Posts contrassegnato dai tag ‘computers’

Traduzione a cura di Daniel Iversen


Molti degli strumenti di comunicazione in uso oggi contano sulla funzionalità della luce o, più specificatamente, applicando informazioni a un’onda luminosa. Fino ad oggi, gli studi sui dispositivi ottici ed elettronici, che con i loro materiali costituiscono le fondamenta della moderna elettronica (tv, cellulari, computers) si sono in genere basati su effetti ottici non-lineari, producendo prodotti dove la larghezza di banda è stata limitata nelle frequenze dei gigaHertz (Ghz).
(Hertz sta per cicli al secondo di un fenomeno periodico, in questo caso un miliardo di cicli).
 

Grazie alle ricerche svolte presso l’Università di Pittsburgh, è stata dimostrata la base fisica per la larghezza di banda dei therahertz (THz, o 1 trilione di cicli al secondo), la porzione di spettro elettromagnetico tra l’infrarosso e le microonde.In un articolo pubblicato il 4 marzo su Nature Photonics, Hrvoje Petek, professore di fisica e chimica nella Pitt Kenneth P. Detrich School of Arts and Sciences, il suo collega Muneaki Hase, professore di fisica applicata all’Università di Tsukuba in Giappone e uno scienziato in visita al laboratorio di Petek, hanno dettagliato il loro successo generando una gamma di frequenze, ossia la divisione di un singolo colore in una serie di righe di ogni spettro distribuiti uniformemente per una varietà di usi – che si estende su una larghezza di banda superiore a 100 terahertz eccitando un risonanza armonica atomica in un cristallo di silicio semiconduttore.

“L’abilità di modulare luce di questa larghezza di banda potrebbe aumentare più di 1000 volte la quantità di informazioni portate rispetto al volume totale dato con le tecnologie di oggi” dice Petek. “Inutile dire che questa è stata una scoperta a lungo attesa in questo campo”.

Per studiare le proprietà ottiche di un cristallo di silicio, Petek e il suo team hanno osservato la variazione di riflettività dopo l’eccitazione con un intenso impulso laser. Dopo l’eccitazione, la squadra ha visto che la quantità di luce riflessa oscilla a 15,6 Thz, la massima frequenza meccanica degli atomi all’interno di un reticolo di silicio.

Questa oscillazione ha causato un ulteriore cambiamento nell’assorbimento e nella riflessione della luce, moltiplicando la frequenza di oscillazione fondamentale fino a sette volte per generare uno spettro di frequenze che si estendono oltre 100 Thz. Petek e la sua squadra hanno potuto osservare per la prima volta la produzione di uno spettro di frequenze simile da un cristallino solido.

“Anche se ci aspettavamo di vedere un’oscillazione a 15.6 THz, non ci siamo accorti che questa eccitazione potrebbe cambiare le proprietà del silicio in un modo cosi forte” dice Petek. “La scoperta è stata il risultato dello sviluppo di strumentazioni di analisi unici e incisivi da parte dei membri del team”.

Petek nota che i successi della squadra sono il risultato dello sviluppo di strumenti sperimentali e teorici per meglio capire come elettroni e atomi interagiscono nei solidi sotto intensi eccitamenti ottici e dell’interesse investito da Pitt Dietrich School in un infrastruttura con laboratori pieni di strumentazioni avanzate.

Il team sta attualmente indagando la risonanza di elettroni, che potrebbe ulteriormente estendere la capacità di sfruttare le interazioni luce-materia dalle frequenze dei terahertz ai petahertz. Petahertz è un’unità di misura per frequenza molto veloci (1 quadrilione di hertz)

Questa ricerca è stata finanziata da una borsa di studio della National Science Foundation.

Source: Nature Photonics

Article: Science Daily

Licenza Creative Commons
Questo opera è distribuito con licenza Creative Commons Attribuzione – Non commerciale – Condividi allo stesso modo 3.0 Italia.

Annunci

Traduzione a cura di Daniel Iversen

Geoffrey Hinton ha tenuto la conferenza "NSERC Herzberg Gold Medal" a Ryerson su come si può insegnare alle macchine il riconoscimento di forme via via sempre più complesse. La sua squadra ha sviluppato un programam che può identificare oggetti nelle fotografie.

Come ogni genitore sa bene, insegnare ad un infante a riconoscere oggetti comporta una serie di tentativi e svariati errori.
Un bambino per esempio, non riconoscerà subito una mucca su di un libro di figure, dopo averlo visto dal vivo e dopo che gli è stata mostrata la sua figura.
Infatti il bambino confonderà la mucca per un cavallo. Dopo tutto, entrambi gli animali hanno quattro gambe.

L’applicare questo principio di apprendimento umano a reti neurali artificiali o a delle macchine è il campo di Geoffrey Hinton, professore di informatica presso l’Università di Toronto e membro del Canadian Institute for Advanced Research. Pioniere dell’intelligenza artificiale a reti neurali, Hinton è un esperto nell’apprendimento delle macchine e ha anche portato grandi contributi in campi come la psicologia cognitiva e le neuroscienze.
Nel riconoscimento di questi risultati, gli è stata data nel 2011 la medaglia d’oro “Gerhard Herzberg” per la scienza e l’ingegneria, dalla “Natural Sciences and Engineering Research Council of Canada (NSERC), il premio più alto del paese per la scienza e l’ingegneria, che celebra i ricercatori di più alto livello in Canada.

Ogni anno, il vincitore della medaglia d’oro Herzberg della NSERC tiene una conferenza sulle proprie ricerche.
Sponsorizzata dalla stessa NSERC e della Royal Canadian Institute for the Advancement of Science, la conferenza pubblica è stata tenuta da Ryerson alla fine di questo mese.

Durante la presentazione, intitolata “Come il cervello riconosce le forme”, Hinton descrive come i computer siano in grado di imparare in un modo simile al cervello umano e a rispondere intelligentemente alla complessità del mondo reale.
Per esserne onesti, simulare le capacità di calcolo di un cervello non è un’impresa facile; basta considerare ciò che è in grado di fare quello umano, dall’identificare modelli e fare previsioni, all’imparare dagli esempi e pensare sempre al quadro d’insieme.

Insegnare alle macchine a eseguire automaticamente questi processi ad alto livello ha molte applicazioni nel nostro mondo così pieno di informazioni.
Tra questi, il riconoscimento facciale, i sistemi di controllo di qualità, le diagnosi mediche e la conduzione di previsioni finanziarie. Hinton e i suoi collaboratori hanno sviluppato algoritmi usati in applicazioni come, per esempio, creare migliori sistemi per il riconoscimento vocale, la lettura automatica di assegni bancari e monitorare piani industriali per la sicurezza.

Nella sua conferenza alla Ryerson, Hinton mostra per prima cosa delle macchine che possono essere allenate a riconoscere numeri scritti a mano, anche molto distorti. Da li, dimostra come i computers possono predire la lettera seguente in una frase di Wikipedia o creare un modello animato di un movimento umano.

Hinton ha anche mostrato come si può insegnare alle macchine a riconoscere forme sempre più complesse, incluse quelle che possono variare di molto. Infatti, il suo team ha sviluppato un programma che può identificare un migliaio di oggetti diversi in delle fotografie. Il computer fornisce diverse ipotesi circa la natura dell’oggetto, e poi corregge la risposta di solito all’interno delle sue prime cinque ipotesi.

Spesso la prima ipotesi del computer è errata, ma, osserva Hinton, anche le risposte sbagliate sono spesso plausibili. Per esempio, un cumulo di anacardi è stato identificato dal computer come lenticchie, ceci, o fagioli. Inoltre, una quaglia è stata accidentalmente scambiata per una lontra, un errore ragionevole, dice Hinton, in quanto l’uccello nella foto ha un cappotto elegante che assomiglia a del pelo bagnato.

“Tifo per la rete neurale” ha scherzato.

La ricerca di Hinton è supportata dalla “Natural SCiences and Engineering Research Council of Canada”, il “Canadian Institute for Advanced Reserach” , il “Canadian Foundation for Innovation e finanziamenti da Google e Microsoft.

Provided by Ryerson University.

Fonte: Physorg

Licenza Creative Commons
Questo opera è distribuito con licenza Creative Commons Attribuzione – Non commerciale – Condividi allo stesso modo 3.0 Italia.