جستجو
یادگیری عمیق در هوش مصنوعی: از مبانی تا کاربردهای پیشرفته و چالشهای نوین
یلدا مسگر1
چکیده :
زمینه و هدف: یادگیری عمیق بهعنوان رکن اساسی پیشرفتهای اخیر هوش مصنوعی، تحولاتی بنیادین در حوزههای گوناگون ایجاد کرده است. با این حال، سرعت تحولات بهحدی است که ارائه یک تصویر بهروز و منسجم از مفاهیم پایه تا پیشرفتهترین معماریها، بهویژه برای دانشجویان تحصیلات تکمیلی، ضروری به نظر میرسد. هدف این مقاله، ارائه یک مرور ساختاریافته و کاربردی از مهمترین تحولات یادگیری عمیق بین سالهای ۲۰۲۰ تا ۲۰۲۶ است.
روش مرور: جستجوی سیستماتیک در پایگاههای Web of Science، Scopus، IEEE Xplore و arXiv با کلیدواژههای مرتبط انجام شد. از میان ۳۸۷ مقاله اولیه، ۷۵ مقاله بر اساس معیارهای اعتبار مجله، تازگی (۲۰۲۴-۲۰۲۶) و ارتباط مستقیم با موضوع، برای تحلیل نهایی انتخاب شدند.
یافتهها: بررسیها نشان داد که (۱) معماری ترنسفورمر با معرفی مکانیزمهای توجه خطی و معماریهای ارثبر مانند Nexusformer، محدودیت مقیاسپذیری خود را تا حدود زیادی برطرف کرده است. (۲) مدلهای پخش (Diffusion Models) با عبور از ساختار U-Net به سمت معماری ترنسفورمر (DiT) و ارائه روشهای نمونهبرداری سریع، به استاندارد طلایی در مدلهای زایشی تبدیل شدهاند. (۳) خودیادگیری نظارتنشده (SSL) با ارائه چارچوبهای نظری مستحکمتری مانند تطابق توزیع نهان و LeJEPA، گام بزرگی به سمت یادگیری قابل اعتمادتر برداشته است. (۴) شبکههای عصبی گرافی (GNN) با ادغام دانش حوزهای و پیشآموزش خودنظارتی، به ابزاری کلیدی در کشف دارو و طراحی مولکول تبدیل شدهاند. (۵) مفاهیمی چون «هوش مصنوعی سبز» (Green AI) و «تعمیمپذیری خارج از توزیع» (OOD Generalization) بهعنوان مهمترین چالشهای فراروی این حوزه مطرح هستند.
نتیجهگیری: عصر مدلهای بنیادین عظیم و متمرکز، جای خود را به مدلهای کارآمد، متنباز و تخصصی میدهد. تمرکز پژوهشهای آینده بر روی هوش مصنوعی پایدار از نظر زیستمحیطی، سیستمهای عامل هوشمند خودمختار، و ادغام عمیقتر با علوم تجربی خواهد بود.
کلمات کلیدی : یادگیری عمیق ترنسفورمر خطی مدلهای پخش خودیادگیری نظارتنشده شبکه عصبی گرافی کشف دارو هوش مصنوعی سبز
زبان مقاله : فارسی
محور مقاله : هوش مصنوعی
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک
آدرس وب سایت کنفرانس : eitconf.com
کد IOI مقاله : ABEB-ACAGEE
لینک مستقیم مقاله : https://isnac.ir/ABEB-ACAGEE
نمایش چکیده انگلیسی
: https://isnac.ir/SA/ABEB-ACAGEE
سایر مقالات ارائه دهنده
- سیستمهای توصیهگر: مروری جامع از روشهای سنتی تا رویکردهای مبتنی بر یادگیری عمیق و مدلهای زبانی بزرگ
- طراحی و پیادهسازی الگوریتم ترکیبی یادگیری عمیق تقویتی-تکاملی (DRL-EA) برای بهینهسازی پویای شبکه زنجیره تأمین هوشمند در مقیاس بزرگ
- Artificial Intelligence: Basic Concepts, Subfields, Machine Learning, and Deep Learning
- یادگیری عمیق در هوش مصنوعی: از مبانی تا کاربردهای پیشرفته و چالشهای نوین
سایر مقالات محل انتشار
- سنجش رفتار میرایی رسهای نمکی تحت تحرکات دینامیکی: مطالعه موردی جزیره هرمز
- کاربرد فناوری بالک چیکن در ردیابی و شفاف سازی زنجیره غذایی برای افزایش ایمنی واعتماد مصرف کننده با استفاده از الگوریتم کندوی عسل
- زیبایی شناسی و خلاقیت در استدلال ریاضی: تحلیلی بر اثبات و اندیشه غیررسمی در تحقیقات دکتری
- The Role of the Root System in Flowering
- Effect of Nutrition on the Root System in Strawberry Plants
- تدوین الگوهای طراحی معماری برای ارتقای هویت اجتماعی زنان در مراکز فرهنگی شهری؛ مطالعه موردی: چند فرهنگسرای منتخب شهر تهران
- Application of Machine Learning in Analyzing Managerial and Environmental Factors Influencing the Development of Emerging Sports (Case Study: Fusion Fitness)
- ارتقاء ایمنی در صنعت ساخت با تکیهبر فناوریهای نوین: ابزارها، دستاوردها و چالشهای استقرار
- رویکرد یکپارچه فناوریهای هوشمند و مدیریت کنترل پروژه برای کاهش ریسک در سیستمهای تحت فشار سنگین صنایع استراتژیک
- Finite Element Assessment and Experimental Validation of an Aluminum L-Bracket Under Static, Thermal, and Harmonic Loading
- Nano-Delivered CRISPR/Cas9 for Cancer Therapy: Targeting Tumorigenic Genes through Epigenetic Modulation and Pathway Disruption
- Gold Nanoparticle‑Assisted Hyperthermia for Cancer Treatment: Current Methods, Challenges, and Future Directions
- طراحی سامانه تصمیمیار هوشمند برای تخمین سطح تهدید در مناطق درگیر با استفاده از الگوریتمهای یادگیری ماشین
- چارچوبهای سیاستگذاری و چالشهای پیادهسازی هوش مصنوعی در صنعت سلامت: رویکرد مروری بر جنبههای جهانی و ملی
- Exploring Machine Learning Algorithms for Damage Detection in Vibration- and Vision-Based Structural Health Monitoring