Τα πιο πρόσφατα επιτεύγματα της τεχνητής νοημοσύνης: Τι είναι νέο και τι ακολουθεί;

Η τεχνητή νοημοσύνη (AI) συνεχίζει να αυξάνει τη σημασία της, χάρη στην υψηλή της δυνατότητα να φέρει επανάσταση στις βιομηχανίες.

Αυτή η προσομοίωση της ανθρώπινης νοημοσύνης σε μηχανές, τελικά, προσφέρει οφέλη όπως η αυξημένη αποδοτικότητα και παραγωγικότητα, η βελτιωμένη ακρίβεια και λήψη αποφάσεων, νέες ευκαιρίες εργασίας και η ενισχυμένη εμπειρία πελατών.

Ως αποτέλεσμα, η AI έχει γίνει βασικός κινητήρας εταιρικής ανάπτυξης, με περισσότερες από το 70 % των επιχειρήσεων να την υιοθετούν. Εκτιμήσεις δείχνουν ότι η παγκόσμια αγορά AI μπορεί να φτάσει τα τρισεκατομμύρια μέχρι το 2030, ενισχυμένη από αυξημένες επενδύσεις και τεχνολογικές προόδους.

Μόνο φέτος, έχουμε δει τεράστιες εξελίξεις: η OpenAI παρουσίασε έναν βαθύ ερευνητικό πράκτορα με ποσοστό ακρίβειας άνω του 25 % στο benchmark Humanity’s Last Exam· η DeepSeek κυκλοφόρησε το DeepSeek‑R1, που χρησιμοποιεί λογική αλυσίδας σκέψης· η Baidu λανσάρισε τα Ernie X1 και Ernie 4.5· και η Stability AI παρουσίασε ένα νέο μοντέλο, το Stable Virtual Camera, που επιτρέπει τη μετατροπή φωτογραφιών σε 3Δ σκηνές.

Εν τω μεταξύ, η Google συνεργάζεται με τη MediaTek της Ταϊβάν για την ανάπτυξη της επόμενης γενιάς μονάδων επεξεργασίας τανυστών (TPU) ώστε να μειωθεί το κόστος παραγωγής και η εξάρτηση από τους τρέχοντες συνεργάτες. Ταυτόχρονα, μια κοινοπραξία που αποτελείται από την OpenAI, Oracle (ORCL ), SoftBank και MGX ανακοίνωσε το Project Stargate σε συνεργασία με την κυβέρνηση των ΗΠΑ.

Την περασμένη εβδομάδα, η Nvidia (NVDA ) ανακοίνωσε μια νέα σειρά «AI προσωπικών υπερυπολογιστών» που τροφοδοτούνται από την πλατφόρμα chip Grace Blackwell. Ο Διευθύνων Σύμβουλος Jensen Huang παρουσίασε το DGX Spark και το DGX Station στο GTC 2025 για να επιτρέψει στους χρήστες να δημιουργούν πρωτότυπα, να βελτιστοποιούν και να εκτελούν μοντέλα AI διαφόρων μεγεθών στο άκρο.

Λοιπόν, ας ρίξουμε μια ματιά σε μερικά από τα πιο πρόσφατα σημαντικά επιτεύγματα που πέτυχαν οι ερευνητές μέσω της AI σε διάφορους τομείς.

Κάντε κλικ εδώ για να μάθετε αν η AI είναι μόνο θόρυβος ή αν υπάρχει ουσία στην ανάπτυξή της.

AI Λύνει τις Δικές της Προκλήσεις Μάθησης

Η AI δεν μεταφέρει μόνο τεχνολογία σε άλλους τομείς, αλλά συμβάλλει και στον εαυτό της, επιτρέποντας την ανάπτυξη πιο εξελιγμένων συστημάτων AI μέσω προόδων στην ανάλυση δεδομένων, τη μηχανική μάθηση και τον αυτοματισμό, οδηγώντας σε ταχύτερη επεξεργασία, πιο ακριβείς προβλέψεις και καλύτερη λήψη αποφάσεων.

Αυτόν τον μήνα, ερευνητές παρουσίασαν νέες μεμιριστικές συσκευές που είναι πολύ πιο ανθεκτικές, μπορούν να λειτουργούν τόσο σε αναλογική όσο και σε ψηφιακή λειτουργία, και λειτουργούν σε ευρύτερο εύρος τάσης.

Αυτά τα χαρακτηριστικά μπορούν να βοηθήσουν στην αντιμετώπιση του «καταστροφικού ξεχάσματος», που συμβαίνει όταν τα τεχνητά νευρωνικά δίκτυα ξεχνούν όσα είχαν μάθει προηγουμένως. Αυτό συμβαίνει συνήθως όταν τα βαθιά νευρωνικά δίκτυα (DNN), σχεδιασμένα να μιμούνται τον ανθρώπινο εγκέφαλο, εκπαιδεύονται για ένα νέο έργο και η νέα βελτιστοποίηση αντικαθιστά ό,τι είχε μάθει πριν.

Ο εγκέφαλός μας δεν έχει αυτό το πρόβλημα, χάρη στην ικανότητά του να ρυθμίζει το βαθμό της συνάπτης αλλαγής. Επίσης, υποτίθεται ότι οι διαφορετικές βαθμίδες πλαστικότητας επιτρέπουν στον εγκέφαλό μας να μαθαίνει μόνιμα νέα πράγματα χωρίς να ξεχνά τα παλιά. Οι ερευνητές έχουν πετύχει κάτι παρόμοιο με το νέο τους μεμιριστό.

Οι μεμιριστές συμπεριφέρονται πολύ όπως τα νευρωνικά κύτταρα και καταναλώνουν εξαιρετικά λίγη ενέργεια. Ένας τύπος συσκευής μνήμης με εναλλαγή αντίστασης, οι μεμιριστές μπορούν να αλλάζουν την αντίστασή τους ανάλογα με την εφαρμοσμένη τάση. Ακόμη και όταν η τάση απενεργοποιηθεί, η τιμή της αντίστασής τους παραμένει λόγω της ικανότητάς τους να υφίστανται δομικές αλλαγές.

Σύμφωνα με τον Ilia Valov από το Ινστιτούτο Peter Grünberg (PGI‑7) στο Forschungszentrum Jülich, ο οποίος ηγήθηκε της έρευνας:

«Τα μεμιριστικά στοιχεία θεωρούνται ιδανικοί υποψήφιοι για υπολογιστικά εξαρτήματα με δυνατότητα μάθησης, εμπνευσμένα από το νευρικό σύστημα και μοντελοποιημένα με βάση τον εγκέφαλο.»

Παρόλο που έχουν σημειωθεί σημαντικές προόδους, η εμπορευματοποίηση των εξαρτημάτων προχωρά πολύ πιο αργά λόγω του υψηλού ποσοστού αποτυχίας στην παραγωγή, της μικρής διάρκειας ζωής του προϊόντος και της ευαισθησίας σε μηχανικές επιδράσεις που μπορούν να προκαλέσουν δυσλειτουργίες κατά τη λειτουργία.

Αυτό απαιτεί έρευνα για καλύτερο έλεγχο των νανοκλίμακων διεργασιών καθώς και νέων υλικών και μηχανισμών εναλλαγής για τη μείωση της πολυπλοκότητας των συστημάτων και την αύξηση του φάσματος των λειτουργιών τους, δήλωσε ο Valov.

Για αυτόν τον πολύ συγκεκριμένο σκοπό, Γερμανοί και Κινέζοι επιστήμονες συνεργάστηκαν και «ανακάλυψαν έναν θεμελιωδώς νέο ηλεκτροχημικό μεμιριστικό μηχανισμό που είναι χημικά και ηλεκτρικά πιο σταθερός», ο οποίος θα επεκτείνει τον ορίζοντα των εφαρμογών νευροεπιστήμης.

Κάντε κλικ εδώ για να μάθετε πώς τα AI‑ενεργοποιημένα chip εγκεφάλου θα πρωτοπορήσουν το επόμενο άλμα στην εξέλιξη της ανθρωπότητας.

Επανάσταση των Μεμιριστών για τη Συνεχή Μάθηση της AI

Δημοσιεύτηκε στο το περιοδικό Nature Communications¹, η μελέτη εντόπισε δύο κύριους μηχανισμούς για τη λειτουργία των διπολικών μεμιριστών:

1. Ηλεκτροχημική Μεταλλοποίηση (ECM)
2. Μηχανισμός Αλλαγής Βαλεντ (VCM)

Οι μεμιριστές ECM σχηματίζουν ένα μεταλλικό νήμα μεταξύ των δύο ηλεκτροδίων. Αυτό το μικρό «αγώγιμο γέφυρο» αλλάζει την ηλεκτρική αντίσταση και διαλύεται όταν αντιστραφεί η τάση. Ενώ επιτρέπει χαμηλές τάσεις εναλλαγής και γρήγορους χρόνους εναλλαγής, οι παραγόμενες καταστάσεις εδώ είναι μεταβλητές και βραχύβιες.

Οι μεμιριστές VCM αλλάζουν την αντίσταση μέσω της κίνησης των ιόντων οξυγόνου στη διεπαφή μεταξύ του ηλεκτροδίου και του ηλεκτρολύτη, τροποποιώντας το φράγμα Schottky. Ενώ είναι συγκριτικά σταθερές, απαιτούν υψηλές τάσεις εναλλαγής.

Καθώς κάθε διαδικασία έχει τα δικά της πλεονεκτήματα και μειονεκτήματα, η ομάδα σχεδίασε έναν μεμιριστή συνδυάζοντας τα οφέλη και των δύο τύπων, κάτι που θεωρούνταν αδύνατο.

Έτσι, ο νέος μεμιριστής χρησιμοποιεί ένα νήμα από οξείδια μετάλλου (αντί για εντελώς μεταλλικό όπως το ECM), το οποίο σχηματίζεται από την κίνηση ιόντων οξυγόνου και τατάνιου. Είναι πολύ σταθερό και δεν διαλύεται πλήρως.

«Μπορείτε να το σκεφτείτε ως ένα νήμα που υπάρχει πάντα σε κάποιο βαθμό και τροποποιείται μόνο χημικά.»

– Valov

Ο νέος, ανθεκτικός μηχανισμός εναλλαγής αναφέρεται ως μηχανισμός τροποποίησης αγωγιμότητας νήματος (FCM). Τα εξαρτήματα που βασίζονται σε αυτόν τον μηχανισμό είναι πιο ανθεκτικά σε υψηλές θερμοκρασίες, απαιτούν χαμηλότερες τάσεις για παραγωγή, έχουν ευρύτερο παράθυρο τάσης και είναι χημικά και ηλεκτρικά πιο σταθερά. Η διάρκεια ζωής τους είναι επίσης μεγαλύτερη επειδή λιγότερα εξαρτήματα καίγονται κατά την παραγωγή, οδηγώντας σε χαμηλότερο ποσοστό απόρριψης.

Οι διαφορετικές καταστάσεις οξείδωσης επιτρέπουν επίσης στον μεμιριστή να λειτουργεί τόσο σε δυαδική όσο και σε αναλογική λειτουργία, κάτι που μπορεί να βοηθήσει στην αντιμετώπιση του προβλήματος του «καταστροφικού ξεχάσματος».

Ο Valov εξήγησε ότι οι «μοναδικές ιδιότητες» του νέου δίπλευρου ωμικού μεμιριστή «επιτρέπουν τη χρήση διαφορετικών λειτουργιών εναλλαγής για τον έλεγχο της διαμόρφωσης του μεμιριστή με τέτοιο τρόπο ώστε οι αποθηκευμένες πληροφορίες να μην χαθούν».

Οι ερευνητές έχουν ήδη ενσωματώσει το νέο μεμιριστικό εξάρτημα σε μοντέλο τεχνητού νευρωνικού δικτύου σε προσομοίωση, επιτυγχάνοντας υψηλή ακρίβεια αναγνώρισης προτύπων σε πολλαπλά σύνολα εικόνων.

Η ομάδα θα εξερευνήσει τώρα άλλα υλικά που μπορεί να είναι ακόμη καλύτερα και πιο σταθερά. Ο Valov είναι πεπεισμένος ότι τα «αποτελέσματά τους θα προωθήσουν περαιτέρω την ανάπτυξη ηλεκτρονικών για εφαρμογές «υπολογισμού‑στην‑μνήμη»».

Τώρα, μία από τις κορυφαίες εταιρείες στον χώρο της AI είναι η Microsoft Microsoft(MSFT ), η οποία έχει επενδύσει 12 δισεκατομμύρια δολάρια στην OpenAI, δημιουργό του ChatGPT, και προσφέρει προϊόντα AI όπως το Copilot, το Azure AI Studio και εργαλεία AI εντός του Microsoft 365, Dynamics 365 και Power Platform. Η τεχνολογική γιγαντιαία εταιρεία με κεφαλαιοποίηση αγοράς 2,9 τρισεκατομμυρίων δολαρίων, οι μετοχές της διαπραγματεύονται αυτή τη στιγμή στα $394.58, κάτω 7,17 % ετησίως. Για το τρίμηνο που έληξε στις 31 Δεκεμβρίου 2024, ανακοίνωσε αύξηση εσόδων κατά 12 % σε 69,6 δισεκατομμύρια δολάρια και αραίωση κέρδους ανά μετοχή (EPS) 3,23 δολάρια.

Σύμφωνα με τον Διευθύνοντα Σύμβουλο της Microsoft, Satya Nadella:

«Καινοτομούμε σε όλο το τεχνολογικό μας στοίβα και βοηθάμε τους πελάτες να αξιοποιήσουν πλήρως το ROI της AI για να κατακτήσουν τη μαζική ευκαιρία που έρχεται. Ήδη, η επιχείρηση AI μας έχει ξεπεράσει ένα ετήσιο ρυθμό εσόδων 13 δισεκατομμυρίων δολαρίων, αυξημένο κατά 175 % σε ετήσια βάση.»

Τελευταία Ειδήσεις για τη Microsoft

AI στην Υγειονομική Περίθαλψη, Βελτιώνοντας τη Διάγνωση του Πάρκινσον

Στον τομέα της υγειονομικής περίθαλψης, η AI βοηθά στη μείωση του κόστους και στην επίτευξη καλύτερων αποτελεσμάτων για τους ασθενείς, ενισχύοντας τη διάγνωση, τη θεραπεία και τη φροντίδα των ασθενών μέσω της ανίχνευσης ασθενειών, της εξατομικευμένης ιατρικής και της βελτιωμένης αποδοτικότητας στις διοικητικές εργασίες.

Τώρα, η AI θα βοηθήσει τους κλινικούς ιατρούς να διαγνώσουν διαφοροποιημένα τη νόσο του Πάρκινσον και σχετικές παθήσεις πιο γρήγορα και με μεγαλύτερη ακρίβεια.

Η διάγνωση της νόσου του Πάρκινσον αυτή τη στιγμή κυμαίνεται μεταξύ 55 % και 78 % στα πρώτα πέντε χρόνια αξιολόγησης, εν μέρει λόγω των συγγενών διαταραχών κίνησης που μοιράζονται παρόμοια χαρακτηριστικά, γεγονός που μπορεί να δυσκολεύει την αρχική διάγνωση.

Ωστόσο, ένα νέο μοντέλο AI που ανέπτυξαν ερευνητές του Πανεπιστημίου της Φλόριντα και του UF Health Norman Fixel Institute for Neurological Diseases παρουσιάζει ποσοστό ακρίβειας άνω του 96 %.

Όπως σημειώνει η μελέτη, η εφαρμογή μιας προσέγγισης βασισμένης σε απεικόνιση για τη διάγνωση και διαφοροποίηση μεταξύ της νόσου του Πάρκινσον (PD), της προοδευτικής υπερσφαλματικής παραισθήματος (PSP) και της πολλαπλής συστηματικής ατροφίας (MSA) παραλλαγών παρκινσονικού τύπου ήταν ιδιαίτερα δύσκολη. Ωστόσο, πρόσφατα δεδομένα έχουν δείξει ότι είναι δυνατόν με τη χρήση MRI διαφοράς διασποράς (diffusion‑weighted MRI) σε συνδυασμό με αλγόριθμους μηχανικής μάθησης (ML) ειδικούς για τη νόσο.

Η μελέτη, χρηματοδοτημένη από τα Εθνικά Ινστιτούτα Υγείας και δημοσιεύτηκε στο JAMA Neurology², περιέγραψε το Automated Imaging Differentiation for Parkinsonism (AIDP), ένα αυτοματοποιημένο λογισμικό επεξεργασίας MRI και ML με τεχνική μη‑επεμβατική βιοδείκτη.

Οι κατασκευαστές MRI, ο David Vaillancourt, καθηγητής στο Τμήμα Εφαρμοσμένης Φυσιολογίας και Κινησιολογίας του UF, σημείωσε ότι δεν επικοινωνούν μεταξύ τους λόγω του ανταγωνισμού στην αγορά και χρησιμοποιούν το δικό τους λογισμικό και τις δικές τους ακολουθίες.

Έτσι, οι ερευνητές «ανάπτυξαν νέο λογισμικό που λειτουργεί σε όλα αυτά». Το εργαλείο θα βοηθήσει τους γιατρούς να αυξήσουν την διαγνωστική τους αποτελεσματικότητα μεταξύ διαφορετικών διαταραχών, δήλωσε ο Vaillancourt.

Ενώ το diffusion‑weighted MRI στο AIDP βοηθά στον εντοπισμό του σημείου όπου συμβαίνει νευροεκφυλισμός με μέτρηση της διάχυσης των μορίων νερού στον εγκέφαλο, ο αλγόριθμος αναλύει την εικόνα του εγκεφάλου για να παρέχει τα αποτελέσματα.

Ο αλγόριθμος έχει δοκιμαστεί εντατικά σε σύγκριση με διαγνώσεις σε κλινικές επισκέψεις και έχει διεξαχθεί σε 21 τοποθεσίες, συμπεριλαμβανομένων δύο στον Καναδά και 19 στις ΗΠΑ.

«Αυτή είναι μια περίπτωση όπου η καινοτομία μεταξύ τεχνολογίας και τεχνητής νοημοσύνης έχει αποδειχθεί ότι ενισχύει την διαγνωστική ακρίβεια, δίνοντάς μας την ευκαιρία να βελτιώσουμε περαιτέρω τη θεραπεία των ασθενών με νόσο του Πάρκινσον».

– Michael Okun, M.D., διευθυντής του Norman Fixel Institute for Neurological Diseases στο UF Health.

Οι ερευνητές στοχεύουν τώρα στην έγκριση από τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ (FDA).

Χρήση AI για Πρόβλεψη Καρδιαγγειακού Κινδύνου μέσω Μαστογραφιών

Ένα ακόμη μοντέλο βαθιάς μάθησης έδειξε δυνατότητα πρόβλεψης του καρδιαγγειακού κινδύνου βάσει εικόνων μαστογραφίας, ενός σημαντικού εργαλείου ανίχνευσης καρκίνου. Αυτή η ξεχωριστή μελέτη παρουσιάστηκε στην Ετήσια Επιστημονική Συνέλευση του American College of Cardiology (ACC) συνδυάζοντας τη δύναμη της AI με τις μαστογραφίες για την ανάλυση της συσσώρευσης ασβεστίου στις αρτηρίες εντός του ιστού του στήθους.

Η συσσώρευση ασβεστίου στα αιμοφόρα αγγεία αποτελεί ένδειξη καρδιαγγειακής βλάβης που σχετίζεται με τη γήρανση ή πρώιμη καρδιακή νόσο. Οι γυναίκες με συσσώρευση ασβεστίου στις αρτηρίες, σύμφωνα με προηγούμενες μελέτες, αντιμετωπίζουν 51 % υψηλότερο κίνδυνο καρδιακής νόσου και εγκεφαλικού.

Παρά το γεγονός ότι οι καρδιακές παθήσεις αποτελούν κύρια αιτία θανάτου στις ΗΠΑ, οι καρδιακές νόσοι στις γυναίκες παραμένουν υποδιαγνώσιμες, κάτι που μπορεί να αλλάξει με τα εργαλεία μαστογραφίας που αξιοποιούν AI και εκμεταλλεύονται καλύτερα τις εξετάσεις που λαμβάνουν συχνά οι γυναίκες.

Στις ΗΠΑ, περίπου 40 εκατομμύρια μαστογραφίες πραγματοποιούνται κάθε χρόνο. Αυτές οι ακτινογραφίες χρησιμοποιούνται για τον έλεγχο του καρκίνου του μαστού. Ενώ αυτές οι εικόνες δείχνουν ασβεστίωση των αρτηριών του στήθους, η πληροφορία δεν αναφέρεται στους ασθενείς ή στους κλινικούς τους.

Η νέα μελέτη χρησιμοποίησε μια τεχνική ανάλυσης εικόνας AI που δεν είχε χρησιμοποιηθεί προηγουμένως σε μαστογραφίες, δείχνοντας ότι η τεχνολογία μπορεί να γεφυρώσει αυτό το κενό, αξιολογώντας αυτόματα την ασβεστίωση και παρέχοντας μια εκτίμηση του καρδιαγγειακού κινδύνου. Σύμφωνα με τον κύριο συγγραφέα της μελέτης, Theo Dapamede, MD, PhD, και ερευνητή στο Emory University στην Ατλάντα:

«Βλέπουμε μια ευκαιρία για τις γυναίκες να ελεγχθούν για καρκίνο και επίσης να λάβουν καρδιαγγειακό έλεγχο από τις μαστογραφίες τους. Η μελέτη μας έδειξε ότι η ασβεστίωση των αρτηριών του στήθους είναι καλός προβλεπτικός δείκτης για καρδιαγγειακή νόσο, ιδιαίτερα σε ασθενείς κάτω των 60 ετών. Εάν μπορούμε να εντοπίσουμε και να ελέγξουμε αυτές τις ασθενείς νωρίς, μπορούμε να τις παραπέμψουμε σε καρδιολόγο για περαιτέρω αξιολόγηση κινδύνου.»

Για την κατασκευή του εργαλείου, οι ερευνητές εκπαίδευσαν ένα μοντέλο AI για την τμηματοποίηση των ασβεστωμένων αγγείων στις μαστογραφίες. Το μοντέλο στη συνέχεια χρησιμοποιεί αυτά τα φωτεινά pixel για να υπολογίσει τον κίνδυνο καρδιαγγειακών γεγονότων στο μέλλον, βασιζόμενο στα δεδομένα πάνω από 56 000 ασθενών.

«Οι προόδους στη βαθιά μάθηση και την AI έχουν καταστήσει πολύ πιο εφικτό το εξαγωγή και χρήση περισσότερων πληροφοριών από τις εικόνες για την ενίσχυση της ευκαιριακής ανίχνευσης.»

– Dapamede

Τα ευρήματα της μελέτης έδειξαν ότι το νέο μοντέλο απέδωσε καλά στην ταυτοποίηση του καρδιαγγειακού κινδύνου των ασθενών σε χαμηλό, μέτριο ή σοβαρό κίνδυνο βάσει των μαστογραφιών.

Σύμφωνα με αυτούς, ο ρυθμός σοβαρών καρδιαγγειακών γεγονότων αυξάνεται με το επίπεδο της ασβεστίωσης των αρτηριών του στήθους σε γυναίκες κάτω των 60 ετών και σε εκείνες μεταξύ 60 και 80, μετά τον υπολογισμό του κινδύνου θανάτου από οξεία καρδιακή προσβολή, εγκεφαλικό ή οποιαδήποτε αιτία σε δύο και πέντε χρόνια.

Αυτό καθιστά το εργαλείο ειδικά κατάλληλο για παροχή έγκαιρης προειδοποίησης του κινδύνου καρδιακής νόσου σε νεαρές γυναίκες, επιτρέποντας έγκαιρες παρεμβάσεις.

Τα αποτελέσματα της μελέτης επίσης δείχνουν ότι εκείνες με το υψηλότερο επίπεδο ασβεστίωσης των αρτηριών του στήθους, πάνω από 40 mm², είχαν σημαντικά χαμηλότερο πενταετές ποσοστό επιβίωσης χωρίς γεγονότα σε σύγκριση με εκείνες με το χαμηλότερο επίπεδο, κάτω από 10 mm².

Το επόμενο βήμα των ερευνητών είναι η λήψη έγκρισης από το FDA και η διάθεση του για ευρύτερη χρήση. Στο μέλλον, το σχέδιο είναι επίσης να εξεταστεί η χρήση παρόμοιων μοντέλων AI για την ανάλυση βιοδεικτών για άλλες παθήσεις, όπως η νεφρική νόσος, που μπορεί να εξαχθούν από μαστογραφίες.

Τώρα, όσον αφορά τις εταιρείες που προωθούν την AI στην υγειονομική περίθαλψη, η GE HealthCare Technologies (GEHC ) επενδύει σημαντικά στην τεχνολογία και την ενσωματώνει στα προϊόντα της για τη βελτίωση της φροντίδας των ασθενών και την ενίσχυση των ροών εργασίας των κλινικών. Η εταιρεία με κεφαλαιοποίηση αγοράς 37,26 δισεκατομμυρίων δολαρίων, οι μετοχές της διαπραγματεύονται αυτή τη στιγμή στα 81,49 δολάρια, αυξημένες κατά 4,23 %. Στο 4Q24, τα έσοδά της αυξήθηκαν κατά 2 % στα 5,3 δισεκατομμύρια δολάρια, ενώ το αραίωση EPS ήταν 1,57 δολάρια.

Τελευταία Ειδήσεις για τις Τεχνολογίες GE Healthcare

AI στην Επιστήμη Υλικών: Βελτιστοποίηση Διαδικασιών Ανάπτυξης Λεπτών Φιλοταινιών

Η επιστήμη των υλικών είναι κρίσιμη για τις σύγχρονες προόδους, καθώς επιτρέπει την ανάπτυξη νέων υλικών και τη βελτίωση των υπαρχόντων. Η AI σε αυτόν τον τομέα συμβάλλει επιταχύνοντας την ανακάλυψη και το σχεδιασμό νέων υλικών, βελτιστοποιώντας τα υπάρχοντα και βελτιώνοντας τις διαδικασίες κατασκευής.

Ερευνητές από το Πανεπιστήμιο Επιστήμης του Τόκιο (TUS), υπό την ηγεσία του Καθηγητή Masato Kotsugi, έχουν πλέον χρησιμοποιήσει AI για τη βελτιστοποίηση των διαδικασιών ανάπτυξης λεπτών φιλοταινιών προβλέποντας την ανάπτυξη δένδρων σε αυτές.

Αυτές οι διαδικασίες παίζουν κεντρικό ρόλο στην ανάπτυξη ημιαγωγικών συσκευών, τεχνολογιών επικοινωνίας και αισθητήρων.

Τώρα, οι λεπτές ταινίες αναπτύσσονται τοποθετώντας μικρά στρώματα υλικών πάνω σε υπόστρωμα. Ωστόσο, για να αξιοποιηθεί πλήρως η απόδοση των πολυστρωματικών συσκευών, το υπόστρωμα πρέπει να κατασκευαστεί με ακρίβεια, καθώς έχει σημαντική επίδραση στη δομική διαμόρφωση, η οποία με τη σειρά της επηρεάζει τη λειτουργία και την απόδοση τους.

Ωστόσο, οι δομές επηρεάζονται σημαντικά από τις συνθήκες της διαδικασίας ανάπτυξης, όπως η σύνθεση, η ατμόσφαιρα και τα ελαττώματα στην επιφάνεια. Κατά τη διάρκεια της διαδικασίας ανάπτυξης μεγάλης περιοχής, η οποία είναι σημαντική για την εμπορική της εφαρμογή, εμφανίζεται ένα σημαντικό εμπόδιο με τη μορφή δένδρων.

Αυτά τα δένδρο‑σαν κλαδικά μοτίβα μειώνουν την επίπεδη επιφάνεια των λεπτών ταινιών και παρατηρούνται συνήθως σε υλικά όπως το γραφένιο, ο χαλκός και το βορφόπεν, ιδιαίτερα στα αρχικά στάδια ανάπτυξης και στις πολυστρωματικές ταινίες.

Δεδομένου ότι η μικροδομή επηρεάζει άμεσα την απόδοση της συσκευής, είναι κρίσιμο να μειωθεί η δημιουργία δένδρων. Για αυτό, πρέπει πρώτα να κατανοήσουμε τις συνθήκες που προκαλούν την κλαδική διακλάδωση. Οι υπάρχουσες μέθοδοι μελέτης των δένδρων, ωστόσο, βασίζονται σε απλή οπτική ανάλυση και υποκειμενική ερμηνεία, απαιτώντας σημαντικό πειραματισμό και δοκιμές.

Για την αντιμετώπιση αυτών των προβλημάτων, οι ερευνητές δημιούργησαν ένα μοντέλο AI για την ανάλυση των δομών δένδρων. Η καινοτόμος μέθοδος ενσωματώνει μηχανική μάθηση (ML) και μόνιμη ομολογική (PH) με ανάλυση ενέργειας για τη γέφυρα μεταξύ δομής και διαδικασίας στην ανάπτυξη δένδρων.

«Η προσέγγισή μας παρέχει νέες γνώσεις για τους μηχανισμούς ανάπτυξης και προσφέρει μια ισχυρή, δεδομενο‑κατευθυνόμενη διαδρομή για τη βελτιστοποίηση της κατασκευής λεπτών ταινιών.»

– Prof. Kotsugi

Συνδυασμός AI, PH και Ανάλυσης Ενέργειας για τη Μελέτη της Δένδρισης

Δημοσιεύτηκε στο Science and Technology of Advanced Materials: Methods³, η μελέτη περιγράφει το μοντέλο που χρησιμοποιεί μόνιμη ομολογική (PH) για την καταγραφή των πολύπλοκων τοπολογικών χαρακτηριστικών των μικροδομών των δένδρων, που συχνά παραβλέπονται από τις παραδοσιακές τεχνικές επεξεργασίας εικόνας.

Ενώ η PH επιτρέπει την πολυκλιμακική αξιολόγηση των κενών και των συνδέσεων εντός γεωμετρικών δομών, η τεχνική μηχανικής μάθησης ανάλυσης κύριων συνιστωσών (PCA) βοήθησε στη μείωση των ουσιωδών χαρακτηριστικών μορφολογίας των δένδρων που εξάγονται μέσω PH σε δισδιάστατο χώρο.

Αυτό βοήθησε την ομάδα να ποσοτικοποιήσει τις δομικές αλλαγές στα δένδρα και να καθορίσει τη σχέση μεταξύ αυτών των αλλαγών και της ελεύθερης ενέργειας στο υλικό που επηρεάζει τον τρόπο σχηματισμού των δένδρων.

Αξιολογώντας αυτή τη σχέση, η ομάδα ανακάλυψε τις συγκεκριμένες συνθήκες και τους κρυφούς μηχανισμούς ανάπτυξης που επηρεάζουν την κλαδική διακλάδωση των δένδρων.

«Το πλαίσιο μας χαρτογραφεί ποσοτικά τη μορφολογία των δένδρων στις μεταβολές της ελεύθερης ενέργειας Gibbs, αποκαλύπτοντας ενεργειακές κλίσεις που οδηγούν στη συμπεριφορά κλαδικής διακλάδωσης.»

– Kotsugi

Η ομάδα μελέτησε στη συνέχεια την ανάπτυξη δένδρων σε εξάρτηση χαλκού (Cu) εξάγωνου υποστρώματος και σύγκρινε τα αποτελέσματα με δεδομένα από προσομοιώσεις πεδίου φάσης για την επικύρωση της προσέγγισής τους. Ο Kotsugi σημείωσε:

«Ενσωματώνοντας την τοπολογία και την ελεύθερη ενέργεια, η μέθοδός μας προσφέρει μια ευέλικτη προσέγγιση στην ανάλυση υλικών. Μέσω αυτής της ενσωμάτωσης, μπορούμε να δημιουργήσουμε μια ιεραρχική σύνδεση μεταξύ των μικροσκοπικών δομών και των μακροσκοπικών λειτουργιών σε ένα ευρύ φάσμα υλικών, ανοίγοντας το δρόμο για μελλοντικές προόδους στην επιστήμη των υλικών.»

Αυτή η μέθοδος, σύμφωνα με αυτόν, μπορεί να οδηγήσει στην ανάπτυξη υψηλής ποιότητας συσκευών λεπτών ταινιών για επικοινωνία υψηλής ταχύτητας πέρα από το 5G και σε προόδους σε υλικά υψηλών επιδόσεων, μη ισορροπία φυσικής και τεχνολογίας αισθητήρων.

Τώρα, αν κοιτάξουμε ένα εξέχον όνομα στον χώρο της επιστήμης των υλικών που χρησιμοποιεί AI για καινοτομία, η Applied Materials (AMAT ) είναι ανάμεσα στις κορυφαίες. Εκμεταλλεύεται την AI για τη βελτίωση της κατασκευής ημιαγωγικών τσιπ μέσω της πλατφόρμας AI(x), ExtractAI και του συστήματος SEMVision™ H20. Η εταιρεία με κεφαλαιοποίηση αγοράς 123,6 δισεκατομμυρίων δολαρίων, οι μετοχές της διαπραγματεύονται αυτή τη στιγμή στα 151 δολάρια, κάτω 6,5 % ετησίως. Για το 1Q25, ανακοίνωσε αύξηση εσόδων κατά 7 % σε 7,17 δισεκατομμύρια δολάρια, ενώ το GAAP EPS ήταν 1,45 δολάρια και το μη‑GAAP EPS 2,38 δολάρια.

«Η βιομηχανική ώθηση για την επιτάχυνση της ανάπτυξης προηγμένων υπολογιστών και πιο εξελιγμένης AI κερδίζει έδαφος. Η Applied Materials επιτρέπει τις κρίσιμες αλλαγές στην αρχιτεκτονική συσκευών που είναι απαραίτητες για ενεργειακά αποδοτική AI, και η εστίασή μας στην υψηλής ταχύτητας συν‑καινοτομία δημιουργεί μοναδικές ευκαιρίες συνεργασίας με τους πελάτες και τους συνεργάτες μας, τοποθετώντας την Applied Materials για συνεχή ανάπτυξη και υπεραπόδοση τα επόμενα χρόνια.»

– Διευθύνων Σύμβουλος Gary Dickerson τον περασμένο μήνα

Τελευταία Ειδήσεις για την Applied Materials

Συμπέρασμα

Η AI έχει ήδη μετασχηματίσει τις επιχειρήσεις σε διάφορους κλάδους. Ο γρήγορος ρυθμός καινοτομίας προσφέρει επαναστατικές λύσεις στα μακροχρόνια προβλήματα της. Με αυτές τις προόδους, που κυμαίνονται από την επιστήμη των υλικών, τη διαγνωστική ιατρική και τους προσωπικούς υπερυπολογιστές μέχρι ακόμη λύσεις για τις δικές της προκλήσεις μάθησης, προχωρούμε σε μια εποχή που υπόσχεται πρωτοφανή μετασχηματισμό.

Καθώς η AI συνεχίζει να εξελίσσεται, η ικανότητά της να ενισχύει την παραγωγικότητα, να βελτιώνει τη λήψη αποφάσεων και να ανοίγει νέους ορίζοντες την καθιστά μία από τις πιο ισχυρές δυνάμεις που διαμορφώνουν το μέλλον.

Κάντε κλικ εδώ για να μάθετε όλα όσα χρειάζεστε να γνωρίζετε για την επένδυση στην τεχνητή νοημοσύνη (AI).