به گزارش ارمغان شهر، گروه گوگل ریسرچ(Google Research) و آزمایشگاه تحقیقاتی هوش مصنوعی گوگل به نام دیپ‌مایند(DeepMind)، مدل هوش مصنوعی مد-جمینای(Med-Gemini) که خانواده‌ای از مدل‌های پیشرفته هوش مصنوعی متخصص در پزشکی است را شرح داده‌اند. این مدل، یک پیشرفت بزرگ در تشخیص بالینی با پتانسیل عظیم در دنیای واقعی است.

پزشکان روزانه تعداد زیادی از بیماران را با نیازهای ساده تا بسیار پیچیده معاینه و درمان می‌کنند. آنها برای ارائه مراقبت موثر باید با پرونده پزشکی هر بیمار آشنا باشند و با جدیدترین روش‌ها و درمان‌ها به‌روز باشند.

سپس موضوع بسیار مهم رابطه میان پزشک و بیمار وجود دارد که بر پایه همدلی، اعتماد و ارتباط بنا می‌شود و برای اینکه یک هوش مصنوعی به تقلید از یک پزشک در دنیای واقعی نزدیک شود، باید بتواند همه این کارها را انجام دهد.

هوش مصنوعی و پزشکی این روزها متقارن شده‌اند. طی ماه‌های اخیر اخبار و گزارشات زیادی درباره مدل‌های هوش مصنوعی گزارش شده است که به پزشکان کمتر باتجربه در شناسایی پیش‌سازهای سرطان، تشخیص اوتیسم دوران کودکی از روی تصاویر چشم‌ها و پیش‌بینی آنی اینکه آیا جراح تمام بافت‌های سرطانی را در طول جراحی سرطان سینه برداشته است یا خیر، کمک می‌کند.

اکنون گفته می‌شود که Med-Gemini چیز دیگری است و از همه مدل‌های پیشین سر است.

مدل‌های جمینای گوگل نسل جدیدی از مدل‌های هوش مصنوعی چندوجهی هستند، به این معنی که می‌توانند اطلاعات را از حالت‌های مختلف، از جمله متن، تصویر، ویدئو و صدا پردازش کنند.

این مدل‌ها در زبان و مکالمه، درک اطلاعات متنوعی که بر روی آنها آموزش دیده‌اند و آنچه که «استدلال با زمینه طولانی» یا استدلال از مقادیر زیادی داده مانند ساعت‌ها ویدیو یا ده‌ها ساعت صوت نامیده می‌شود، مهارت دارند.

هوش مصنوعی Med-Gemini تمام مزایای مدل‌های پایه جمینای را دارد، اما آنها را به خوبی تنظیم و متعادل کرده است. محققان این ترفندهای متمرکز بر دارو را آزمایش کردند و نتایج آنها را در مقاله گنجاندند. در این مقاله ۵۸ صفحه‌ای مطالب زیادی وجود دارد که در این گزارش به بیان چشمگیرترین آنها می‌پردازیم.

قابلیت‌های خودآموزی و جستجوی وب

رسیدن به یک تشخیص و تدوین یک برنامه درمانی مستلزم آن است که پزشکان دانش پزشکی خود را با مجموعه‌ای از اطلاعات مرتبط دیگر مانند علائم بیمار، تاریخچه پزشکی، جراحی و اجتماعی، نتایج آزمایشگاهی و نتایج سایر آزمایشات تحقیقاتی و واکنش بیمار به درمان‌های قبلی گردآوری کنند تا درمان‌های موجود به‌روزرسانی شوند و درمان‌های جدیدی معرفی می‌شوند. همه این موارد بر استدلال بالینی پزشک تأثیر می‌گذارد.

به همین دلیل است که گوگل با Med-Gemini دسترسی به جستجوی مبتنی بر وب را برای فعال کردن استدلال بالینی پیشرفته‌تر فراهم کرده است. این هوش مصنوعی مانند بسیاری از مدل‌های زبان بزرگ(LLM) متمرکز بر پزشکی با MedQA که حاوی سؤالات چند گزینه‌ای نماینده سؤالات آزمون مجوز پزشکی ایالات متحده(USMLE) است، آموزش دیده که برای آزمایش دانش پزشکی و استدلال در سناریوهای مختلف طراحی شده است.

با این حال، گوگل همچنین دو مجموعه داده جدید را برای مدل خود توسعه داده است. اولی MedQA-R (استدلال) است که MedQA را با توضیحات استدلالی تولید شده مصنوعی به نام «زنجیره افکار»(CoTs) گسترش می‌دهد. دومی MedQA-RS (استدلال و جستجو) است که دستورالعمل‌هایی را برای استفاده از نتایج جستجوی وب به عنوان زمینه اضافی برای بهبود دقت پاسخ به مدل ارائه می‌دهد. بدین ترتیب اگر یک سوال پزشکی منجر به پاسخ نامطمئن شود، از مدل خواسته می‌شود تا یک جستجوی وب را برای به دست آوردن اطلاعات بیشتر برای رفع عدم قطعیت انجام دهد.

هوش مصنوعی Med-Gemini بر روی ۱۴ معیار پزشکی آزمایش شد و عملکرد جدیدی را روی ۱۰ معیار اجرا کرد که از مدل GPT-۴ ساخته شرکت اوپن‌ای‌آی(OpenAI) پیشی گرفت. این مدل در معیار MedQA با استفاده از استراتژی جستجوی هدایت‌شده به دقت ۹۱.۱ درصدی دست یافت و از مدل زبان بزرگ مبتنی بر پزشکی پیشین گوگل موسوم به Med-PaLM ۲ تا ۴.۵ درصد بهتر عمل کرد.

هوش مصنوعی Med-Gemini در هفت معیار چندوجهی، از جمله چالش تصویری مجله پزشکی نیوانگلند حاوی تصاویر موارد چالش برانگیز بالینی که از یک لیست ۱۰تایی تشخیص داده می‌شود، به طور متوسط از ۴۴.۵ درصد بهتر از GPT-۴ عمل کرد.

محققان می‌گویند: در حالی که نتایج امیدوارکننده هستند، تحقیقات بیشتری مورد نیاز است. به عنوان مثال ما محدود کردن نتایج جستجو به منابع پزشکی معتبرتر، با استفاده از بازیابی جستجوی چندوجهی یا تجزیه و تحلیل انجام شده در مورد دقت و ارتباط نتایج جستجو و کیفیت استنادها را در نظر نگرفته‌ایم. علاوه بر این، باید دید که آیا می‌توان به مدل‌های زبان بزرگ کوچک‌تر نیز استفاده از جستجوی وب را آموزش داد؟ ما این اکتشافات را به کارهای آینده واگذار می‌کنیم.

بازیابی اطلاعات خاص از پرونده‌های الکترونیکی پزشکی طولانی

پرونده الکترونیک سلامت(EHR) ممکن است بلندبالا باشد، اما پزشکان باید از محتوای آنها آگاه باشند. آنها گاهی پیچیده‌ هستند، چرا که معمولاً حاوی شباهت‌های متنی، املای غلط، کلمات اختصاری و مترادف‌ها هستند که می‌توانند هوش مصنوعی را به چالش بکشند.

بنابراین محققان برای آزمایش توانایی Med-Gemini در درک و استدلال از اطلاعات پزشکی بلندبالا و طولانی از یک پایگاه داده بزرگ و در دسترس عموم(Medical Information Mart for Intensive Care) که به مثابه پیدا کردن سوزن در انبار کاه است، استفاده کردند. این پایگاه حاوی داده‌های بیماران بستری در بخش‌های مراقبت‌های ویژه است.

هدف این بود که مدل بتواند یک وضعیت، علامت، یا درمان پزشکی کم‌استفاده و ظریف را در مجموعه بزرگی از یادداشت‌های بالینی بازیابی کند.

دویست نمونه انتخاب شد و هر نمونه شامل مجموعه‌ای از پرونده‌های این پایگاه از ۴۴ بیمار بستری شده در بخش مراقبت‌های ویژه با سابقه پزشکی طولانی بود.

هوش مصنوعی Med-Gemini دو مرحله برای یافتن سوزن در انبار کاه پیش رو داشت. اول اینکه مجبور بود همه موارد ذکر شده در مورد مشکل پزشکی مشخص شده را از سوابق گسترده بازیابی می‌کرد. دوم اینکه باید ارتباط همه موارد را با هم ارزیابی می‌کرد، آنها را دسته‌بندی می‌کرد و نتیجه می‌گرفت که آیا بیمار سابقه آن مشکل را داشته است و دلیل روشنی برای تصمیم خود ارائه می‌کرد. در نهایت این هوش مصنوعی عملکرد خوبی داشت.

محققان می‌گویند: شاید برجسته‌ترین جنبه Med-Gemini، قابلیت‌های پردازش سوابق طولانی باشد، زیرا آنها مرزهای عملکردی جدیدی را باز می‌کنند و امکانات کاربردی جدیدی را که قبلاً غیرممکن بود برای سیستم‌های هوش مصنوعی پزشکی فراهم می‌کنند. این وظیفه یافتن «سوزن در انبار کاه» منعکس کننده یک چالش در دنیای واقعی است که پزشکان با آن مواجه هستند و عملکرد Med-Gemini پتانسیل آن را برای کاهش قابل توجه بار شناختی و افزایش قابلیت‌های پزشکان با استخراج و تجزیه و تحلیل کارآمد اطلاعات حاصل از حجم وسیعی از داده‌های بیماران نشان می‌دهد.

در یک آزمایش در دنیای واقعی، یک کاربر بیمار از Med-Gemini در مورد یک توده پوستی که خارش دارد، پرسید. این مدل پس از درخواست تصویر، سؤالات مناسب بعدی را پرسید و آن ضایعه نادر را به درستی تشخیص داد و به کاربر توصیه کرد که چه کاری باید انجام دهد.

همچنین از Med-Gemini خواسته شد تا زمانی که پزشک منتظر گزارش رسمی رادیولوژیست بود، عکس رادیوگرافی قفسه سینه یک بیمار را تفسیر کند و یک نسخه انگلیسی ساده از گزارش را تنظیم کند که بتوان آن را در اختیار بیمار قرار داد.

محققان می‌گویند: قابلیت‌های مکالمه چندوجهی Med-Gemini امیدوارکننده است و چنین قابلیت‌هایی امکان تعامل یکپارچه و طبیعی بین افراد، پزشکان و سیستم‌های هوش مصنوعی را فراهم می‌کنند.

با این حال، محققان دریافتند که کار بیشتری لازم است.

آنها گفتند: این قابلیت دارای پتانسیل قابل توجهی برای کاربردهای مفید در دنیای واقعی، از جمله کمک به پزشکان و بیماران است، البته خطرات قابل توجهی نیز به دنبال دارد. در حالی که پتانسیل تحقیقات آینده در این حوزه را برجسته می‌کنیم، ما توانایی‌های مکالمه بالینی را در این کار، همانطور که قبلاً توسط دیگران در تحقیقات اختصاصی در زمینه هوش مصنوعی تشخیصی محاوره‌ای بررسی شده بود، به ‌طور دقیق مورد بررسی قرار نداده‌ایم.

چشم اندازهای آینده

محققان اذعان می‌کنند که کارهای بیشتری برای انجام دادن وجود دارد، اما قابلیت‌های اولیه مدل Med-Gemini امیدوارکننده است. مهمتر از همه، آنها قصد دارند اصول هوش مصنوعی مسئول، از جمله حفظ حریم خصوصی و انصاف را در سراسر فرآیند توسعه مدل بگنجانند.

محققان می‌گویند: ملاحظات حریم خصوصی به طور ‌ویژه باید در سیاست‌ها و مقررات مراقبت‌های بهداشتی موجود که از اطلاعات بیمار محافظت می‌کنند، ریشه داشته باشد. انصاف و عدالت حوزه دیگری است که ممکن است نیاز به توجه داشته باشد، زیرا این خطر وجود دارد که سیستم‌های هوش مصنوعی در مراقبت‌های بهداشتی ممکن است ناخواسته سوگیری‌ها و نابرابری‌های تاریخی را منعکس یا تقویت کنند و به طور بالقوه منجر به عملکرد مدل متفاوت و نتایج مضر برای گروه‌هایی شود.

اما در نهایت، مدل Med-Gemini به عنوان یک ابزار خوب در نظر گرفته می‌شود.

پژوهشگران می‌گویند: مدل‌های زبان بزرگ چندوجهی در حال آغاز دوره جدیدی از امکانات برای سلامت و پزشکی هستند. قابلیت‌های نشان‌ داده‌ شده توسط جمینای و Med-Gemini نشان‌دهنده جهش قابل توجهی در عمق و وسعت فرصت‌ها برای تسریع اکتشافات زیست‌پزشکی و کمک به ارائه مراقبت‌های بهداشتی و تجارب است. با این حال، بسیار مهم است که پیشرفت در قابلیت‌های مدل با توجه دقیق به قابلیت اطمینان و ایمنی این سیستم‌ها همراه باشد. با اولویت‌بندی هر دو جنبه می‌توانیم با مسئولیت‌پذیری هوش مصنوعی، آینده‌ای را متصور شویم که در آن قابلیت‌های سیستم‌های هوش مصنوعی شتاب‌دهنده‌های معنادار و ایمن در پیشرفت علمی و مراقبت در پزشکی باشند.

به گزارش ارمغان شهر ، ششمین اجلاس کمیسیون مشترک همکاری‌های اقتصادی جمهوری اسلامی ایران و عراق با حضور احسان خاندوزی - وزیر امور اقتصادی و دارایی و وزیر تجارت عراق برگزار و با امضای سند نهایی ۱۰ یادداشت تفاهم نامه و همچنین پیش نویس ۱۳ تفاهم نامه میان طرفین به پایان رسید.

در این نشست سید احسان خاندوزی - وزیر امور اقتصادی و دارایی در رابطه با همکاری‌های اقتصادی میان ایران و عراق گفت: خوشبختانه همکاری اقتصادی میان دو کشور در حال رشد است که باید با اتخاذ سیاست‌های هدفمند در جهت توسعه و تقویت آن گام برداشت.

وی افزود: برای سال جاری تجارت ۲۰ میلیارد دلاری میان ایران و عراق هدف‌گذاری شده است که دو برابر میزان تجارت میان طرفین در سال گذشته است. ایران در حوزه‌های راه سازی، فنی و مهندسی، علمی، پزشکی، نانو، برق، سلول های بنیادی، کشاورزی و دیگر حوزه ها دارای دستاوردها و ظرفیت های کلان است که میتوان از این ظرفیت ها در زمینه بالابردن همکاری اقتصادی با عراق استفاده کرد.

وزیر اقتصاد خاطر نشان کرد: صدور پروژه‌های فنی و مهندسی در زمینه سدسازی، پالایشگاه، نیروگاه و کارخانه‌جات در دستور کار این نشست قرار داشت.

خاندوزی افزود: همچنین در این نشست روابط مالی و بانکی برای گسترس زمینه همکاری اقتصادی میان ایران و عراق و تاسیس شهرک‌های صنعتی مشترک از موضوعات توافق نامه‌ها بود که با شناخت ظرفیت‌ها و معرفی نیازهای طرفین زمینه گسترش این همکاری‌ها فراهم می‌شود.

وی تاکید کرد: البته مشکلاتی در زمینه استاندارد، هماهنگی گمرکات، حمل و نقل، نرخ تعرفه‌های گمرکی وجود دارد. همچنین، پرداخت مطالبات شرکت‌های فنی مهندسی ایرانی حاضر در عراق ضروری است و با توجه به توانمندی شرکت‌های ایرانی در حوزه زیرساختی، باید مشکلات موجود میان روابط تجاری و اقتصادی طرفین در کوتاه‌ترین زمان ممکن حل و فصل شود.

وزیر امور اقتصادی و دارایی اظهار کرد: هیچ محدودیتی برای توسعه همکاری دو کشور به عنوان شرکای تجاری وجود ندارد و اولویت ایران در روابط تجاری با عراق، اتصال مسیر ریلی و راه آهن شلمچه - بصره، توسعه شهرک‌های صنعتی دو کشور و توسعه پروژه‌های فنی مهندسی است.

همچنین علی فکری - معاون وزیر اقتصاد و رئیس سازمان سرمایه‌گذاری و کمک‌های مالی کشور - در این اجلاس گفت: سه ماه پیش زمینه اجلاس فعلی در شش کمیته تخصصی تجاری ایران و عراق فراهم شد و زمینه انعقاد ۲۳ تفاهم نامه که مقرر است در سفر رئیس جمهوری اسلامی ایران به عراق به امضا برسد، فراهم شد.

 به گزارش ارمغان شهر ، محمدمهدی ناصحی با بیان اینکه طرح درمان کودکان کمتر از ۷ سال جزو مصوبات هیات‌وزیران به حساب می‌آید، اظهار کرد: با توجه به بودجه‌ای که سالانه به وزارت بهداشت، درمان و آموزش پزشکی و بیمه‌ها تخصیص می‌یابد طرح درمان رایگان کودکان کمتر از ۷ سال تصویب شده است.

وی با بیان اینکه درمان برای کودکان از اهمیت فراوانی برخوردار است، گفت:با توجه به شرایط جسمانی کودکان و نوزادان باید گفت توجه به سلامت آنها از اهمیت فراوانی برخوردار است و باید در کانون توجه قرار گیرد. باتوجه به ضرورت سلامت در کودکان و نوزادان، دولت موضوع درمان کودکان کمتر از ۷ سال را تصویب و ابلاغ کرده است.

مدیرعامل سازمان بیمه سلامت ایران درباره بودجه تخصیص یافته طرح درمان رایگان کودکان کمتر از ۷ سال گفت: باتوجه به اینکه درمان کودکان کمتر از ۷ سال جزو ابلاغیه‌های دولت به حساب می‌آید بودجه این طرح تامین می‌شود. درمان کودکان کمتر از ۷ سال چندان طولانی نیست و نخستین سال اجرای این طرح را سپری می‌کنیم. پیش‌بینی اولیه طرح درمان کودکان کمتر از ۷ سال برای بستری این گروه سنی در تمام بیمه‌های پایه حدود ۳ هزار میلیارد تومان است.

ناصحی ادامه داد: با توجه به اضافه شدن درمان سرپایی به طرح درمان رایگان کودکان کمتر از ۷ سال، اظهار نظر درباره بودجه مورد نیاز منوط به برآورد کامل نیازها و  تقاضاها است. با توجه به اینکه هیات‌وزیران، درمان رایگان کودکان کمتر از ۷ سال را ابلاغ کرده اعتبار مورد نیاز این طرح تامین می‌شود.

مدیرعامل سازمان بیمه سلامت ایران گفت: در حال حاضر، مبلغ ۳ هزار میلیارد تومان برای بستری بیماران گروه سنی هدف، بخش‌های دولتی و مراکز درمانی وابسته به دانشگاه‌های علوم‌پزشکی درنظر گرفته شده است.

به گزارش ارمغان شهر  و نقل از وب‌سایت رسمی دانشگاه کالیفرنیا سن‌دیگو، دانشمندان «دانشگاه کالیفرنیا سن‌دیگو»(UC San Diego) یک الگوریتم یادگیری ماشینی را برای شبیه‌سازی شیمی زمان‌بر مراحل اولیه کشف دارو توسعه داده‌اند که می‌تواند این فرآیند را به طور قابل‌توجهی ساده کند و امکان ارائه دادن درمان‌های جدید را فراهم آورد.

شناسایی داروهای جدید برای بهبودی بیشتر معمولاً شامل هزاران آزمایش فردی است اما پلتفرم جدید هوش مصنوعی می‌تواند نتایج یکسان را در کسری از زمان ارائه دهد. دانشمندان از این پلتفرم جدید برای تولید ۳۲ داروی جدید سرطان استفاده کردند.

این فناوری، بخشی از یک روند جدید اما روبه‌رشد در علم داروسازی برای استفاده کردن از هوش مصنوعی به منظور بهبود کشف و توسعه دارو است.

«تری آیدکر(Trey Ideker)»استاد گروه پزشکی در دانشکده پزشکی دانشگاه کالیفرنیا سن‌دیگو و پژوهشگر ارشد این پروژه گفت: چند سال پیش، هوش مصنوعی یک کلمه کثیف در صنعت داروسازی بود اما اکنون این روند قطعاً برعکس است زیرا استارت‌آپ‌های زیست‌فناوری بدون پرداختن به هوش مصنوعی برای جمع‌آوری سرمایه در کسب‌وکار خود مشکل پیدا می‌کنند. کشف دارو با هدایت هوش مصنوعی، به یک حوزه بسیار فعال در داروسازی تبدیل شده است اما بر خلاف روش‌هایی که در شرکت‌ها توسعه می‌یابند، ما فناوری خود را به صورت منبع باز و در دسترس برای هر کسی که می‌خواهد از آن استفاده کند، می‌سازیم.

پلتفرم جدید که «POLYGON» نام دارد، در میان پلتفرم‌های هوش مصنوعی کشف دارو منحصربه‌فرد است زیرا می‌تواند مولکول‌هایی را با اهداف متعدد شناسایی کند. این در حالی است که پروتکل‌های موجود کشف دارو در حال حاضر درمان‌های تک‌هدف را در اولویت قرار می‌دهند. داروهای چندهدف به دلیل پتانسیل خود برای ارائه مزایای مشابه با درمان ترکیبی و در عین حال، عوارض جانبی کمتر مورد توجه پزشکان و دانشمندان هستند.

آیدکر گفت: یافتن و توسعه یک داروی جدید سال‌ها طول می‌کشد و میلیون‌ها دلار هزینه دارد؛ به ویژه اگر یک داروی چندهدف باشد. معدود داروهای چندهدفی که ما داریم، تا حد زیادی به طور تصادفی کشف شده‌اند اما این فناوری جدید می‌تواند شانس را از معادله حذف کند و آغازگر نسل جدیدی از پزشکی دقیق باشد.

دانشمندان، POLYGON را روی یک پایگاه داده متشکل از بیش از یک میلیون مولکول فعال زیستی شناخته‌شده آموزش دادند که حاوی اطلاعات دقیق درباره خواص شیمیایی و تعاملات شناخته‌شده با اهداف پروتئینی است. الگوریتم POLYGON با یادگیری از الگوهای موجود در پایگاه داده می‌تواند فرمول‌های شیمیایی اصلی را برای داروهای جدید تولید کند که احتمالاً دارای ویژگی‌هایی مانند توانایی مهار پروتئین‌های خاص هستند.

آیدکر ادامه داد: درست مانند هوش مصنوعی که اکنون در تولید نقاشی‌ها و تصاویر اصلی مانند ایجاد تصاویر چهره انسان براساس ویژگی‌های دلخواه مانند سن یا جنسیت بسیار خوب است، POLYGON نیز می‌تواند ترکیبات مولکولی اصلی را براساس خواص شیمیایی مورد نظر تولید کند. در این مورد، به جای اینکه به هوش مصنوعی بگوییم می‌خواهیم چهره‌مان چند ساله باشد، به او می‌گوییم که می‌خواهیم داروی آینده ما با پروتئین‌های بیماری در تعامل قرار بگیرد.

برای آزمایش کردن POLYGON، دانشمندان از آن برای تولید صدها دارو استفاده کردند که جفت‌های گوناگونی را از پروتئین‌های مرتبط با سرطان هدف قرار می‌دهند. از این میان، آنها ۳۲ مولکول را تولید کردند که قوی‌ترین تعاملات پیش‌بینی‌شده را با پروتئین‌های MEK1 و mTOR داشتند. این دو، پروتئین‌های سیگنال‌دهنده سلولی هستند که هدف امیدوارکننده‌ای برای درمان ترکیبی سرطان به شمار می‌روند. مهار هر دو پروتئین با هم برای از بین بردن سلول‌های سرطانی کافی است؛ حتی اگر مهار یکی از آنها به تنهایی انجام نشود.

پژوهشگران دریافتند داروهایی که آنها تولید کرده‌اند، فعالیت قابل توجهی را در برابر MEK1 و mTOR دارند اما واکنش‌های خارج از هدف کمی را با سایر پروتئین‌ها نشان دادند. این نشان می‌دهد که یک یا چند داروی شناسایی‌شده توسط POLYGON می‌توانند هر دو پروتئین را به‌عنوان درمان سرطان هدف قرار دهند و فهرستی از گزینه‌ها را برای تنظیم دقیق توسط شیمی‌دان‌های انسانی ارائه کنند.

ایدکر گفت: پس از دریافت داروها هنوز باید کارهای شیمیایی دیگری را انجام دهید تا آن گزینه‌های دارویی را به صورت یک درمان واحد و مؤثر درآورید. ما نمی‌توانیم و نباید سعی داشته باشیم تا تخصص انسانی را از روند کشف دارو حذف کنیم، بلکه باید چند مرحله از این فرآیند را کوتاه کنیم.

به رغم این احتیاط، دانشمندان نسبت به قابلیت‌های هوش مصنوعی برای کشف دارو خوش‌بین هستند. آیدکر افزود: دیدن چگونگی اجرایی شدن این مفهوم در دهه آینده چه در دانشگاه و چه در بخش خصوصی بسیار هیجان‌انگیز خواهد بود. قابلیت‌های هوش مصنوعی عملاً بی‌پایان هستند.

این پژوهش در مجله «Nature Communications» به چاپ رسید.

به گزارش ارمغان شهر ، صادق ضیائیان با اشاره به آخرین وضعیت جوی در کشور اظهار کرد: امروز با تداوم فعالیت سامانه بارشی بر کشور، در شمال غرب، غرب، سواحل دریای خزر، شمال شرق و دامنه‌های جنوبی البرز، ابرناکی، رگبار، رعد و برق و وزش باد شدید موقت و در بعضی نقاط مرکز، شرق و دامنه و ارتفاعات زاگرس مرکزی و جنوبی، رگبار پراکنده، گاهی رعد و برق و وزش باد به نسبت شدید تا شدید پیش‌بینی می‌شود.

وی افزود: چهارشنبه در شمال غرب، سواحل شمالی، شمال شرق کشور و ارتفاعات البرز، بارندگی ادامه خواهد داشت و در جنوب، شرق و جنوب شرق کشور نیز افزایش ابر، وزش باد شدید و رگبار پراکنده انتظار می‌رود و در گیلان، اردبیل و شمال استان‌های آذربایجان شرقی و غربی، شاهد شدت داشتن بارش‌ها خواهیم بود.

رئیس مرکز ملی پیش‌بینی و مدیریت بحران مخاطرات وضع هوا تصریح کرد: پنجشنبه در استان‌های واقع در شمال غرب کشور، از شدت بارش کاسته می‌شود و در سواحل دریای خزر، شمال شرق، دامنه و ارتفاعات جنوبی البرز شامل استان‌های البرز، تهران و سمنان، رگبار و رعد و برق و وزش باد رخ می‌دهد که شدت بارش در مازندران و خراسان رضوی پیش‌بینی می‌شود.

ضیائیان ادامه داد: طی این روز وزش باد شدید در شرق و جنوب شرق کشور همراه با کاهش نسبی دما مورد انتظار خواهد بود و در اواخر وقت نیز سامانه بارشی از شرق کشور خارج می‌شود و جمعه و شنبه در بیشتر مناطق کشور جوی آرام و پایدار همراه با افزایش نسبی دما حاکم است.

وی گفت: طی روز جمعه در شمال آذربایجان شرقی، اردبیل، گیلان و ارتفاعات مازندران و شنبه در شمال آذربایجان غربی به‌ویژه در ساعات بعدازظهر، افزایش ابر و بارش پراکنده انتظار می‌رود، طی این دو روز در شرق و جنوب شرق کشور به‌ویژه در منطقه زابل، وزش باد شدید ادامه خواهد داشت و تا چهارشنبه دریای خزر، روز سه‌شنبه شمال خلیج‌فارس و از بعدازظهر چهارشنبه تا جمعه، مرکز و شرق خلیج فارس، تنگه هرمز و دریای عمان مواج خواهد بود.

رئیس مرکز ملی پیش‌بینی و مدیریت بحران مخاطرات وضع هوا خاطرنشان کرد: وضعیت کنونی آسمان اصفهان، کمی ابری، گاهی افزایش ابر و وزش باد شدید با بیشینه ۲۷ و کمینه ۱۰ درجه سانتی‌گراد است و روز دوشنبه، صاف تا قسمتی ابری، گاهی وزش باد شدید با بیشینه ۲۸ و کمینه ۹ درجه سانتی‌گراد پیش‌بینی می‌شود.