Τετάρτη 20 Νοεμβρίου 2024

Τέμπη-Δύο μυστηριώδεις εκρήξεις! Ο διευθυντής κυκλοφορίας του ΟΣΕ (νεκρός σε περίεργο τροχαίο) μιλάει για ανεξήγητο κόψιμο των καλωδίων στον Σταθμό Παλαιοφαρσάλου. Εκρηκτική ύλη στις αποσκευές της αμαξοστοιχίας διαπιστώνει ο Κώστας Σαμαράς





Πόσα ακόμη δεν γνωρίζουμε για το σκοτεινό συμβάν της 28ης Φεβρουαρίου 2023;

«Να έχει σταματήσει το τρένο, να στέκεται και να πέσει η γραμμή; Δεν έχει ξανασυμβεί»

Mε αυτό τον τρόπο στην διάρκεια της κατάθεσής του σχολίαζε την κοπή των καλωδίων (ως αποτέλεσμα έκρηξης σύμφωνα με τα πρώτα ρεπορτάζ) στον Σταθμό Παλαιοφάρσαλος ο νεκρός πλέον Διευθυντής Κυκλοφορίας του ΟΣΕ, Κωνσταντίνος Χρυσάγης.

Το μυστηριώδες κόψιμο ηλεκτροφόρων καλωδίων 25.000 volt το απόγευμα της 28ης Φεβρουαρίου 2023 και ενώ στο τρένο είναι σταματημένο είναι κάτι πρωτοφανές.

-Δεν είχε ξανασυμβεί!

Ένα σχεδόν μήνα μετά στη διάρκεια τροχαίου στην Αθηνών-Σουνίου ο Χρυσάγης θα έπεφτε νεκρός.

...

Στο σημείο αυτό μια ενδαφέρουσα μαρτυρία θα έβλεπε το φως της δημοσιότητας στον ιστότοπο karditsastakra.com.

Κωνσταντίνος Χρυσάγης> Ένα μαύρο αυτοκίνητο με φιμέ τζάμια ακολουθούσε τον μοτοσικλετιστή Διευθυντή Κυκλοφορίας του ΟΣΕ στο Σούνιο. Εκείνος ανήσυχος γυρνούσε διαρκώς πίσω το κεφάλι του…”

Ένα e-mail με μαρτυρία ενός Καρδιτσιώτη που ζει χρόνια στην Αθήνα και έχει εξοχικό στο Λαγονήσι δέχτηκε η σελίδα karditsastakra.com.

Το e-mail αφορά τον περίεργο θάνατο του Διευθυντή Κυκλοφορίας του ΟΣΕ Κωνσταντίνου Χρυσάκη.

Ο Δημήτρης Α ήταν αυτόπτης μάρτυρας του τραγικού δυστυχήματος αφού όπως αναφέρει βρισκόταν τρία αυτοκίνητα πιο πίσω από το συμβάν.

Στην μαρτυρία του τονίζει παρατήρησε ένα μαύρο αυτοκίνητο με φιμέ τζάμια να ακολουθεί τον Κωνσταντίνο Χρυσάγη τον ακολουθεί τη μοτοσικλέτα του διευθυντή του ΟΣΕ.

Όπως θα δείτε στο σχετικό video που δόθηκε στη δημοσιότητα πράγματι ένα μαύρο αυτοκίνητο με φιμέ τζάμια ακολουθεί τον μοτοσικλετιστή.

Τώρα εάν πρόκειται για τυχαία παρουσία-σύμπτωση ή σκόπιμη ενέργεια μένει να διερευνηθεί.

Όπως αναφέρει ο μάρτυρας είδε τον άτυχο άνδρα (Χρυσάγης) να γυρίζει πολλές φορές το κεφάλι και να κοιτάζει προς τα πίσω πράγμα που του έκανε εντύπωση.

Ακολουθεί το email που έστειλε στον ιστότοπο karditsastakra.com>

“Καλησπέρα σας και συγχαρητήρια για τη σελίδα σας.

Σας έστειλα το παρόν e-mail γιατί ήμουνα αυτόπτης μάρτυρας του τραγικού δυστυχήματος του Διευθυντή Κυκλοφορίας του ΟΣΕ.

Διαμένω στην Αθήνα εδώ και πολλά χρόνια αλλά η καταγωγή μου είναι από Καρδίτσα. Έχω το πατρικό μου το οποίο βρίσκεται σε χωριό της

Καρδίτσας και κατεβαίνω μία φορά το χρόνο με σκοπό να κάνω συντήρηση.

Για το εν λόγω περιστατικό βρισκόμουνα στην ίδια κατεύθυνση με τον άτυχο άνδρα πίσω από τρία αυτοκίνητα.

Έχω χτίσει εξοχικό στο Λαγονήσι εδώ και πέντε χρόνια και το επισκέπτομαι τακτικά αφού με βοηθάει να χαλαρώνω από τους έντονους ρυθμούς της εργασίας μου.

Επειδή μου αρέσει πολύ η διαδρομή γενικά δεν κοιτάω μόνο τα προπορευόμενα οχήματα αλλά κατά μήκος της διαδρομής.

Το μάτι μου έπεσε στην μηχανή χωρίς να γνωρίζω για ποιον άνθρωπο πρόκειται και μου έκανε εντύπωση ότι από πίσω σε απόσταση ελάχιστων μέτρων τον ακολουθούσε ένα μαύρο αυτοκίνητο με φιμέ τζάμια.

Πινακίδες δεν πρόσεξα γιατί από το σημείο που βρισκόμουν δεν θα μπορούσα να αντιληφθώ κάτι τέτοιο.

Μου έκανε εντύπωση ότι ο αναβάτης της μηχανής γυρνούσε και κοιτούσε πολλές φορές πίσω στο αυτοκίνητο που τον ακολουθούσε χωρίς να υπάρχει λόγος αφού δεν έδειχνε κάποια πρόθεση να προσπεράσει ώστε να χρειαστεί να κάνει στην άκρη μου.

Μου έκανε ιδιαίτερη εντύπωση ότι προχωρούσε και γυρνούσε συνεχώς το κεφάλι προς τα πίσω.

Αν δεν φορούσε το κράνος θα μπορούσα να δω τις εκφράσεις του προσώπου του.

Μετά από πέντε λεπτά άκουσα ένα δυνατό θόρυβο σαν μία τεράστια έκρηξη και είδα τον αναβάτη να εκσφενδονίζεται πολλά μέτρα μακριά από τη μηχανή.

Εκείνη την ώρα δεν κατάλαβα τι έγινε είχα πάθει σαν σοκ με το θέαμα.

Αργότερα σταμάτησα και είδα το άσπρο βανάκι και ότι υπήρχε ένας άνθρωπος που ψυχορραγούσε.

Δεν μπόρεσα να αντέξω το θέαμα και αποχώρησα γρήγορα γιατί έχω περάσει και καρδιακό επεισόδιο.

Επίσης ήθελα να τονίσω ότι το μαύρο αυτοκίνητο που είχα δει δεν σταμάτησε όταν έγινε το δυστύχημα ούτε το παρατήρησα κάπου εκεί τριγύρω.

Αυτό ήθελα να καταθέσω στη σελίδα σας και ιδιαίτερα για το μαύρο αυτοκίνητο που έδειχνε να τον ακολουθεί συνεχώς από πίσω.

Σας ευχαριστώ και καλή συνέχεια”. 

 

Στο παραπάνω video εμφανίζεται πράγματι ένα αυτοκίνητο με φιμέ τζάμια πίσω από τον μοτοσικλετιστή.

Αυτό που συνέβη στον Σταθμό Παλαιόφαρσαλο και συγκεκριμένα το μυστηριώδες κόψιμο των ηλεκτροφόρων καλωδίων, με την αμαξοστοιχία  σταματημένη, θα ήταν καταλυτικό για μια ενδιαφέρουσα και δυστοπική αλληλουχία γεγονότων που θα ακολουθούσε.

Στο Παλαιοφάρσαλο υπήρξε το μεσημέρι βραχυκύκλωμα και μετά ρήξη του αγωγού της εναέριας γραμμής επαφής. «Να έχει σταματήσει το τρένο, να στέκεται και να πέσει η γραμμή; Δεν έχει ξανασυμβεί» είπε ο Κ. Χρυσάγης και συμπληρώνει ότι «το είδαν οι Ρυθμιστές Έλξης από τη Θεσσαλονίκη, που επιτηρούν τα ηλεκτρικά φορτία.

Ο συρμός εκκενώθηκε και πήγε με μηχανές diesel μέχρι τη Λάρισα και μετά συνέχισε για Θεσσαλονίκη.»

Κι εάν αυτή η κατάθεση του νεκρού πλέον διευθυντή κυκλοφορίας του ΟΣΕ έρχεται να προσθέσει νέα ερωτηματικά στο σκοτεινό συμβάν της 28ης Φεβρουαρίου 2023 η ανάλυση του Κώστα Σαμαρά ή Πεταλούδα ο οποίος κάνει λόγο για εκρηκτική ύλη που βρισκόταν στις αποσκευές της αμαξοστοιχίας Intercity 62!

Γράφει ο Κώστας Σαμαράς>

Ταυτόχρονα πυροδοτήθηκε άγνωστης ταυτότητας και ποσότητας εύφλεκτο – εκρηκτικό υλικό που κατά την άποψή μου βρισκόταν στον χώρο αποσκευών του βαγονιού της πρώτης θέσης του επιβατηγού τρένου, το οποίο δημιούργησε και το τεράστιο μανιτάρι φωτιάς των περίπου 135 μέτρων διαμέτρου και κατέστρεψε ότι είχε μείνει από τα πρώτα βαγόνια των δυο τρένων!

Οπότε το μήκος της διαμέτρου της έκρηξης στο μέγεθος που θα τη βλέπαμε από το επίπεδο του εδάφους του παρκινγκ στο κάδρο – οθόνη που σχηματίζουν οι δυο φανοστάτες προεκτεινόμενο στο επίπεδο προβολής που περνά από το σημείο της έκρηξης θα είναι το μήκος των πέντε μέτρων κατά 27 περίπου φορές μεγαλύτερο, δηλαδή μιλάμε περίπου για 135 μέτρα διάμετρο, σχεδόν όσο ενάμιση γήπεδο ποδοσφαίρου!

Άρα εδώ μιλάμε πλέον εδώ για τεράστια έκρηξη, η οποία επέφερε το θάνατο σίγουρα στα περισσότερα από τα άτυχα θύματα αυτού του συγκλονιστικού γεγονότος, η δε γενεσιουργός της αιτία θα πρέπει να διερευνηθεί και να διαλευκανθεί πάση θυσία!

Ας ξεκινήσουμε την παράθεση των γεγονότων με την αποκαλυπτική κατάθεση του Διευθυντή Κυκλοφορίας του ΟΣΕ Κωνσταντίνου Χρυσάγη την οποία απεκάλυψε η ΕΣΤΙΑ και η οποία δημοσιεύθηκε στο Newsbrake.gr με την υπογραφή της Μαρίας Δεληθανάση.

Φως στα αίτια της τραγωδίας ρίχνει η κατάθεση του αδικοχαμένου Διευθυντή Κυκλοφορίας του ΟΣΕ. «Επιτρέπαμε στα τρένα να «τρέχουν» με 160 χλμ. χωρίς σηματοδότηση, για να προσελκύουμε σιδηροδρομικές επιχειρήσεις να κάνουν αιτήσεις για δρομολόγια», είπε μεταξύ άλλων στην κατάθεσή του. Η μοιραία «62» έφθασε στη Λάρισα από την κάθοδο. Ο σταθμός της Λάρισας ήταν Κέντρο Ελέγχου Κυκλοφορίας, αλλά δεν ήλεγχε τον σταθμό! Δούλευε μόνον με σταθμάρχη, χωρίς τηλεδιοίκηση.

Το επιτρόχιο GSMR δεν δούλευε. Αν λειτουργούσε το ECTS, θα είχε ακινητοποιήσει το τρένο».

Η κατάθεση αποτελεί απεικόνιση της διαχρονικής ολιγωρίας στον εκσυγχρονισμό των σιδηροδρόμων, για τον οποίον διατέθηκαν στη Μεταπολίτευση ‒από εθνικούς και ευρωπαϊκούς πόρους‒ 20 δισεκατομμύρια ευρώ! Χρήματα που τελικά οδήγησαν σε έναν σιδηρόδρομο με συνθήκες «δεκαετίας 1960», τότε που όλα γίνονταν «χειροκίνητα».

Κι όμως, μόνον ένα σοβαρό δυστύχημα στον Δοξαρά το 1972 είχε συμβεί και αυτό σε μονή γραμμή, δηλαδή από την ίδια γραμμή γινόταν η άνοδος και η κάθοδος των τρένων, ενώ ὅ,τι συνέβη στα Τέμπη είναι ένα πρωτοφανές δυστύχημα σε διπλή γραμμή, δηλαδή σε ξεχωριστές γραμμές για άνοδο και κάθοδο τρένων.

 Τα συστήματα, για τα οποία έχουν υπογραφεί συμβάσεις από τη δεκαετία 2000, δεν λειτουργούν. Στην κατάθεση του Κ. Χρυσάγη σκιαγραφείται όλη η καταδικαστέα και εγκληματική ελαφρότητα με την οποία αντιμετωπίζεται στη χώρα μας το θέμα της ασφάλειας των σιδηροδρόμων. Μιλάμε για νέα, εξαιρετικά συστήματα ασφαλείας, που υπάρχουν σε όλον τον κόσμο, για τα οποία έχουν πληρωθεί δυσθεώρητα ποσά στη χώρα μας και τα οποία δεν λειτουργούν!

Στην πραγματικότητα, το ενιαίο σύστημα ασφάλειας, που θα αποσοβούσε το δυστύχημα, δεν υπάρχει στον ελληνικό σιδηρόδρομο! Tό GSMR (Σύστημα Κινητών Επικοινωνιών για Σιδηροδρόμους), ουσιαστικά το σύστημα άμεσης επικοινωνίας σταθμαρχών και μηχανοδηγών, δεν δουλεύει!

Όπως είπε ο Κ. Χρυσάγης στην κατάθεσή του:

Διαβάστε τη συνέχεια του άρθρου κάνοντας κλικ ΕΔΩ



Διαβάστε περισσότερα... Διαβάστε περισσότερα...

Δευτέρα 18 Νοεμβρίου 2024

Που είναι η απόφαση του εκλογοδικείου κύριοι Λύρο και Διαμαντόπουλε ; Γιατί δεν την δημοσιοποιείτε ;;;




Στο Συμβούλιο της επικρατείας μαθαίνουμε ότι θα προσφύγει ο Λύρος, ενάντια στην απόφαση του εκλογοδικείου στο Μεσολόγγι, όπου όπως μας λέει ο ίδιος (και συνηγορεί ο αντίδικος Διαμαντόπουλος), έχασε την ένσταση την οποία είχε καταθέσει, για το αποτέλεσμα των δημοτικών εκλογών, όπου αποδεδειγμένα ο Διαμαντόπουλος έκλεψε την πρώτη Κυριακή, πετώντας ασφράγιστα ψηφοδέλτια στη κάλπη, τα οποία όμως προσμετρήθηκαν ως έγκυρα.

Μάλλον δεν χρειάζεται να υπενθυμίσουμε ότι εκείνη τη περίοδο, το παραδικαστικό του Μεσολογγίου με κύριο εκφραστή και εκπρόσωπο την Ορφανίδου, έδωσε τα ρέστα του, αλλάζοντας τα νούμερα, ακόμη και μέσα στο δικαστικό μέγαρο.

Δεν ξέρουμε ακόμη πόσα ενθυλάκωσε η κυρία αυτή με τους συνεργάτες της, αλλά τα ποσά που ακούγονται και θα βγουν στο φως οσονούπω, προκαλούν δέος.
...

Ήδη έχουν δει τη πόρτα εξόδου αρκετοί του κυκλώματος Ορφανίδου, από τα δικαστήρια του Μεσολογγίου και ακολουθούν και άλλοι οι οποίοι φτάνουν ακόμη και στα ανώτερα κλιμάκια των γραφείων της δικαιοσύνης, μερικοί μάλιστα έχουν συνωνυμία με δημοτικούς συμβούλους που σήμερα βρίσκονται στη δημοτική αρχή του έκπτωτου Διαμαντόπουλου. Τυχαίο ;;; δεν νομίζω !!! 

Το πρόβλημά μας όμως σήμερα, δεν είναι αυτό... αναρωτιόμαστε και θα θέλαμε κάποια πειστική απάντηση  από τους κυρίους Λύρο και Διαμαντόπουλο οι οποίοι διασταύρωσαν τα ξίφη τους στο εκλογοδικείο... όπου σύμφωνα με τα λεγόμενα των ίδιων, αλλά και της χουντοφυλλάδας του Μεσολογγίου Αιχμή, χαμένος βγήκε ο Λύρος με τον Καραπάνο ή κλασομπανιέρα.

Ειρήσθω εν παρόδω, ο Καραπάνος που είχε καταθέσει την ένσταση στο εκλογοδικείο μαζί με το Λύρο, χάθηκαν τα ίχνη του από την επόμενη μέρα και δεν ακολούθησε τον Λύρο στον αγώνα του προς τελική δικαίωση στο ΣτΕ... 
γιατί άραγε ;;; 

Ρωτάμε λοιπόν τον κύριο Λύρο... Που είναι η απόφαση του εκλογοδικείου που σας απέρριψε; Ποιο ήταν το σκεπτικό των δικαστών ; Με ποιο αίτημα θα πάει στο ΣτΕ η υπεράσπιση του Λύρου;  Ποιος είναι ο λόγος που δεν βγάζετε στη δημοσιότητα ένα έγγραφο που αφορά όλους μας, αλλά μας λέτε ότι έτσι έγινε και τέλος ;

Εσείς κ. Διαμαντόπουλε, μιας και είστε ο κερδισμένος της υπόθεσης, γιατί δεν κάνετε σημαία αυτή την απόφαση, για να επιβεβαιώσετε την τρανή σας νίκη και να βουλώσετε τα στόματα  όλων αυτών που λένε ότι είστε έκπτωτος και ότι σας στηρίζει ο μηχανισμός των ΡΟΤΑΡΙ για να κρατήσετε την εξουσία όσους μήνες περισσότερο αντέξει το παρακρατικό τους  σύστημα ; 

Και για να μην παρεξηγηθούμε ... δεν εννοούμε την εισήγηση προς το προεδρείο του δικαστηρίου,  που πλασάρετε με τους  πεμπτοφαλαγγίτες σας στη κοινωνία του Μεσολογγίου, για να αποπροσανατολίσουν το πόπολο,  και το επιδεικνύετε  ως τελική απόφαση. 
 Την  απόφαση που υπογράφουν και οι τρείς δικαστές θέλουμε, (μιας και το δικαστήριο ήταν τριμελές),  το λόγο της απόρριψης θέλουμε να διαβάσουμε.

Μήπως ισχύει τελικά αυτό που ακούγετε όλο και πιο έντονα ότι έχετε απορριφθεί όλοι σας και όχι μόνο ο Λύρος με τον Καραπάνο γιατί δεν είχε κανείς από εσάς το έννομο συμφέρον ; 

Μήπως ο Καραπάνος έχει περισσότερο δίκιο, όταν δεν θέλει να ακολουθήσει τον Λύρο στο ΣτΕ, μιας και έχει επίγνωση του τι έρχεται σύντομα στο ιερό Ραδιομέγαρο;;; 

Η συνέχεια θα μας εκπλήξει όλους ... Καλή αντάμωση στον Άρειο Πάγο κύριοι και κυρίες, το ΣτΕ είναι ήδη παρελθόν για την υπόθεσή σας !!! 

 
Ο ΠΑΝΟΠΤΗΣ 


Διαβάστε περισσότερα... Διαβάστε περισσότερα...

Κυριακή 17 Νοεμβρίου 2024

Καρκίνος παχέος εντέρου: Η «αόρατη» διαταραχή που επιταχύνει την εξέλιξή του





Οκαρκίνος του παχέος εντέρου είναι μια από τις πιο συχνές μορφές καρκίνου και τα τελευταία χρόνια παρατηρείται ανησυχητική αύξηση των περιστατικών σε άτομα κάτω των 50 ετών. Πολλοί παράγοντες κινδύνου έχουν συνδεθεί με την εμφάνιση του καρκίνου αυτού, όπως η κληρονομικότητα, οι διατροφικές συνήθειες και το κάπνισμα. Όμως, μια πρόσφατη έρευνα από το Πανεπιστήμιο της Καλιφόρνια στο Ίρβαϊν αποκαλύπτει ένα νέο και σημαντικό παράγοντα: τη διαταραχή του κιρκάδιου ρυθμού, δηλαδή του εσωτερικού βιολογικού ρολογιού του σώματος, σύμφωνα με το ygeiamou.gr

Η λειτουργία του κιρκάδιου ρυθμού

Ο κιρκάδιος ρυθμός είναι το «εσωτερικό ρολόι» που ρυθμίζει πολλές λειτουργίες του σώματός μας σε έναν 24ωρο κύκλο. Αυτό το βιολογικό σύστημα επηρεάζει τον ύπνο, την απελευθέρωση ορμονών, τη θερμοκρασία του σώματος και το ανοσοποιητικό μας σύστημα. Ωστόσο, εξωτερικοί παράγοντες, όπως η υπερβολική έκθεση στο φως τις νυχτερινές ώρες ή τα γεύματα αργά τη νύχτα, μπορούν να προκαλέσουν διαταραχές σε αυτόν τον ρυθμό, γνωστές ως «κιρκάδιες δυσλειτουργίες». Αυτό που προκαλεί ιδιαίτερο ενδιαφέρον είναι η σύνδεση που ανακάλυψε η έρευνα μεταξύ της διαταραχής του κιρκάδιου ρυθμού και της προόδου του καρκίνου του παχέος εντέρου.

...

Τι έδειξε η έρευνα

Σύμφωνα με τη μελέτη, που δημοσιεύτηκε στο Science Advances, η διαταραχή του κιρκάδιου ρυθμού φαίνεται να επηρεάζει σημαντικά το μικροβίωμα του εντέρου – δηλαδή το σύνολο των μικροοργανισμών που ζουν στο έντερο. Η επικεφαλής της μελέτης, Δρ. Selma Masri, εξηγεί: «Η έρευνά μας δείχνει ότι η διατάραξη του κιρκάδιου ρυθμού μπορεί να προκαλέσει αλλαγές στη σύνθεση και τη λειτουργία των εντερικών βακτηρίων, κάτι που επιδεινώνεται σε ασθενείς με καρκίνο του παχέος εντέρου. Αυτές οι αλλαγές φαίνεται να σχετίζονται με την ανάπτυξη του καρκίνου».

Η μελέτη πραγματοποιήθηκε σε μοντέλα ποντικιών με καρκίνο του παχέος εντέρου, όπου οι ερευνητές παρατήρησαν ότι όταν ο κιρκάδιος ρυθμός διαταρασσόταν, υπήρχαν σημαντικές αλλαγές στο μικροβίωμα του εντέρου. Συγκεκριμένα, μειώθηκε η ποικιλία και η αφθονία των βακτηρίων, ενώ μεταβλήθηκαν οι μικροβιακοί μεταβολικοί μηχανισμοί που σχετίζονται με τον μεταβολισμό των νουκλεϊκών οξέων, των αμινοξέων και των υδατανθράκων. Αυτές οι αλλαγές οδήγησαν σε μείωση των επιπέδων της εντερικής βλέννας, η οποία προστατεύει το τοίχωμα του εντέρου από βλαβερά βακτήρια.

Το μικροβίωμα του ετέρου είναι σημαντικό για την υγεία του οργανισμού μας. Οι μικροοργανισμοί που ζουν στο έντερο βοηθούν στην πέψη των τροφών, ενισχύουν το ανοσοποιητικό σύστημα και το προστατεύουν από παθογόνους μικροοργανισμούς. Όταν όμως διαταράσσεται η ισορροπία του μικροβιώματος, το έντερο γίνεται πιο ευάλωτο. Στη μελέτη, οι ερευνητές παρατήρησαν ότι η διατάραξη του κιρκάδιου ρυθμού έκανε το έντερο πιο διαπερατό, επιτρέποντας σε τοξίνες και βακτήρια να περάσουν στην κυκλοφορία του αίματος. Αυτό μπορεί να επιταχύνει την εξέλιξη του καρκίνου, καθώς το σώμα δεν είναι πλέον σε θέση να ελέγχει αποτελεσματικά τη φλεγμονή και τις τοξικές επιδράσεις που προκαλούν τα παθογόνα βακτήρια.

Οι ερευνητές τονίζουν ότι τα ευρήματά τους ανοίγουν νέους δρόμους για την πρόληψη και τη θεραπεία του καρκίνου του παχέος εντέρου. Η Δρ. Masri σημειώνει: «Πρέπει να κατανοήσουμε καλύτερα αν οι αλλαγές στο μικροβίωμα που προκαλούνται από τη διαταραχή του κιρκάδιου ρυθμού μπορούν να οδηγήσουν μακροπρόθεσμα στην ανάπτυξη καρκίνου. Μακροχρόνιες μελέτες θα μας βοηθήσουν να προσδιορίσουμε αν η ισορροπία του κιρκάδιου ρυθμού μπορεί να μειώσει τον κίνδυνο».

Η έρευνα προτείνει νέες προοπτικές για τακτικές πρόληψης που βασίζονται στην καλύτερη ρύθμιση του κιρκάδιου ρυθμού μέσω αλλαγών στον τρόπο ζωής. Αυτό μπορεί να περιλαμβάνει τη μείωση της έκθεσης στο φως τη νύχτα, την αποφυγή γευμάτων αργά το βράδυ και την καλύτερη διαχείριση των ωρών ύπνου. Αν και χρειάζεται περαιτέρω έρευνα για να επιβεβαιωθεί πλήρως η σχέση αυτή, τα ευρήματα δείχνουν ότι οι αλλαγές στον τρόπο ζωής που επηρεάζουν τον κιρκάδιο ρυθμό μπορούν να παίξουν καθοριστικό ρόλο στη διατήρηση της εντερικής υγείας και στη μείωση του κινδύνου καρκίνου.

Όπως επισημαίνει η Masri: «Η βαθύτερη κατανόηση του τρόπου με τον οποίο το εσωτερικό ρολόι του σώματος διαμορφώνει το οικοσύστημα του εντέρου θα μπορούσε να ανοίξει τον δρόμο για θεραπείες που όχι μόνο θα αντιμετωπίζουν τον καρκίνο αλλά και θα βελτιώνουν τη συνολική υγεία του εντέρου».

https://www.pentapostagma.gr/ygeia/7269315_karkinos-paheos-enteroy-i-aorati-diatarahi-poy-epitahynei-tin-exelixi-toy

Διαβάστε περισσότερα... Διαβάστε περισσότερα...

Πώς ένα χαζό κομμάτι ύλης αποκτά νοημοσύνη;



Η εντυπωσιακότερη εξέλιξη τα τελευταία 13,8 δισεκατομμύρια χρόνια από την Μεγάλη Έκρηξη μέχρι σήμερα, είναι ότι τα άτομα της ύλης αυτοοργανώθηκαν, ώστε να προκύψουν όντα με νοημοσύνη και αυτεπίγνωση. Όντα που μεταξύ πολλών άλλων μπορούν να θυμούνται, να υπολογίζουν, να αισθάνονται, να μαθαίνουν και πλέον να κατασκευάζουν μηχανές που κάνουν τα ίδια πράγματα. Πώς γίνεται ένα σύνολο άψυχων σωματιδίων που κινούνται με βάση τους νόμους της φυσικής να επιδεικνύουν συμπεριφορά που χαρακτηρίζουμε νοήμονα;

Φαίνεται πως παρόμοιους προβληματισμούς είχε και η Βασιλική Σουηδική Ακαδημία Επιστημών όταν αποφάσιζε να βραβεύσει από κοινού με το Νόμπελ Φυσικής 2024 στον φυσικό John Hopfield και τον αποτυχημένο φυσικό Geoffrey E. Hinton για την έρευνά τους στην μηχανική μαθηση Τεχνητών Νευρωνικών Δικτύων (TNΔ). Μια έρευνα που συνεισφέρει προς την εξιχνίαση του αναπάντητου μέχρι στιγμής θεμελιώδους ερωτήματος: με ποιό τρόπο η ύλη αποκτά νοημοσύνη;

...

Το επιστημονικό υπόβαθρο για το Νόμπελ Φυσικής 2024

Εισαγωγή

Με τις ρίζες της στη δεκαετία του 1940, η μηχανική μάθηση που βασίζεται σε τεχνητά νευρωνικά δίκτυα (TNΔ) έχει εξελιχθεί τις τελευταίες τρεις δεκαετίες σε ένα ευέλικτο και ισχυρό εργαλείο, τόσο με καθημερινές όσο και με προηγμένες επιστημονικές εφαρμογές. Με τα τεχνητά νευρωνικά δίκτυα (ΤΝΔ) τα όρια της φυσικής επεκτείνονται στα φαινόμενα της ζωής καθώς επίσης και στους υπολογισμούς.

Εμπνευσμένα από βιολογικούς νευρώνες στον εγκέφαλο, τα τεχνητά νευρωνικά δίκτυα (TNΔ) είναι μεγάλες συλλογές «νευρώνων» ή κόμβων, συνδεδεμένων με «συνάψεις» ή σταθμισμένες συζεύξεις, που εκπαιδεύονται να εκτελούν ορισμένες εργασίες αντί να τους ζητείται να εκτελέσουν ένα προκαθορισμένο σύνολο εντολών. Η βασική τους δομή έχει στενές ομοιότητες με τα μοντέλα σπιν στη στατιστική φυσική που εφαρμόζονται στον μαγνητισμό ή στη θεωρία κραμάτων. Το φετινό βραβείο Νόμπελ Φυσικής αναγνωρίζει την έρευνα που εκμεταλλεύεται αυτή τη σύνδεση για να κάνει καινοτόμες μεθοδολογικές προόδους στον τομέα των τεχνητών νευρωνικών δικτύων.

Ιστορικό υπόβαθρο

Οι πρώτοι ηλεκτρονικοί υπολογιστές εμφανίστηκαν τη δεκαετία του 1940 και εφευρέθηκαν για στρατιωτικούς και επιστημονικούς σκοπούς. Σκοπός τους ήταν να πραγματοποιήσουν υπολογισμούς που ήταν επίπονοι και χρονοβόροι για τους ανθρώπους. Στη δεκαετία του 1950, προέκυψε η αντίθετη ανάγκη, δηλαδή να μπορούν οι υπολογιστές να κάνουν αυτό στο οποίο είναι ικανοί οι άνθρωποι και άλλα θηλαστικά – να αναγωρίζουν μοτίβα ή σχήματα.

Αυτός ο συγκεκριμένος στόχος της τεχνητής νοημοσύνης προσεγγίστηκε πρώτη φορά από μαθηματικούς και επιστήμονες υπολογιστών, οι οποίοι ανέπτυξαν προγράμματα βασισμένα σε λογικούς κανόνες. Αυτή η προσέγγιση ακολουθήθηκε μέχρι τη δεκαετία του 1980, αλλά οι υπολογιστικοί πόροι που απαιτούνταν για τις ακριβείς ταξινομήσεις, για παράδειγμα, των εικόνων ήταν απαγορευτικά τεράστιοι.

Παράλληλα, είχαν ξεκινήσει έρευνες για να βρεθεί πώς τα βιολογικά συστήματα επιλύουν το πρόβλημα της αναγνώρισης προτύπων. Ήδη από το 1943, ο Warren McCulloch και ο Walter Pitts [1], ένας νευροεπιστήμονας και ένας θεωρητικός της Λογικής, αντίστοιχα, είχαν προτείνει ένα μοντέλο για το πώς συνεργάζονται οι νευρώνες στον εγκέφαλο. Στο μοντέλο τους, ένας νευρώνας σχημάτιζε ένα σταθμισμένο άθροισμα δυαδικών εισερχόμενων σημάτων από άλλους νευρώνες, το οποίο καθόριζε ένα δυαδικό εξερχόμενο σήμα. Το έργο τους έγινε σημείο αφετηρίας για την μετέπειτα έρευνα τόσο σε βιολογικά όσο και σε τεχνητά νευρωνικά δίκτυα.

Μια άλλη σημαντική πρώιμη συνεισφορά προήλθε από τον ψυχολόγο Donald Hebb [2]. Το 1949, ο Hebb πρότεινε έναν μηχανισμό για τη μάθηση και τις αναμνήσεις, όπου η ταυτόχρονη και επαναλαμβανόμενη ενεργοποίηση δύο νευρώνων οδηγεί σε αυξημένη ένταση της σύναψης μεταξύ τους.

Στον τομέα των τεχνητών νευρωνικών δικτύων, διερευνήθηκαν δύο αρχιτεκτονικές για συστήματα διασυνδεδεμένων κόμβων, τα «επαναλαμβανόμενα» και τα «ανατροφοδοτούμενα προς τα εμπρός (feedforward)» δίκτυα, όπου η πρώτη επιτρέπει αλληλεπιδράσεις ανάδρασης (βλέπε παρακάτω τις εικόνες 1 και 2). Ένα δίκτυο προώθησης έχει επίπεδα εισόδου και εξόδου και μπορεί επίσης να περιέχει ενδιάμεσα πρόσθετα στρώματα κρυφών κόμβων.

Το 1957, ο Frank Rosenblatt πρότεινε ένα δίκτυο ανατροφοδότησης προς τα εμπρός για την ερμηνεία εικόνας, το οποίο εφαρμόστηκε επίσης σε υλισμικό υπολογιστή [3]. Είχε τρία στρώματα κόμβων, με ρυθμιζόμενα βάρη μόνο μεταξύ του μεσαίου και του στρώματος εξόδου. Αυτά τα βάρη προσδιορίστηκαν με συστηματικό τρόπο.

Το σύστημα του Rosenblatt τράβηξε μεγάλη προσοχή, αλλά είχε περιορισμούς όταν επρόκειτο για μη γραμμικά προβλήματα. Ένα απλό παράδειγμα είναι το πρόβλημα της αποκλειστικής διάζευξης «το ένα ή το άλλο αλλά όχι και τα δύο» (XOR). Αυτοί οι περιορισμοί επισημάνθηκαν σε ένα σημαντικό βιβλίο από τους Marvin Minsky και Seymour Papert το 1969 [4], το οποίο οδήγησε σε διακοπή χρηματοδότησης της έρευνας για τα τεχνητά νευρωνικά δίκτυα. Μια παράλληλη εξέλιξη προέκυψε, εμπνευσμένη από τα μαγνητικά συστήματα, η οποία δημιούργησε μοντέλα για επαναλαμβανόμενα νευρωνικά δίκτυα και διερεύνησε τις συλλογικές τους ιδιότητες [5-10].

Εικόνα 1: Επαναλαμβανόμενα δίκτυα Ν δυαδικών κόμβων si (0 ή 1), με βάρη σύνδεσης wij. (Αριστερά) Το μοντέλο Hopfield. (Κέντρο) Μηχανή Boltzmann. Οι κόμβοι χωρίζονται σε δύο ομάδες, ορατούς (ανοιχτούς κύκλους) και κρυφούς (γκρι) κόμβους. Το δίκτυο είναι εκπαιδευμένο να προσεγγίζει την κατανομή πιθανοτήτων ενός δεδομένου συνόλου ορατών μοτίβων. Μόλις εκπαιδευτεί, το δίκτυο μπορεί να χρησιμοποιηθεί για τη δημιουργία νέων παραδειγμάτων από την κατανομή εκμάθησης. (Δεξιά) Περιορισμένη μηχανή Boltzmann. Ίδια με τη μηχανή Boltzmann, αλλά χωρίς καμία ζεύξη εντός του ορατού στρώματος ή μεταξύ κρυφών κόμβων. Αυτή η παραλλαγή μπορεί να χρησιμοποιηθεί για στρώμα-προς-στρώμα προ-εκπαίδευση νευρωνικών δικτύων εκμάθησης αναπαράστασης (deep networks)

Η δεκαετία του 1980

Στη δεκαετία του 1980 σημειώθηκαν σημαντικές ανακαλύψεις στους τομείς τόσο των επαναλαμβανόμενων όσο και των αναδρομικών νευρωνικών δικτύων, που οδήγησαν σε μια ταχεία επέκταση του πεδίου των τεχνητών νευρωνικών δικτύων.
Ο John Hopfield, ένας θεωρητικός φυσικός, θεωρείται ένας από τους σημαντικότερους επιστήμονες στη βιοφυσική. Η θεμελιώδης εργασία του την δεκαετία του 1970 εξέτασε τη μεταφορά ηλεκτρονίων μεταξύ βιομορίων [11] και τη διόρθωση σφαλμάτων στις βιοχημικές αντιδράσεις (kinetic proofreading=κινητικός διορθωτικός έλεγχος) [12]. Το 1982, ο Hopfield δημοσίευσε ένα δυναμικό μοντέλο για μια συνειρμική μνήμη που βασίζεται σε ένα απλό επαναλαμβανόμενο νευρωνικό δίκτυο [13]. Συλλογικά φαινόμενα εμφανίζονται συχνά σε φυσικά συστήματα, όπως τομείς σε μαγνητικά συστήματα και δίνες στη ροή ρευστού. Ο Hopfield διερεύνησε αν τα αναδυόμενα συλλογικά φαινόμενα σε μεγάλες συλλογές νευρώνων θα μπορούσαν να προκαλέσουν «υπολογιστικές» ικανότητες.

Επισημαίνοντας ότι οι συλλογικές ιδιότητες σε πολλά φυσικά συστήματα είναι ανθεκτικές σε αλλαγές στις λεπτομέρειες του μοντέλου, αντιμετώπισε αυτό το ερώτημα χρησιμοποιώντας ένα νευρωνικό δίκτυο με N δυαδικούς κόμβους si (0 ή 1). Η δυναμική ήταν ασύγχρονη με ενημερώσεις κατωφλίου μεμονωμένων κόμβων σε τυχαίους χρόνους. Η νέα τιμή ενός κόμβου si προσδιορίστηκε από ένα σταθμισμένο άθροισμα σε όλους τους άλλους κόμβους, h_{i}=\sum w_{ij} \, s_{j}
όπου ορίζεται si=1 αν hi>0, διαφορετικά si=0 (θέτοντας κατώφλι το μηδέν). Οι ζεύξεις wij θεωρήθηκαν συμμετρικές και αντικατοπτρίζουν συσχετισμούς ανά ζεύγη μεταξύ των κόμβων στις αποθηκευμένες μνήμες, κάτι που αναφέρεται ως ο κανόνας Hebb. Η συμμετρία των βαρών εγγυάται σταθερή δυναμική. Οι στάσιμες καταστάσεις αναγνωρίστηκαν ως μνήμες, κατανεμημένες στους Ν κόμβους σε μια μη τοπική αποθήκευση. Επιπλέον, στο δίκτυο εκχωρήθηκε μια ενέργεια Ε που δίνεται από την εξίσωση E=-\sum w_{ij} \, s_{i} \, s_{j}, η οποία είναι μια μονότονα φθίνουσα συνάρτηση ως προς το δυναμικό του δικτύου. Αξίζει να σημειωθεί ότι η σύνδεση μεταξύ του κόσμου της φυσικής και των τεχνητών νευρωνικών δικτύων, όπως καθοριζόταν στη δεκαετία του 1980, ήταν ήδη προφανής από αυτές τις δύο εξισώσεις. Η πρώτη εξίσωση μπορεί να χρησιμοποιηθεί για να αναπαραστήσει το μοριακό πεδίο Weiss (από τον Γάλλο φυσικό Pierre Weiss) που περιγράφει πώς ευθυγραμμίζονται οι ατομικές μαγνητικές ροπές σε ένα στερεό και αργότερα χρησιμοποιούνταν συχνά για την εκτίμηση της ενέργειας μιας μαγνητικής διαμόρφωσης, π.χ. ενός σιδηρομαγνήτη. Ο Hopfield γνώριζε φυσικά πολύ καλά πώς χρησιμοποιούνταν αυτές οι εξισώσεις για την περιγραφή των μαγνητικών υλικών.

Μεταφορικά, η δυναμική οδηγεί το σύστημα με Ν κόμβους στις κοιλάδες ενός ενεργειακού τοπίου Ν διαστάσεων, στο οποίο βρίσκονται οι στάσιμες καταστάσεις. Οι στάσιμες καταστάσεις αντιπροσωπεύουν μνήμες που μαθαίνονται από τον κανόνα Hebb. Αρχικά, ο αριθμός των μνημών που μπορούσαν να αποθηκευτούν στο δυναμικό μοντέλο του Hopfield ήταν περιορισμένος. Μέθοδοι για την επίλυση αυτού του προβλήματος αναπτύχθηκαν σε μεταγενέστερη εργασία [14]. Ο Hopfield χρησιμοποίησε το μοντέλο του ως συνειρμική μνήμη ή ως μέθοδο διόρθωσης σφαλμάτων ή συμπλήρωσης προτύπων. Ένα σύστημα αρχικοποιημένο με λανθασμένο μοτίβο, ίσως μια ανορθόγραφη λέξη, έλκεται από το πλησιέστερο τοπικό ελάχιστο ενέργειας στο μοντέλο του, οπότε λαμβάνει χώρα μια διόρθωση. Το μοντέλο έγινε ελκυστικό όταν έγινε σαφές ότι βασικές ιδιότητες, όπως η χωρητικότητα αποθήκευσης, μπορούσαν να κατανοηθούν αναλυτικά, χρησιμοποιώντας μεθόδους από τη θεωρία των υαλωδών σπιν [15,16].

Ένα εύλογο ερώτημα εκείνη την εποχή ήταν αν οι ιδιότητες αυτού του μοντέλου είναι ένα πλαστό αποτέλεσμα της ακατέργαστης δυαδικής δομής του. Ο Hopfield απάντησε σε αυτό το ερώτημα δημιουργώντας μια αναλογική έκδοση του μοντέλου [17], με δυναμική συνεχούς χρόνου που δίνεται από τις εξισώσεις κίνησης για ένα ηλεκτρονικό κύκλωμα. Η ανάλυσή του για το αναλογικό μοντέλο έδειξε ότι οι δυαδικοί κόμβοι θα μπορούσαν να αντικατασταθούν από αναλογικούς χωρίς να χαθούν οι αναδυόμενες συλλογικές ιδιότητες του αρχικού μοντέλου. Οι στάσιμες καταστάσεις του αναλογικού μοντέλου αντιστοιχούσαν σε λύσεις μέσου πεδίου του δυαδικού συστήματος σε μια αποτελεσματικά ρυθμιζόμενη θερμοκρασία και προσέγγισε τις στάσιμες καταστάσεις του δυαδικού μοντέλου σε χαμηλή θερμοκρασία.

Η στενή αντιστοιχία μεταξύ του αναλογικού και του δυαδικού μοντέλου χρησιμοποιήθηκε στη συνέχεια από τους Hopfield και David Tank [18,19] για την ανάπτυξη μιας μεθόδου για την επίλυση δύσκολων διακριτών προβλημάτων βελτιστοποίησης με βάση τη δυναμική συνεχούς χρόνου του αναλογικού μοντέλου. Εδώ, το πρόβλημα βελτιστοποίησης που πρέπει να λυθεί, συμπεριλαμβανομένων των περιορισμών, κωδικοποιείται στις παραμέτρους αλληλεπίδρασης (βάρη) του δικτύου. Επέλεξαν να χρησιμοποιήσουν τη δυναμική του αναλογικού μοντέλου για να έχουν ένα πιο «ήπιο» ενεργειακό τοπίο και έτσι να διευκολύνουν την αναζήτηση. Η προαναφερθείσα αποτελεσματική θερμοκρασία του αναλογικού συστήματος μειώθηκε σταδιακά, όπως στην καθολική βελτιστοποίηση με προσομοίωση ανόπτησης (η θερμική κατεργασία στην οποία υποβάλλεται ένα μέταλλο ή κράμα) [20].

Η βελτιστοποίηση πραγματοποιείται μέσω της ολοκλήρωσης των εξισώσεων κίνησης ενός ηλεκτρονικού κυκλώματος, κατά το οποίο οι κόμβοι εξελίσσονται χωρίς οδηγίες από μια κεντρική μονάδα. Αυτή η προσέγγιση αποτελεί ένα πρωτοποριακό παράδειγμα χρήσης ενός δυναμικού συστήματος για την αναζήτηση λύσεων σε δύσκολα διακριτά προβλήματα βελτιστοποίησης [21]. Ένα πιο πρόσφατο παράδειγμα είναι η κβαντική ανόπτηση [22].

Με τη δημιουργία και την εξερεύνηση των παραπάνω δυναμικών μοντέλων βασισμένων στη φυσική – όχι μόνο του σημαντικότατου συνειρμικού μοντέλου μνήμης αλλά και εκείνων που ακολούθησαν – ο Hopfield συνέβαλε στην βαθύτερη κατανόησή μας για τις υπολογιστικές ικανότητες των νευρωνικών δικτύων.
Στο διάστημα 1983-1985 ο Geoffrey Hinton, μαζί με τον Terrence Sejnowski και άλλους συναεργάτες, ανέπτυξαν μια στοχαστική επέκταση του μοντέλου Hopfield από το 1982, που ονομάζεται μηχανή Boltzmann [23,24].
Εδώ, σε κάθε κατάσταση \mathbf{s}=(s_{1}, s_{2}, \cdots , s_{N}) του δικτύου εκχωρείται μια πιθανότητα που δίνεται από την κατανομή Boltzmann P(\mathbf{s}) \sim e^{E/T}, με E= \sum_{i<j} w_{ij}s_{i}s_{j} - \sum_{i} \theta_{i}s_{i}, όπου T είναι μια εικονική θερμοκρασία και θi είναι μια τάση ή τοπικό πεδίο.

Η μηχανή Boltzmann είναι ένα παραγωγικό μοντέλο. Σε αντίθεση με το μοντέλο Hopfield, εστιάζει σε στατιστικές κατανομές προτύπων και όχι σε μεμονωμένα μοτίβα. Περιέχει ορατούς κόμβους που αντιστοιχούν στα μοτίβα προς εκμάθηση καθώς και πρόσθετους κρυφούς κόμβους, όπου οι τελευταίοι περιλαμβάνονται για να επιτρέψουν τη μοντελοποίηση πιο γενικών κατανομών πιθανοτήτων.

Εικόνα 2: Aνατροφοδοτούμενo δίκτυο με δύο στρώματα κρυφών κόμβων μεταξύ των στρωμάτων εισόδου και εξόδου.

Οι παράμετροι του δικτύου, που ορίζουν την ενέργεια Ε, προσδιορίζονται έτσι ώστε η στατιστική κατανομή των ορατών μοτίβων που παράγονται από το μοντέλο να αποκλίνει ελάχιστα από τη στατιστική κατανομή ενός δεδομένου συνόλου προτύπων εκπαίδευσης. Ο Hinton και οι συνεργάτες του ανέπτυξαν έναν τυπικά κομψό αλγόριθμο μάθησης για τον προσδιορισμό των παραμέτρων [24]. Ωστόσο, κάθε βήμα του αλγορίθμου περιλαμβάνει χρονοβόρες προσομοιώσεις ισορροπίας για δύο διαφορετικά σύνολα.

Αν και θεωρητικά ενδιαφέρουσα, στην πράξη, η μηχανή Boltzmann ήταν αρχικά περιορισμένης χρήσης. Όμως, μια μικρότερη έκδοσή της με λιγότερα βάρη, που ονομάζεται περιορισμένη μηχανή Boltzmann, εξελίχθηκε σε ένα ευέλικτο εργαλείο (βλ. επόμενη ενότητα).

Τόσο το μοντέλο Hopfield όσο και η μηχανή Boltzmann είναι επαναλαμβανόμενα νευρωνικά δίκτυα. Στη δεκαετία του 1980 σημειώθηκε επίσης σημαντική πρόοδος στα ανατροφοδοτούμενα προς τα εμπρός δίκτυα. Μια βασική πρόοδος ήταν η επίδειξη από τους David Rumelhart, Hinton και Ronald Williams το 1986 για το πώς οι αρχιτεκτονικές με ένα ή περισσότερα κρυφά επίπεδα θα μπορούσαν να εκπαιδευτούν για ταξινόμηση χρησιμοποιώντας έναν αλγόριθμο γνωστό ως οπισθοδιάδοση (backpropagation) [25]. Εδώ, ο στόχος είναι να ελαχιστοποιηθεί η μέση τετραγωνική απόκλιση, D, μεταξύ της εξόδου από το δίκτυο και των δεδομένων εκπαίδευσης, με βαθμιδωτή κάθοδο. Αυτό απαιτεί τον υπολογισμό των μερικών παραγώγων του D σε σχέση με όλα τα βάρη στο δίκτυο. Οι Rumelhart, Hinton και Williams ανακάλυψαν εκ νέου ένα σχέδιο για αυτό, το οποίο είχε εφαρμοστεί προηγουμένως σε σχετικά προβλήματα από άλλους [26,27]. Επιπλέον, και πιο σημαντικό, απέδειξαν ότι τα δίκτυα με ένα κρυφό επίπεδο θα μπορούσαν να εκπαιδευτούν με αυτή τη μέθοδο για να εκτελούν εργασίες που είναι άλυτες χωρίς ένα τέτοιο επίπεδο. Επιπλέον, αποσαφήνησαν την λειτουργία των κρυφών κόμβων.

Προς την βαθιά μάθηση (deep learning)

Tις μεθοδολογικές ανακαλύψεις από την δεκαετία του 1980 ακολούθησαν σύντομα επιτυχημένες εφαρμογές, συμπεριλαμβανομένης της αναγνώρισης προτύπων σε εικόνες, γλώσσες και κλινικά δεδομένα. Μια σημαντική μέθοδος ήταν τα πολυεπίπεδα Νευρωνικά Δίκτυα Συνέλιξης ή ΝΔΣ (convolutional neural networks) που εκπαιδεύτηκαν με οπισθοδιάδοση, όπως ανέπτυξαν οι Yann LeCun και Yoshua Bengio [28,29]. Η αρχιτεκτονική των ΝΔΣ είχε τις ρίζες της στη μέθοδο neocognitron που δημιουργήθηκε από τον Kunihiko Fukushima [30], που με τη σειρά του εμπνεύστηκε από το έργο των David Hubel και Torsten Wiesel, βραβευθέντων με το βραβείο Νόμπελ Ιατρικής το 1981. Η προσέγγιση των ΝΔΣ που αναπτύχθηκε από τον LeCun και τους συνεργάτες του χρησιμοποιήθηκε από πολλές αμερικανικές τράπεζες για την ταξινόμηση χειρόγραφων ψηφίων σε επιταγές από τα μέσα της δεκαετίας του 1990. Ένα άλλο επιτυχημένο παράδειγμα αυτής της περιόδου είναι η μέθοδος μακράς βραχύχρονης μνήμης που δημιουργήθηκε από τους Sepp Hochreiter και Jürgen Schmidhuber [31]. Αυτό είναι ένα επαναλαμβανόμενο δίκτυο για την επεξεργασία διαδοχικών δεδομένων, όπως στην ομιλία και τη γλώσσα, και μπορεί να αντιστοιχιστεί σε ένα πολυεπίπεδο δίκτυο που ξεδιπλώνεται στο χρόνο.

Ενώ ορισμένες πολυεπίπεδες αρχιτεκτονικές οδήγησαν σε επιτυχημένες εφαρμογές στη δεκαετία του 1990, παρέμεινε μια πρόκληση να εκπαιδεύονται βαθιά πολυεπίπεδα δίκτυα με πολλές συνδέσεις μεταξύ διαδοχικών επιπέδων. Σε πολλούς ερευνητές του πεδίου, η εκπαίδευση σε πυκνά πολυεπίπεδα δίκτυα φαινόταν απρόσιτη. Η κατάσταση άλλαξε τη δεκαετία του 2000. Ηγετική φυσιογνωμία σε αυτή την ανακάλυψη ήταν ο Hinton και σημαντικό εργαλείο ήταν η περιορισμένη μηχανή Boltzmann (restricted Boltzmann machine=RBM).

Ένα δίκτυο RBM έχει βάρη μόνο μεταξύ ορατών και κρυφών κόμβων και κανένα βάρος δεν συνδέει δύο κόμβους του ίδιου τύπου. Για μία RBM, ο Hinton δημιούργησε έναν αποτελεσματικό κατά προσέγγιση αλγόριθμο μάθησης [32], που ονομάζεται contrastive divergence (αντιφατική απόκλιση), ο οποίος ήταν πολύ ταχύτερος από αυτόν της πλήρους μηχανής Boltzmann [24]. Στη συνέχεια ανέπτυξε, με τους Simon Osindero και Yee-Whye Teh, μια διαδικασία προεκπαίδευσης για δίκτυα πολλαπλών επιπέδων, στην οποία τα στρώματα εκπαιδεύονται ένα προς ένα χρησιμοποιώντας μία RBM [33]. Μια πρώιμη εφαρμογή αυτής της προσέγγισης ήταν ένα δίκτυο αυτόματου κωδικοποιητή για μείωση διαστάσεων [34,35]. Μετά την προεκπαίδευση, έγινε δυνατή η εκτέλεση μιας συνολικής ρύθμισης παραμέτρων χρησιμοποιώντας τον αλγόριθμο οπισθοδιάδοσης. Η προ-γύμανση με RBM εντόπιζε δομές σε δεδομένα, όπως γωνίες σε εικόνες, χωρίς τη χρήση ταξινομημένων δεδομένων εκπαίδευσης. Έχοντας βρει αυτές τις δομές, η επισήμανση αυτών με οπισθιοδιάδοση αποδείχθηκε μια σχετικά απλή εργασία.

Συνδέοντας επίπεδα προεκπαιδευμένα με αυτόν τον τρόπο, ο Hinton μπόρεσε να εφαρμόσει με επιτυχία παραδείγματα βαθύτερων και πυκνότερων δικτύων, ένα βήμα προς αυτό που σήμερα είναι γνωστό ως βαθιά μάθηση (deep learning). Αργότερα, κατέστη δυνατή η αντικατάσταση της προ-εκπάιδευσης που βασίζεται σε RBM από άλλες μεθόδους για την επίτευξη της ίδιας απόδοσης βαθιών και πυκνών πολυεπίπεδων Νευρωνικών Δικτύων Συνέλιξης (ΝΔΣ).

Τα Τεχνητά Νευρωνικά Δίκτυα (TNΔ) ως ισχυρά εργαλεία στη φυσική και σε άλλους επιστημονικούς κλάδους

Μεγάλο μέρος της παραπάνω συζήτησης επικεντρώνεται στο πώς η φυσική υπήρξε η κινητήριος δύναμη στις εφευρέσεις και την ανάπτυξη των TNΔ. Αντιστρόφως τώρα, τα TNΔ διαδραματίζουν ολοένα και περισσότερο σημαντικό ρόλο ως ισχυρό εργαλείο μοντελοποίησης και ανάλυσης σχεδόν σε όλο το εύρος της φυσικής.

Σε ορισμένες εφαρμογές, τα TNΔ χρησιμοποιούνται ως προσέγγιση συνάρτησης [36]. Δηλαδή, τα TNΔ χρησιμοποιούνται για να παρέχουν έναν «μιμητή (copycat)» για κάποιο μοντέλο φυσικής. Αυτό μπορεί να μειώσει σημαντικά τους υπολογιστικούς πόρους που απαιτούνται, επιτρέποντας έτσι την ανίχνευση μεγαλύτερων συστημάτων σε υψηλότερη ανάλυση. Με αυτόν τον τρόπο έχουν επιτευχθεί σημαντικές προόδοι, π.χ. στα κβαντομηχανικά προβλήματα πολλών σωμάτων [37-39]. Εδώ, οι αρχιτεκτονικές βαθιάς μάθησης εκπαιδεύονται να αναπαράγουν ενέργειες των φάσεων των υλικών, καθώς επίσης την μορφή και τη ισχύ των ενδοατομικών δυνάμεων, με ακρίβεια συγκρίσιμη με τα εξαρχής κβαντομηχανικά μοντέλα. Με αυτά τα εκπαιδευμένα ατομικά μοντέλα Tεχνικών Nευρωνικών Δικτύων (ΤΝΔ), μπορεί να γίνει σημαντικά ταχύτερος προσδιορισμός της σταθερότητας φάσης και της δυναμικής των νέων υλικών. Παραδείγματα που δείχνουν την επιτυχία αυτών των μεθόδων περιλαμβάνουν την πρόβλεψη νέων φωτοβολταϊκών υλικών.

Με αυτά τα μοντέλα, είναι επίσης δυνατό να μελετηθούν οι μετατροπές φάσης [40] καθώς και οι θερμοδυναμικές ιδιότητες του νερού [41]. Ομοίως, η ανάπτυξη αναπαραστάσεων TNΔ κατέστησε δυνατή την επίτευξη υψηλότερων αναλύσεων σε ξεκάθαρα κλιματικά μοντέλα βασισμένα στη φυσική [42,43] χωρίς να καταφύγουμε σε πρόσθετη υπολογιστική ισχύ.

Κατά τη διάρκεια της δεκαετίας του 1990, τα TNΔ έγιναν ένα τυπικό εργαλείο ανάλυσης δεδομένων σε πειράματα σωματιδιακής φυσικής διαρκώς αυξανόμενης πολυπλοκότητας. Τα περιζήτητα θεμελιώδη σωματίδια, όπως το μποζόνιο Higgs, επιβιώνουν μόνο για ένα κλάσμα του δευτερολέπτου αφότου δημιουργηθούν σε συγκρούσεις υψηλής ενέργειας (π.χ. ~10-22 s για το μποζόνιο Higgs). Η παρουσία τους πρέπει να συναχθεί από την παρακολούθηση πληροφοριών και απόθεσης ενέργειας σε τεράστιους ανιχνευτές. Συχνά η αναμενόμενη υπογραφή του ανιχνευτή είναι τόσο σπάνια που χάνεται στα γεγονότα υποβάθρου. Για να αναγνωρίζουν τις διασπάσεις των σωματιδίων και να αυξάνουν την αποτελεσματικότητα των αναλύσεων, τα ΝΔΣ εκπαιδεύτηκαν ώστε να επιλέγουν συγκεκριμένα μοτίβα στους μεγάλους όγκους δεδομένων ανιχνευτών που παράγονται με υψηλό ρυθμό.

Τα Tεχνητά Nευρωνικά Δίκτυα (TNΔ) βελτίωσαν την ευαισθησία των αναζητήσεων για το μποζόνιο Higgs στον επιταχυντή Large ElectronPosrtion (LEP) στο CERN κατά τη δεκαετία του 1990 [44] και χρησιμοποιήθηκαν στην ανάλυση δεδομένων που οδήγησαν στην ανακάλυψή του σωματιδίου Χιγκς στον Μεγάλο Επιταχυντή Αδρονίων (LHC) το 2012 [45]. Τα TNΔ χρησιμοποιήθηκαν επίσης σε μελέτες του κορυφαίου κουάρκ στο Fermilab [46].

Στην αστροφυσική και την αστρονομία, τα TNΔ έχουν γίνει επίσης ένα τυπικό εργαλείο ανάλυσης δεδομένων. Ένα πρόσφατο παράδειγμα είναι μια ανάλυση δεδομένων από τον ανιχνευτή νετρίνων IceCube στο Νότιο Πόλο, βασισμένη σε TNΔ, η οποία οδήγησε στην απεικόνιση των νετρίνων του Γαλαξία [47]. Οι διελεύσεις εξωπλανητών έχουν εντοπιστεί από την αποστολή Kepler χρησιμοποιώντας επίσης TNΔ [48]. Και η εικόνα του τηλεσκοπίου Event Horizon της μαύρης τρύπας στο κέντρο του Γαλαξία χρησιμοποίησε TNΔ για την επεξεργασία δεδομένων [49].

Μέχρι στιγμής, η πιο εντυπωσιακή επιστημονική ανακάλυψη που χρησιμοποιεί τεχνητή νοημοσύνη είναι το εργαλείο AlphaFold για την πρόβλεψη τρισδιάστατων πρωτεϊνικών δομών, δεδομένων των αλληλουχιών αμινοξέων τους [50]. Στη μοντελοποίηση εφαρμογών βιομηχανικής φυσικής και χημείας, τα TNΔ διαδραματίζουν επίσης ολοένα και πιο σημαντικό ρόλο.

Τα TNΔ στην καθημερινή ζωή

Η λίστα των εφαρμογών που χρησιμοποιούνται στην καθημερινή ζωή και βασίζονται στα Τεχνητά Νευρωνικά Δικτύα (ΤΝΔ) είναι μεγάλη. Αυτά τα δίκτυα βρίσκονται πίσω από σχεδόν οτιδήποτε κάνουμε με τους υπολογιστές, όπως η αναγνώριση εικόνων, η δημιουργία γλώσσας και πολλά άλλα.
Η υποστήριξη αποφάσεων στο πλαίσιο της υγειονομικής περίθαλψης είναι επίσης μια καθιερωμένη εφαρμογή για τα TNΔ. Για παράδειγμα, μια πρόσφατη μελέτη εικόνων μαστογραφικού προσυμπτωματικού ελέγχου έδειξε ένα σαφές όφελος από τη χρήση μηχανικής μάθησης για τη βελτίωση της ανίχνευσης του καρκίνου του μαστού [51]. Ένα άλλο πρόσφατο παράδειγμα είναι η διόρθωση κίνησης στις σαρώσεις μαγνητικής τομογραφίας (MRI) [52].

Συμπερασματικές παρατηρήσεις

Οι πρωτοποριακές μέθοδοι και έννοιες που αναπτύχθηκαν από τους Hopfield και Hinton ήταν καθοριστικής σημασίας για τη διαμόρφωση του πεδίου των TNΔ. Επιπλέον, ο Hinton έπαιξε πρωταγωνιστικό ρόλο στις προσπάθειες επέκτασης των μεθόδων σε βαθύτερα και πυκνότερα TNΔ.

Με τις ανακαλύψεις τους, που στηρίζονται στα θεμέλια της φυσικής επιστήμης, έδειξαν έναν εντελώς νέο τρόπο για να χρησιμοποιούμε τους υπολογιστές για να αντιμετωπίσουμε πολλές από τις προκλήσεις που αντιμετωπίζει η κοινωνία μας. Με απλά λόγια, χάρη στην εργασία τους, η ανθρωπότητα διαθέτει τώρα ένα νέο εργαλείο, το οποίο μπορεί να επιλέξει να το χρησιμοποιεί μόνο για καλούς σκοπούς. Η μηχανική μάθηση που βασίζεται σε TNΔ φέρνει επανάσταση στην επιστήμη, τη μηχανική και την καθημερινή ζωή. Το πεδίο έχει πάρει ήδη τον δρόμο του για να δημιουργήσει καινοτομίες προς την οικοδόμηση μιας βιώσιμης κοινωνίας, π.χ. βοηθώντας στην ανακάλυψη νέων χρήσιμων υλικών. Το πώς η βαθιά μάθηση από τα TNΔ θα χρησιμοποιηθεί στο μέλλον, εξαρτάται από το πώς οι άνθρωποι θα επιλέξουν να χρησιμοποιήσουν αυτά τα απίστευτα ισχυρά εργαλεία, που ήδη είναι παρόντα σε πολλές πτυχές της ζωής μας.

παραπομπές:

  1. W.S. McCulloch and W. Pitts, Bull. Math. Biophys. 5, 115 (1943).
  2. D.O. Hebb, The organization of behavior (Wiley & Sons, New York, 1949).
  3. F. Rosenblatt, Principles of neurodynamics:Perceptrons and theory of brain
    mechanisms (Spartan Book, Washigton D.C., 1962).
  4. M.L. Minsky and S.A. Papert, Perceptrons: An introduction to computational
    geometry (MIT Press, Cambridge, 1969).
  5. B.G. Cragg and H.N.V. Temperley, Brain 78, 304 (1955).
  6. E.R. Caianiello, J. Theor. Biol. 2, 204 (1961).
  7. K. Nakano, IEEE Trans., Syst., Man, Cybern. SMC-2, 380 (1972).
  8. S.-I. Amari, IEEE Trans. Comput. C-21, 1197 (1972).
  9. W.A. Little, Math. Biosci. 19, 101 (1974).
  10. W.A. Little and G.L. Shaw, Math. Biosci. 39, 281 (1978).
  11. J.J. Hopfield, Proc. Natl. Acad. Sci USA 71, 3640 (1974).
  12. J.J. Hopfield, Proc. Natl. Acad. Sci USA 71, 4135 (1974).
  13. J.J. Hopfield, Proc. Natl. Acad. Sci. USA 79, 2554 (1982).
  14. D. Krotov and J.J. Hopfield. In Advances in Neural Information Processing
    Systems 29, 1172 (2016).
  15. D. J. Amit, H. Gutfreund and H. Sompolinsky, Phys. Rev. A 32, 1007 (1985).
  16. M. Mézard, G. Parisi and M. Virasoro, Spin glass theory and beyond: An
    introduction to the replica method and its applications (World Scientific,
    Singapore, 1987).
  17. J.J. Hopfield, Proc. Natl. Acad. Sci. USA 81, 3088 (1984).
  18. J.J. Hopfield and D.W. Tank, Biol. Cybern. 52, 141 (1985).
  19. J.J. Hopfield and D.W. Tank, Science 233, 625 (1986).
  20. S. Kirkpatrick, C.D. Gelatt and M.P. Vecchi, Science 220, 671 (1983).
  21. N. Mohseni, P. McMahon and T. Byrnes, Nat. Phys. Rev. 4, 363 (2022).
  22. T. Kadowaki and H. Nishimori, Phys. Rev. E 58, 5355 (1998).S.E. Fahlman, G.E. Hinton and T.J. Sejnowski. In Proceedings of the AAAI-83
    conference, pp. 109-113 (1983).
  23. D.H. Ackley, G.E. Hinton and T.J. Sejnowski, Cogn. Sci. 9, 147 (1985).
  24. D.E. Rumelhart, G.E. Hinton and R.J. Williams, Nature 323, 533 (1986).
  25. P.J. Werbos. In System Modeling and Optimization, pp. 762-770 (1982).
  26. S. Linnainmaa, Master’s thesis (in Finnish), Univ. Helsinki (1970); published in
    BIT 16, 146 (1976).
  27. Y. LeCun, B.Boser, J.S. Denker, D. Henderson, R.E. Howard, W. Hubbard and
    L.D. Jackel, Neural Comput. 1, 541 (1989).
  28. Y. LeCun, L. Bottou, Y. Bengio and P. Haffner, Proc. IEEE 86, 2278 (1998).
  29. K. Fukushima, Biol. Cybern. 36, 193 (1980).
  30. S. Hochreiter and J. Schmidhuber, Neural Comput. 9, 1735 (1997).
  31. G.E. Hinton, Neural Comput. 14, 1771 (2002).
  32. G.E. Hinton, S. Osindero and Y.-W. The, Neural Comput. 18, 1527 (2006).
  33. Y. Bengio, P. Lamblin, D. Popovici and H. Larochelle. In Advances in Neural
    Information Processing Systems 19, 153 (2006).
  34. G.E. Hinton and R. Salakhutdinov, Science 313, 504 (2006).
  35. K. Hornik, Neural Netw. 4, 251 (1991).
  36. J. Behler and M. Parrinello, Phys. Rev. Lett. 98, 146401 (2007).
  37. G. Carleo and M. Troyer, Science 355, 602 (2017).
  38. P.M. Piaggi, J. Weis, A.Z. Panagiotopoulos, P.G. Debenedetti and R. Car, Proc.
    Natl. Acad. Sci. USA 119, e2207294119 (2022).
  39. R. Jinnouchi, J. Lahnsteiner, F. Karsai, G. Kresse and M. Bokdam, Phys. Rev.
    Lett. 122, 225701 (2019).
  40. P.M. de Hijes, C. Dellago, R. Jinnouchi, B. Schmiedmayer and G. Kresse, J.
    Chem. Phys. 160, 114107 (2024).
  41. S. Rasp, M.S. Pritchard and P. Gentine, Proc. Natl. Acad. Sci USA 115, 9684
    (2018).
  42. C. Wong, Nature 628, 710 (2024).ALEPH Collaborations, Phys. Lett B 447, 336 (1999).
  43. ATLAS Collaboration, Phys. Lett. B 716, 1 (2012).
  44. D0 Collaboration, Phys. Rev. Lett. 103, 092001 (2009).
  45. IceCube Collaboration, Science 380, 1338 (2023).
  46. K.A. Pearson, L. Palafox and C.A. Griffith, Mon. Not. R. Astron. Soc. 474, 478
    (2017).
  47. EHT Collaboration, ApJL 930, L15 (2022).
  48. J. Jumper et al., Nature 596, 583 (2021).
  49. K. Lång et al., Lancet Oncol. 24, 936 (2023).
  50. V. Spieker et al., IEEE Trans. Med. Imaging 43, 846 (2024).

πηγές:
1. Scientifc Background to the Nobel Prize in Physics 2024 – https://www.nobelprize.org/uploads/2024/09/advanced-physicsprize2024.pdf
2. LIFE 3.0, Max Tegmark, εκδόσεις ΤΡΑΥΛΟΣ 

3. H χαρακτηριστική εικόνα της ανάρτησης δημιούργηθηκε με βάση τον τίτλο της από την τεχνητή νοημοσύνη.

https://physicsgg.me/2024/10/13/%CF%80%CF%8E%CF%82-%CE%AD%CE%BD%CE%B1-%CF%87%CE%B1%CE%B6%CF%8C-%CE%BA%CE%BF%CE%BC%CE%BC%CE%AC%CF%84%CE%B9-%CF%8D%CE%BB%CE%B7%CF%82-%CE%B1%CF%80%CE%BF%CE%BA%CF%84%CE%AC-%CE%BD%CE%BF%CE%B7%CE%BC/

Διαβάστε περισσότερα... Διαβάστε περισσότερα...