور به باتری نیاز دارند؛ وگرنه در زمان خاموش‌بودن کامپیوتر شخصی، اطلاعات از بین می‌روند.

کامپیوترهای مدرن از حافظه‌ی رم CMOS استفاده نمی‌کنند؛ بلکه تنظیمات BIOS را در حافظه‌‌ای با عمر طولانی‌تر ذخیره می‌کنند و درنتیجه، برای ذخیره‌سازی به جریان دائمی برق نیاز ندارند. مادربردهای UEFI تنظیمات را در حافظه‌های فلش یا روی هارددیسک کامپیوتر ذخیره می‌کنند؛ بنابراین، در این سیستم‌‌ها به باتری نیازی نخواهد بود؛ اما بازهم آن را مشاهده می‌کنید.

UEFI چیست؟

مفهوم UEFI یا Unified Extensible Firmware Interface با هدف جایگزینی BIOS معرفی شد؛ استانداردی صنعتی که بین تولیدکنندگان تراشه همچون AMD و اینتل و با حضور مایکروسافت و تولیدکنندگان کامپیوتر شخصی تصویب شد. UEFI به‌نوعی BIOS را بهبود می‌بخشد.

عمر BIOS به دهه‌ی ۱۹۸۰ و سال‌های ابتدایی تولد و تولید کامپیوترهای شخصی مبتنی‌بر IBM بازمی‌گردد و محدودیت‌های متعددی دارد. UEFI محدودیت‌های گذشته را از بین می‌برد. به‌عنوان مثال، با UEFI می‌توان از درایوهایی تا ۲/۲ ترابایت یا بزرگ‌تر پشتیبانی کرد. به‌علاوه، حالت‌های ۳۲ و ۶۴ بیتی و Secure Boot هم با UEFI ممکن می‌شوند.

بوت امن (Secure Boot) فرایندی است که امنیت کامپیوتر شخصی را در لایه‌ها و مراحل ابتدایی تأمین می‌کند. این لایه‌ی امنیتی مطمئن می‌شود بدافزارها از فرایند راه‌اندازی کامپیوتر سوءاستفاده نکنند. در مرحله‌ی امنیتی، همه‌ی کدهای اجراشده بررسی می‌شوند تا امضای امنیتی معتبری داشته باشند. از قابلیت‌های دیگر UEFI می‌توان به بوت انتخابی و اورکلاک‌کردن و تغییر تنظیمات اختصاصی متعدد مادربرد اشاره کرد.

BIOS چیست؟

کامپیوترهای قدیمی‌تر به‌جای استفاده از UEFI، از BIOS بهره‌ می‌برند. BIOS مخفف عبارت Basic Input/Output System است که در تراشه‌ای در مادربرد کامپیوتر ذخیره می‌شود. وقتی کامپیوتر بارگذاری شود، BIOS شروع به‌کار می‌کند و پس از اجرای آزمایش داخلی روشن‌شدن، سخت‌افزار کامپیوتر را به‌صورت اولیه راه‌ می‌اندازد. سپس، کنترل سیستم به بوت‌لودر واگذار می‌شود که عموما در درایو ذخیره‌سازی قرار دارد. البته بوت‌لودر را می‌توان از دیسک نوری یا حافظه‌ی USB هم اجرا کرد. بوت‌لودر وظیفه‌ی بارگذاری سیستم‌عامل کامپیوتر (ویندوز، لینوکس، مک و...) را برعهده دارد. BIOS مسئولیت وظایف سیستمی سطح پایین را برعهده دارد و کاربر با فشاردادن دکمه‌ای در زمان بارگذاری سیستم، می‌تواند تنظیمات آن را تغییر دهد.

صفحه‌ی تنظیمات BIOS به کاربر امکان می‌دهد تنظیمات سطح پایین سخت‌افزار کامپیوتر را تغییر دهد. تنظیمات مذکور به تولیدکننده و برند مادربرد وابسته؛ اما برخی تنظیمات عمومی و مشترک است. از تنظیمات تغییر‌دادنی در BIOS می‌توان به ترتیب بوت اشاره کرد که اولویت کامپیوتر را در مراجعه به دستگاه‌های ذخیره‌سازی متصل برای بارگذاری بوت‌لودر تغییر می‌دهد. شایان ذکر است اینتل در تمامی تراشه‌های مدل ۲۰۲۰ خود، BIOS را با UEFI جایگزین می‌کند.

چرا مادربرد به باتری نیاز دارد؟

اگر کامپیوترهای امروزی تنظیمات BIOS را در حافظه‌های پایدارتر ذخیره می‌کنند؛ چرا هنوز از باتری در مادربردها استفاده می‌شود؟ پاسخ روشن است: مادربردها هنوز بخشی به‌نام ساعت زنده (Real Time Clock یا RTC) دارند. کامپیوترها با وجود خاموش و روشن شدن، زمان را مانند ساعت کوارتز حفظ می‌کنند؛ درنتیجه، باتری برای ذخیره‌سازی اطلاعات ساعت کاربرد خواهد داشت. وقتی کامپیوتر خاموش می‌شود، باتری نیروی لازم را برای ساعت زنده فراهم می‌کند. 

چه زمانی باتری مادربرد را تعویض کنیم؟

هیچ‌ نوعی از باتری‌ها عمر دائمی ندارند و به‌هرحال به تعویض نیاز پیدا خواهند کرد. باتری‌های CMOS نیز عمرشان محدود است و عموما بیش از ۱۰ سال عمر نخواهند کرد. استفاده‌ی عادی از کامپیوتر عمر باتری را طولانی‌تر می‌کند؛ اما کامپیوترهایی که زمان بیشتری خاموش هستند، بیشتر از انرژی باتری استفاده می‌کنند. اگر عمر باتری کامپیوتر قدیمی به پایان برسد، با پیام‌های خطای زیر مواجه می‌شوید:

• CMOS Battery Failure
• ACPI BIOS Error
• CMOS Read Error
• CMOS Checksum Error
• New CPU Installed

پیغام خطای آخر در فهرست بالا، تا حدودی برای کاربر گمراه‌کننده خواهد بود؛ اما توضیح ساده‌ای برای آن وجود دارد. وقتی باتری مناسب برای تأمین نیروی BIOS وجود نداشته باشد، مادربرد به‌یاد نمی‌آورد پردازنده قبلا هم در سیستم وجود داشته است؛ درنتیجه مادربرد CPU را به‌عنوان قطعه‌ی سخت‌افزاری جدید می‌شناسد.

در کامپیوترهای مدرن‌تر که اطلاعات را در حافظه‌های پایدارتر ذخیره می‌کنند، کامپیوتر پس از پایان عمر باتری نیز احتمالا به‌خوبی بارگذاری می‌شود؛ اما شاید توانایی محاسبه‌ی دقیق زمان را نداشته باشد. در چنین وضعیتی، مشکلات متعدد اتصال و حتی دریافت به‌روزرسانی نرم‌افزاری ایجاد می‌شود و باید برای رفع مشکل اقدام کرد.

چگونه باتری CMOS را تعویض کنیم؟

باتری‌ مادربرد ظاهری شبیه به باتری‌های مرسوم در قطعات الکترونیکی دیگر دارد و دیسکی نقره‌ای است. عموما در مادربردها باتری‌های CR2032 استفاده می‌شوند. قبل از تعویض باتری مادربرد، ابتدا باید سیستم کامپیوتر را خاموش و آن را از منبع تغذیه جدا کنید. اگر در حال تعویض باتری لپ‌تاپ هستید، باتری اصلی آن را جدا کنید. فراموش نکنید بازکردن کامپیوترهای شخصی و انجام عملیات الکترونیکی، رویکردی استاندارد دارد و بیش از همه،‌ الکتریسیته‌ی ساکن ممکن است در قطعات اختلال ایجاد کند. در برخی از مادربردها، باتری با لحیم به مادربرد متصل شده است. در چنین وضعیتی، یا باید مادربرد را به‌طور کامل تعویض کنید یا تعمیرکار باتری را تعمیر یا تعویض کند.

خارج‌کردن و نصب مجدد باتری مادربرد برخی اوقات برای رفع مشکلات کامپیوترهای قدیمی کارساز می‌شود. با برداشتن و نصب مجدد باتری، رمز عبور BIOS و دیگر تنظیمات نیز پاک خواهند شد. علاوه‌بر برداشتن و نصب مجدد باتری، می‌توان تنظیمات BIOS را از داخل خود منو آن نیز تغییر داد یا به حالت اول بازگرداند. برای چنین عملکردی به‌دنبال گزینه‌هایی همچون Clear CMOS یا Reset to Defaults باشید.

منبع: سایت زومیت

افتتاح اولین سرویس تاکسی خودران هوایی جهان در نیوزیلند

شهرهای پرجمعیت و پیشرفته‌ی امروزی درگیر انبوهی از مشکلات ترافیکی هستند. حمل‌و‌نقل هوایی درون‌شهری به‌عنوان راه‌حل صنعتی نوپا اما آینده‌دار به‌منظور کاستن از پیچیدگی‌های ترافیکی شهرها شناخته می‌شود؛ به‌همین‌منظور، مسابقه‌ی شرکت‌های پیشرو اعم از ایرباس و بوئینگ و تویوتا تا گروه‌های کوچک مهندسی از جای‌جای جهان در رسیدن به طرحی اجرایی دراین‌زمینه را شاهد هستیم.

در سال ۲۰۱۷، دولت نیوزیلند با هدف به‌صفررساندن تولید آلاینده‌های کربنی خود تا سال ۲۰۵۰، با امضای تفاهم‌نامه‌ای با شرکت ویسک (Wisk) به‌منظور ساخت پرنده‌ی خودران عمودپرواز الکتریکی (eVTOL) از شروع فعالیت خود در این‌ حوزه خبر داده بود. ویسک شرکتی آمریکایی‌نیوزلندی فعال درزمینه‌ی حمل‌و‌نقل هوایی درون‌شهری محسوب می‌شود که با سرمایه‌گذاری مشترک بوئینگ و مجموعه‌ی کیتی‌هاوک (Kitty Hawk) شکل گرفته است.

در سال ۲۰۱۸، ویسک پرنده‌ی دوسرنشینه‌ی خود، یعنی کورا (Cora) را معرفی کرد. در این پرنده که به‌صورت ترکیبی از هواپیماهای مرسوم بال‌دار و مولتی‌روتورهای عمودپرواز طراحی شده است، ۱۲ موتور الکتریکی کوچک به‌منظور نشست‌و‌برخاست به‌صورت عمودی و یک موتور الکتریکی بزرگ در قسمت عقب به‌منظور افزایش سرعت افقی در نظر گرفته شده است. پرواز این هواپیما به‌مراتب ساکت‌تر از هلیکوپتر است؛ با‌این‌حال، به‌دلیل محدودیت‌های ایجادشده‌ی باتری‌ها، حداکثر برد پروازی این پرنده ۴۰ کیلومتر و حداکثر سرعتش به ۱۶۰ کیلومتر‌بر‌ساعت می‌رسد. همچنین، ارتفاع پرواز کروز نیز حدود ۵۰۰ متر اعلام شده است.

در بحث ایمنی، این پرنده از سه کامپیوتر کنترل پرواز به‌صورت مجزا و یک چترنجات برای فرود آرام هواپیما در مواقع اضطراری بهره می‌برد. افزون‌براین، در مواقعی که پرنده حین نشست یا برخاست در ارتفاع کمتر از ۲۰ متر دچار نقص فنی شود، چترنجات نمی‌تواند از سرعت سقوط هواپیما بکاهد. تاکنون، هیچ‌یک از شرکت‌ها راه‌حل مطمئن و ارزانی برای این سناریو ارائه نداده است. تاکسیهای پرنده قبل از اینکه به‌عنوان بخشی معمول از حمل‌و‌نقل شهری شناخته شوند، باید این مشکل را حل کنند.

^{هواپیمای Cora شرکت Wisk}

گری گایسین، مدیرعامل ویسک، درادامه افزود:

هواپیمای کورا تاکنون بیشتر از هزار پرواز بدون مشکل را ثبت کرده و موفق شده است از سازمان هوانوردی نیوزیلند (CCA) و اداره‌ی هواپیمایی فدرال ایالات متحده (FAA) تأییدیه بگیرد. ما در حال مذاکره با CAA هستیم تا به‌صورت رسمی مجوز اولین سرویس تاکسی هوایی جهان را ابتدا در نیوزیلند و سپس در سایر کشورها اخذ کنیم. حمل‌و‌نقل هوایی درون‌شهری صنعتی نوظهور و باارزش است و نیوزیلند به‌دلیل بهره‌گیری از اکوسیستم پیشرفته و مردمی بادانش یکی از کشورهای جذاب برای شروع است. با نهایی‌شدن این توافق‌نامه، هواپیمای کورا اولین حمل‌و‌نقل هوایی مسافر در شهر کانتربوری نیوزیلند را آغاز می‌کند.

در‌حال‌حاضر، برنامه‌ی زمانی مشخصی برای شروع رسمی فعالیت این شرکت اعلام نشده است. باتوجه‌به اینکه دریافت تأییدیه‌های هواپیماهای تجاری امری بسیار سخت و پرهزینه است، قدرت نفوذ و جیب‌های پُرپول بوئینگ کمکی بسیار بزرگ دراین‌زمینه برای ویسک محسوب می‌شود. همچنین، با درنظرگرفتن ساده‌تربودن قوانین ۱۱۵ گانه‌ی سازمان هوانوردی نیوزیلند، می‌توان انتظار داشت کورا بدون نیاز به پرداختن صدها میلیون دلار برای دریافت مجوزهای کامل، فعالیت تجاری خود را آغاز کند.

مطمئنا پرواز در مولتی‌موتور بدون خلبان اولین‌بار تجربه‌ای بسیار منحصر‌به‌فرد خواهد بود و ضربان قلب مسافران از شوق همراه‌‌با مقداری ترس به بیشترین حد خود می‌رسد. در انتها، شما را به تماشای ویدئو معرفی و پرواز کورا دعوت می‌کنیم.

شما در‌باره‌ی تاکسی‌های هوایی چه فکر می‌کنید؟ حاضرید با تاکسی هوایی بدون خلبان پرواز کنید؟

منبع: سایت زومیت

باتری های گرافینی و اهمیت آن‌ها برای ابزارهای آینده

فناوری باتری‌های مورد استفاده در گوشی‌های هوشمند امروزی، در وضعیت نسبتا خوبی قرار دارد. در عین‌حال، تنها چیزی که دارندگان دستگاه‌های هوشمند را راضی نمی‌کند، مدت زمان شارژدهی باتری‌ها است. فوق‌العاده نبود اگر می‌توانستیم با یک‌بار شارژ، برای چند روز یا حتی یک هفته از دستگاه‌های خود استفاده کنیم؟ باتری‌های گرافینی، دستاورد جدیدی هستند که ممکن است که این رویا را به واقعیت تبدیل کنند.

در حال حاضر، این نوع از باتری‌ها در دستگاه‌های ما مورد استفاده قرار نمی‌گیرند؛ اما خوشبختانه فناوری مربوطه در حال پیشرفت است. در آینده، باتری‌های گرافینی ممکن است جایگزین باتری‌های لیتیوم-یونی کنونی شوند؛ باتری‌های که دنیای فناوری شدیدا به آن‌ها وابسته است.

فناوری باتری‌های گرافینی، برای مدت طولانی در حال طی کردن مسیر تکامل است؛ اما به‌نظر می‌رسد در حال نزدیک شدن به نقطه‌ی پایانی این مسیر هستیم. هرچند تا تجاری‌سازی این فناوری فاصله داریم؛ اما بد نیست گوشه‌ی چشمی هم به این فناوری نوین داشته باشیم. در ادامه، با فناوری باتری‌های گرافینی آشنا می‌شویم.

باتری گرافینی چیست؟

پیش از صحبت کردن از باتری‌های گرافینی، بهتر است ابتدا در رابطه با گرافین و نحوه‌ی کارکرد آن صحبت کنیم. به‌طور خلاصه، گرافین ترکیبی از اتم‌های کربن است که آرایش شش‌گوشه یا لانه‌زنبوری دارد. آن‌چه موجب خاص بودن گرافین می‌شود این است که ضخامت هر لایه‌ی گرافین معادل یک اتم است. به‌عبارتی، یک ورقه‌ی گرافین را می‌توان ورقه‌ای دوبعدی به‌حساب آورد.

این ساختار دوبعدی ویژگی‌های جذابی را به‌وجود می‌آورد، از جمله رسانایی الکتریکی و گرمایی عالی، انعطاف‌پذیری زیاد، استحکام بالا و سبک بودن. در این میان، آن‌چه توجه ما را به خود جلب می‌کند، رسانایی بالای الکتریکی و گرمایی است؛ گرافین دراین‌زمینه حتی از «مس» که رساناترین عنصر فلزی است هم بهتر عمل می‌کند.

در زمینه‌ی تولید باتری، می‌توان از مزایای گرافین به اشکال مختلفی استفاده کرد. یکی از روش‌های ایده‌آل برای استفاده از گرافین به‌عنوان باتری، استفاده از آن به‌عنوان یک «ابرخازن» است. ابرخازن‌ها می‌توانند مثل باتری‌های سنتی، انرژی را در خود ذخیره کنند؛ اما سرعت شارژ و تخلیه‌ی انرژی در این ابزارها فوق‌العاده بالا است.

اما معمای حل‌نشده در این مسیر، یافتن روشی اقتصادی برای تولید انبوه لایه‌های فوق‌نازک گرافین جهت استفاده در باتری و دیگر فناوری‌ها است. در حال حاضر، هزینه‌ی تولید گرافین سرسام‌آور است؛ اما تحقیقاتی علمی کمک خواهند کرد تا ایده‌ی استفاده از باتری‌های گرافینی به واقعیت نزدیک‌تر شود.

در سال ۲۰۱۷، سامسونگ خبر از پیشرفت‌های اساسی در تولید باتری گرافینی داد؛ اما هنوز خبر جالب توجهی دراین‌زمینه منتشر نشده است. اخیرا نیز اخباری مبنی بر علاقه‌ی تسلا به فناوری باتری‌های گرافینی برای استفاده در خودروها منتشر شده بود.

گرافین در مقابل لیتیوم-یون

همانند باتری‌های لیتیوم-یونی، سلول‌های گرافینی هم از دو سطح رسانا استفاده می‌کنند که با موادی متخلخل پوشانده‌شده و در محلولی الکترولیت قرار گرفته‌اند. اما با وجود شباهت‌های میان قطعات درونی، ویژگی‌های این دو باتری متفاوت است.

باتری‌های گرافینی رسانایی الکتریکی بالاتری از باتری‌های لیتیوم-یون دارند. این مسئله امکان شارژ سریع‌تر و ارائه‌ی جریان بالاتر را در اختیار باتری‌های گرافینی قرار می‌دهد. این ویژگی به‌طور خاص برای باتری‌های تعبیه‌شده در خودروها و انتقال سریع شارژ از یک دستگاه به دستگاه دیگر مفید است. رسانایی گرمایی بالاتر نیز امکان فعالیت در دمای پایین‌تر را به‌این باتری‌ها می‌دهد؛ علاوه‌بر این، در تلفن‌های همراه که فضای محدودی دارند، فعالیت در دمای پایین‌تر موجب افزایش عمر باتری می‌شود.

از دیگر مشخصه‌های باتری‌های گرافینی، می‌توان به وزن کمتر و نازک‌تر بودن آن‌ها، در مقایسه با باتری‌های لیتیوم-یون اشاره کرد. این دو ویژگی امکان تولید باتری‌هایی با ظرفیت بالاتر را فراهم می‌کنند. باتری‌های لیتیوم-یون به‌ازای هر کیلوگرم ۱۸۰ وات‌ساعت انرژی را در خود ذخیره می‌کنند؛ اما این نسبت برای باتری‌های گرافینی به ۱۰۰۰ وات‌ساعت به‌ازای هر کیلوگرم می‌رسد.

وزن کمتر، ظرفیت ذخیره‌سازی انرژی بیشتر و فعالیت در دمای پایین‌تر از جمله مزایای باتری‌های گرافینی هستند.

مورد آخر، امنیت بالاتر باتری‌های گرافینی است. هرچند باتری‌های لیتیوم-یون از نظر ایمنی پیشینه‌ی خوبی از خود به‌جای گذاشته‌اند؛ اما در برخی موارد، محصولاتی معیوب نیز وجود داشته‌اند که مشکلاتی را ایجاد کرده‌اند. گرم شدن بیش از اندازه، شارژ کردن بیش از حد و سوراخ‌شدن باتری‌های لیتیوم-یونی موجب از بین رفتن تعادل شیمیایی و درنتیجه آتش‌سوزی می‌شود. در نقطه‌ی مقابل، گرافین پایدارتر، انعطاف‌پذیرتر و مستحکم‌تر است و مقاومت بیشتری در مقابل مشکلات ذکر‌شده دارد.

البته نیازی نیست که بین باتری‌های گرافینی و باتری‌های لیتیوم-یونی یکی را انتخاب کنیم. باتری‌های لیتیوم یونی می‌توانند از گرافین برای بهبود کارایی رسانای کاتودی استفاده کنند. این نوع از باتری‌ها به‌عنوان باتری‌های ترکیبی اکسید گرافین-فلز شناخته می‌شوند. باتری‌های ترکیبی وزن کمتر، سرعت شارژ بالاتر، ظرفیت ذخیره‌ی نیروی بیشتر و عمر طولانی‌تری در مقایسه با باتری‌های امروزی دارند. احتمالا اولین باتری‌های گرافینی که در اختیار مصرف‌کنندگان قرار می‌گیرند هم از نوع ترکیبی خواهند بود.

باتری‌های گرافینی و گوشی‌های هوشمند آینده

گوشی‌های هوشمندی که در آینده از باتری‌های گرافینی استفاده خواهند کرد، از مزایایی که پیش از این در مطلب پیش‌رو ذکر شد بهره‌مند خواهند بود. زمان شارژ شدن گوشی‌ها کوتاه‌تر خواهد بود و باتری‌ها به‌راحتی یک تا دو روز استفاده را دوام می‌آورند، هرچند که این زمان ممکن است بیشتر هم باشد. همچنین، دستگاه‌های آتی سبک‌تر و باریک‌تر خواهند بود.

ظرفیت باتری‌های گرافینی، در مقایسه با نمونه‌های لیتیوم-یونی با اندازه‌ی مشابه، ۶۰ درصد بیشتر خواهد بود. به‌واسطه‌ی دفع بهتر حرارت که موجب خنک ماندن دستگاه می‌شود، عمر گوشی‌ها نیز بیشتر می‌شود. دیگر لازم نخواهد بود تا پس از دو سال، هزینه‌ی بالایی برای تعویض باتری پرداخت کنید و کارایی دستگاه‌ها پس از گذشت زمان کاهش پیدا نمی‌کند.

به‌لطف باتری‌های گرافینی، دستگاه‌هایی با اندازه‌ی دستگاه‌های کنونی، طرفیت ذخیره‌ی نیروی بیشتری خواهند داشت. یکی از فوائد استفاده از باتری‌های گرافینی، شارژ سریع بین دو دستگاه خواهد بود. باتری‌هایی که از انتقال جریان بیشتر پشتیبانی می‌کنند، امکان شارژ بسیار سریع‌تر را هم فراهم می‌کنند. از این رو، می‌توان با سرعت بالا نیرو را از دستگاهی به دستگاه دیگر منتقل کرد.

اگرچه چند سالی با آماده شدن باتری‌های گرافینی فاصله داریم؛ اما این نوآوری نوید آینده‌ی روشنی را در زمینه‌ی گوشی‌ها و دیگر دستگاه‌های هوشمند می‌دهد. پس بهتر است توجه بیشتری به این فناوری داشته باشیم.

منبع: سایت زومیت