Çözünürlük Sistemleri
Çözünürlük Sistemleri NC-SFM başlangıçta konsolun sabit bir frekansta sabit bir genlik tarafından sürüldüğü genlik modülasyonu (AM) moduna dayanıyordu. Yüzeye yaklaşıldığında, uç yüzey etkileşimi konsol salınımlarının genliğinde ve fazında bir değişikliğe neden olarak ölçülebilir bir sinyal sağlar. Uygulamada, konsolun bu moddaki tepkisinin oldukça yavaş olduğu bulundu ve atomik çözünürlük çalışmalarında frekans modülasyonu (FM) modu ile değiştirildi. Ancak AM modu, hava ve sıvılarda yapılan "vuruş modu" çalışmalarında oldukça başarılı olmuştur. Genel olarak, en iyi çalışma modu, gereken çözünürlük ve sistemin kendisi tarafından belirlenir. SFM'deki gerçek atomik çözünürlük, yalnızca bu çalışmanın odak noktası olacak olan FM modunda elde edilmiştir. FM modu NC-SFM'de, özfrekansı f0 ve yay sabiti k olan bir konsol, bir geri besleme döngüsü aracılığıyla sabit bir A0 genliğinde salınımlarda tutulur. Konsol, kendinden tahrikli bir osilatör olarak düşünülebilir. Salınımların gerçek frekansı f0'a, konsolun kalite faktörü Q'ya ve tahrik uyartımı ile konsolun sapması arasındaki faz kaymasına θ bağlıdır. θ = π/2 için sistem f = f0'da salınır. Genel olarak, deneyler sırasında, sabit bir frekans değişimi ∆f elde etmek için uç-yüzey mesafesi değiştirilir ve elde edilen topografya haritası, yüzeyin görüntüsünü sağlar. Artık ∆f'deki değişimin görüntüleme sinyalini sağladığı sabit yükseklikte görüntü almak da mümkündür. Güvenilir görüntüleme için, deneysel kurulumun önemli olan bir yönü daha vardır: STM'de olduğu gibi, SFM deneylerinde normalde uç ve numune arasında bir sapma U uygulanır. Katkısız yarı iletken ve yalıtkan yüzeyler, özellikle yarılmış iyonik yüzeyler olmak üzere, hazırlandıktan sonra genellikle önemli lokalize yükler içerecektir. Bunlar, önemli uzun menzilli elektrostatik kuvvetlerin yanı sıra tarama sırasında uç yüzey kuvvetinde ani değişiklikler üretir. İletken yüzeyler için, uç ve yüzey arasındaki iş-fonksiyonu farkı, uzun menzilli bir kapasitif kuvvete katkıda bulunacaktır. Bu ek kuvvetler, kısa menzilli kuvvetlerin nispi katkısını azaltarak ve uç çarpma olasılığını artırarak taramayı daha zor hale getirir. Elektrostatik kuvvetlerin etkisinin azaltılması, yüzey üzerinde belirli bir noktada uygulanan önyargının bir fonksiyonu olarak ∆f'nin en aza indirilmesiyle elde edilebilir. Bu sürecin bir örneği görülebilir. Uç ve Yüzey Hazırlığı Her yüzey STM veya SFM'de yüksek çözünürlüklü olarak görüntülenemez. Atomik çözünürlüğe ulaşmak için, çoğu durumda yüzey kapsamlı bir hazırlığa ihtiyaç duyar. Kontrollü döngülerde haftalar hatta aylar süren püskürtme (çoğunlukla Ar+ olmak üzere iyonlarla bombardıman) ve tavlama (yüzey kusurlarının düzeltildiği noktaya kadar ısıtma) nadir değildir. Yüzey hazırlama başlı başına sofistike bir sanattır ve başarılı görüntülemenin anahtarlarından biridir. İyon saçılması ve elektron kırınımı gibi k-uzayı yöntemlerinin aksine, SPM ile görüntülenmek için bir yüzeyin sıralanmasına gerek yoktur. Aslında, bir yüzeydeki tek safsızlıklar ve basamak kenarları, deneyciler tarafından görüntülerinin kalitesini kontrol etmek için sıklıkla kullanılır. Böyle bir safsızlık, çift uç gibi hiçbir bozucu etkinin olmadığı varsayılarak yalnızca tek bir yapı olarak görüntülenir. Uç, tüm SPM yöntemlerinde görüntülemenin en önemli parçasıdır. STM uçları genellikle saf bir metalden, bir metal alaşımından veya genellikle laboratuvarda metal telden üretilen 10-20 farklı malzeme katmanıyla kaplanmış bir metal tabandan yapılır. Bazı durumlarda, STM görüntüleme için ağır katkılı Si uçları da kullanılır. 1920x1080 çözünürlük iyimidir Spektral çözünürlük nedir Ekran çözünürlük 2K çözünürlük Radyometrik çözünürlük nedir Metre altı çözünürlük Mekansal çözünürlük 1280x720 çözünürlük SFM ölçümleri için benzer uçlar da kullanılabilse de, bu çok nadirdir. Bunun nedeni, bir ucun konsol tutuşunun SFM'deki kuvvet değişikliklerinin izlenmesinde çok önemli bir rol oynamasıdır: (i) birçok SFM gerçekleştirmesinde konsol sapmaları, konsolun arkasından yansıyan ışık algılanarak ölçülür; (ii) konsol yay sabiti, uç şekli ve uç keskinliği, görüntü oluşumunda çok önemli roller oynar. Bu nedenle standart konsollar gereklidir. Çoğu durumda bunlar, yarı iletken çiplerle hemen hemen aynı şekilde mikro fabrikasyon yoluyla silikondan üretilir. Bazı durumlarda uç, moleküllerin kontrollü adsorpsiyonu ile değiştirilir. STM'de bunun bir yüzeydeki moleküllerin görünen yüksekliğini etkilediği gösterilmiştir. Ucun tam geometrisi, uç yapısının alan-iyon mikroskobu ile bir taramadan önce ve sonra belirlendiği bazı olağanüstü STM ölçümleri dışında genellikle bilinmemektedir. Konuları daha da karmaşık hale getirmek için uç geometrisi, tekrarlanabilir taramalı tünelleme spektroskopisi (STS) ölçümleri için belirleyicidir; ne yazık ki, STS için en uygun ucun topografik ölçümler için uygun olmadığı gösterilmiştir, çünkü yeterince yüksek bir çözünürlük sağlamaz. SFM'de, apekste belirli orbital konfigürasyonlarla bile temiz silikon uçlar üretmek için bazı girişimlerde bulunulmuştur, ancak görüntüler henüz silikon yüzeyler dışında herhangi bir şey üzerinde üretilmemiştir: bu nedenle gerçek kontrol kanıtı eksiktir. Şu anda en yaygın olarak kabul edilen görüş, SPM uçlarının oldukça düşük eğriliğe sahip bir tabandan ve en baştaki konumda tek bir atom bulunan birkaç katmandan oluşan bir atomik uç kümesinden oluştuğudur. STM'de, tünel bağlantısındaki tüm akım bu "tepe noktası" atomu aracılığıyla taşınır; iletkenlik alanı sonuç olarak oldukça küçüktür ve birkaç ̊A2 aralığındadır. STM hassasiyetinin kaynağı budur, çünkü akımı çok küçük bir yüzey alanının elektronik ortamına karşı çok hassas hale getirir. Keskin uç apeksinin son birkaç atomunun yüzey atomlarıyla etkileşimindeki varyasyonlar da SFM görüntülerindeki görüntü kontrastını belirler. Bununla birlikte, atomik yapıya olan bu hassasiyet aynı zamanda STM ve SFM görüntülerinin yorumlanmasını bu kadar zorlaştıran özelliklerin de kaynağıdır çünkü uç apeksinin gerçek geometrisi ve kimyası, yüzey ile uç arasındaki vakum bariyerindeki iletkenliği etkiler ve aynı zamanda uç yüzey kuvvetleri genellikle belirlenemez. Cu(100) ve NaCl(100) gibi basit metal yüzeyler için bile bu, farklı taramalar için farklı deneysel sonuçlara yol açar. SPM deneylerinde belirleyici faktörler tam olarak bilinmediğinden, alaka düzeylerinin simülasyonlardan çıkarsanması gerekir. Simülasyonların sistematik bir şekilde yapılması gerekir, örneğin, adsorbatların model uçlarının elektronik yapısı üzerindeki etkisini inceleyerek ve bu adsorbatların STM taramaları üzerindeki etkisini modelleyerek yapılmalıdır. Deneysel olarak, zorluk, en azından dikkatli ölçümlerde, bir dizi taramayı kaydederek ve istatistiksel bir ortalama olarak yüzey dalgalanması gibi kesin ölçümleri sunarak aşılır.

Nöral Ağlar  – Endüstri 4.0 – Ödev Hazırlatma – Tez Yazdırma – Proje Yaptırma Fiyatları – Ödev Örnekleri – Ücretli Proje Yaptırma – Tez Yaptırma Ücretleri

Ekonomik Durumlar

Bağımsız olarak, Malong Technologies’e göre ekonomik pazar, bilimsel yayınların evrimini önemli ölçüde takip ediyor ve %10-20/yıl artış oranıyla birkaç on milyarlarca €/yıl’a ulaşacağı tahmin ediliyor. Avrupa Birliği tarafından güçlü bir şekilde desteklenmektedir. Ancak bugün, bu pazar, on binlerce milyarlarca €/yıl tutarındaki küresel ekonomik pazarın okyanusunda yalnızca bir damladır.

2000’lerin başından bu yana, çeşitli gelişmeler nedeniyle AI yeniden başlatıldı:

– hem hesaplama hem de depolama taraflarında makinelerin gücünden yararlanabilen istatistiksel yöntemlerin kullanımı gibi daha önce erişilemeyen birçok yöntemin uygulanmasını çeşitlendirmeyi mümkün kılan bilgisayar ekipmanının gücündeki artış ve daha fazlası son zamanlarda sinir ağları;
– “Deep Blue’nun 1997’de Kasparov’a karşı kazandığı zafer ve IBM Watson’ın 2011’de Jeopardy’deki zaferi gibi çeşitli kilometre taşlarının başarısı. Sonunda, birkaç gün önce DeepMind’in Go oyunundaki zaferi”
– İnternet, arama motorları gibi yeni ihtiyaçlar yarattı ve kitlesel olarak dağıtılmış mimarilerin uygulanmasını sağladı;
– İnternet, cep telefonları ve bağlı nesnelerin kullanımı yoluyla çok büyük miktarda verinin mevcudiyeti;
– robotik, uzay araştırmaları, destekli veya otonom sürüş araçları, bilgisayar güvenliği, dolandırıcılıkla mücadele, kontrol konularında güçlü bir şekilde ifade edilen ihtiyaçlar;
– yapay zeka geçişi makine öğrenimi, bağlantılı nesneler, mobilite ve Büyük Verinin birçok ticari uygulaması;
– deneye dayalı yeni bilimsel ve pragmatik yöntemler.

Nöral Ağlar

Bunlar, paralel çalışan temel işlemcilerin yüksek düzeyde bağlantılı ağlarıdır: her işlemci, aldığı bilgilere dayalı olarak tek bir çıktı hesaplar.

Sinir ağlarındaki öğrenme modelleri, birkaç elektronik nöron katmanından oluşur. Bir katmanın nöronları, önceki katmanların girdi değerlerini kullanarak öğrenir ve bir sonraki katmana, son katmana kadar yeni bir öğrenme göndererek nihai çıktı değerini üretir. Bu, örneğin yüz tanıma gibi bir görüntünün kategorisinin belirlenmesi anlamına gelebilir.

Bir öğrenme süreci ile gerçeklikle karşılaştırarak, sonuçlarını arananlarla karşılaştırarak ve daha sonra onlara mümkün olduğunca yaklaşmaya çalışarak yeteneklerini geliştiren algoritmalar kullanmak mümkündür.

Bu ağlar, insan beyni tarafından öğrenmeyi yapay olarak temsil etme misyonuyla birbirine bağlı birkaç hücre katmanından yararlanır. Doğrusal regresyon gibi diğer parametrik algoritmalardan farklı olarak, çok karmaşık ve doğrusal olmayan modellerin kolayca oluşturulmasına izin verirler. Bu ilkeden tanınmayı sağlayabilirler.

Böyle bir sistemi üretmek için, birkaç nöron katmanıyla geri beslemeli yinelemeli bir sürece dayalı bir eğitim oyunu aracılığıyla tahmin hatasını en aza indirmeye çalışarak bağlantı ağırlıkları öğretilmelidir. Her gözlemden sonra, tahmin hatasını azaltmak için bağlantı ağırlıklarını ayarlamak mümkündür. AI’nın belirli bir yönü için resimli bir temsil gösterilmiştir: örüntü tanıma.

NOT.– Amazon, şüpheli kişileri ve istenmeyen ziyaretçileri belirlemek için ağ bağlantılı ev güvenlik kameralarıyla yüz tanıma teknolojisi için ABD’de yeni bir patent başvurusunda bulundu. Özellikle, hüküm giymiş ancak özgür suçlular, kayıtlı seks suçluları veya bölge sakinleri tarafından şüpheli olarak tanımlanan bireyleri içeren bir veri tabanının kullanımını sağlar.


“Yapay zekayı iki biçime ayırmak yaygındır: “güçlü” ve “zayıf”. Birincisi, bir insanla aynı bilişsel işlevleri yerine getirebilecektir. Zayıf veya kısıtlı AI biçimleri, verilen kurallara göre belirli görevlere odaklanır. Bu şekilde, bir insan için asla mümkün olmayan eşsiz bir görev için bir derece mükemmellik elde edebilirler”.

Bu nedenle, güçlü AI kavramı, akıllı davranış üretebilen, öz farkındalık izlenimi veren ve kişinin kendi akıl yürütmesini (kendi kendine öğrenme) anlamasını sağlayan bir sistemi ifade eder. Zayıf AI kavramı, otonom sistemlerin, problemleri çözebilen algoritmaların inşasına yönelik bir mühendislik yaklaşımıdır. Yani makine zekayı simüle ediyor ve sanki akıllıymış gibi davranıyor.

Halkın AI hakkında bilgisinin yokluğunda (alanın karmaşıklığı göz önüne alındığında zor), kamuoyunun görüşü, ortak kültürün bir parçası olan propaganda hikayeleri ve refleks önyargılarından etkilenir ve bu nedenle bilgilendirilmesi gerekir. Yapay zekanın ortaya çıkışı bilişsel süreçlerimizi etkiler ve yapay tarafta, yarın makinelerden insan bilişinin parçalarını yaratabileceğimiz öne sürülmektedir.

Bu da, insanların karmaşık bir düzeyde bile olsa mühendislik yapabilen yalnızca sofistike makineler olacağını gösteriyor. Yinelenen fikirler, AI’nın Terminatör filmine çok benzeyen enkarne ve insanüstü bir zeka olduğu yönündedir.

Filmler ve bazı sansasyonel medya tarafından teşvik edilen bu arka plan, AI’nın algılanma şeklini şekillendirir; toplumların teknolojik gelişmeler hakkında ilginç veya heyecan verici bulduklarını etkiler ve Endüstri 4.0’ın neyi temsil edebileceği fikrinin/algısının bir sonucu olarak farklı izleyicilerin AI teknolojileriyle ilişki kurma şeklini etkiler.

Bu nedenle, AI’nın onaylanma şekli önemlidir, çünkü halkın, karar vericilerin ve araştırmacıların dikkatini belirli fırsat veya endişe alanlarına çekebilir (veya onları yönlendirebilir) ve toplumların tekliflere yanıt verme şeklini etkileyebilir. 

Yaklaşık iki yüzyıl önce gerçekleşen endüstriyel mekanizasyon tarafından reddedilen zanaatkarların isyanları örneğini takiben, teknolojik gelişmeye izin verebilir veya tam tersine yavaşlatabilir. Bu nedenle halkla açık bir diyalog kurulması aydınlanma için gerekli görünmektedir. Bu, daha önce de belirtildiği gibi, bu çalışmanın amaçlarından biridir.

Mevcut Sınırlamaları

Bazen yetersiz bilgilendirilmiş iş liderleri, AI’nın hangi alanlarda üretkenliklerini ve gelir artışlarını hızlandırabileceğini ve diğer hangi alanlarda değer yaratamayacağını bilmekte zorluk çekiyor.

Sınırlar aşağıdaki gibidir:

– veri kategorizasyonu: mevcut AI modelleri genellikle, görevlerin yürütülmesinde en uygun kullanım için kategorize edilmiş (etiketleme) ve sınıflandırılmış verilerle “denetimli öğrenme” yoluyla geliştirilir. McKinsey raporu (2018), bazı durumlarda, sınıflandırma çabalarının hata veya yanlışlık riskleri sunarken önemli miktarda insan kaynağı gerektirebileceğini belirtmektedir;
– büyük eğitim veri setlerinin mevcudiyeti: derin öğrenme, iyi kategorize edilmiş, ancak aynı zamanda bu modellerin dosyalama görevlerinde doğruluğu sağlamak için yeterince büyük ve kapsamlı veriler gerektirir. İnsanların “işleyişine” (örneğin otonom araç) yaklaşmak için milyonlarca veri kaydından bahsediyoruz;
– açıklanabilirlik sorunu veya belirli bir kararın neden verildiğini, özellikle de gerçek zamanlı olarak gerçekleştiğinde, insan terimleriyle açıklama olasılığı;
– öğrenmenin genelleştirilmesi: Yapay zeka modelleri, insanlardan farklı olarak, deneyimlerini bir uygulama bağlamından diğerine aktarmakta zorluk çeker. Sonuç olarak, günümüzde şirketler, kullanım durumları yakın olsa bile kendi özel ihtiyaçlarına uygun bir yapay zeka modeli geliştirmek için büyük yatırımlar yapmalıdır.