【海外ITニュース速報】細菌の増殖パターンに基づくAIメッセージデコーダ

1. An AI message decoder based on bacterial growth patterns
2. 要約(英語):
3. 要約(日本語):
4. 本文:

An AI message decoder based on bacterial growth patterns

細菌の増殖パターンに基づくAIメッセージデコーダ

要約(英語):

biomedical engineers at Duke University have created patterns based on how bacterial colonies would look after filling a virtual Petri dish. The researchers created a virtual bacterial colony and controlled growth conditions and the numbers and sizes of simulated bacterial dots to create an entire alphabet. The researchers discovered that a machine learning program could learn to distinguish between them to recognize the letter intended. “A friend may see many images of me over the course of time, but none of them will be exactly the same,” said an engineer. The encoder

要約(日本語):

デューク大学の生物医学エンジニアは、バクテリアのコロニーが仮想ペトリ皿を満たした後にどのように見えるかに基づいてパターンを作成しました。研究者は、仮想の細菌コロニーと制御された成長条件と、シミュレートされた細菌ドットの数とサイズを作成して、アルファベット全体を作成しました。研究者は、機械学習プログラムが意図した手紙を認識するためにそれらを区別することを学ぶことができることを発見しました。「友人は時間の経過とともに私の多くの画像を見るかもしれませんが、それらのどれもまったく同じではありません」とエンジニアは言いました。エンコーダー

本文:

From a box of Cracker Jack to The Da Vinci Code, everybody enjoys deciphering secret messages.

クラッカージャックの箱からダヴィンチコードまで、誰もが秘密のメッセージを解読することを楽しんでいます。

But biomedical engineers at Duke University have taken the decoder ring to place it’s never been before — the patterns created by bacterial colonies.

しかし、デューク大学の生物医学エンジニアは、これまでになかったデコーダーリングを取り、細菌のコロニーによって作成されたパターンです。

Depending on the initial conditions used, such as nutrient levels and space constraints, bacteria tend to grow in specific ways.

栄養レベルやスペースの制約など、使用される初期条件に応じて、細菌は特定の方法で成長する傾向があります。

The researchers created a virtual bacterial colony and then controlled growth conditions and the numbers and sizes of simulated bacterial dots to create an entire alphabet based on how the colonies would look after they fill a virtual Petri dish.

研究者は、仮想の細菌コロニーを作成し、その後、シミュレートされた細菌ドットの成長条件と数とサイズを制御し、コロニーが仮想ペトリ皿を満たした後にどのように見えるかに基づいてアルファベット全体を作成しました。

They call this encoding scheme emorfi.

彼らはこのエンコードスキームemorfiと呼びます。

The encoding is not one-to-one, as the final simulated pattern corresponding to each letter is not exactly the same every time.

各文字に対応する最終的なシミュレーションパターンは毎回正確に同じではないため、エンコードは1対1ではありません。

However, the researchers discovered that a machine learning program could learn to distinguish between them to recognize the letter intended.

しかし、研究者は、機械学習プログラムが意図した手紙を認識するためにそれらを区別することを学ぶことができることを発見しました。

“A friend may see many images of me over the course of time, but none of them will be exactly the same,” explained Lingchong You, professor of biomedical engineering at Duke.

「友人は時間の経過とともに私の多くの画像を見るかもしれませんが、それらのどれもまったく同じではありません」と、デュークの生物医学工学の教授であるLingchong Youは説明しました。

“But if the images are all consistently reinforcing what I generally look like, the friend will be able to recognize me even if they’re shown a picture of me they’ve never seen before.” To encrypt real messages, the encoder ends up creating a movie of a series of patterns, each correlating to a different letter.

「しかし、画像が私が一般的に見えるものを一貫して強化している場合、友人は、彼らが今まで見たことのない私の写真を見せていても、私を認識できるでしょう。」実際のメッセージを暗号化するために、エンコーダは一連のパターンの映画を作成し、それぞれが異なる文字に相関しています。

While they may look similar to the untrained eye, the computer algorithm can distinguish between them.

それらは訓練されていない目に似ているかもしれませんが、コンピューターアルゴリズムはそれらを区別できます。

So long as the receiver knows the set of initial conditions that led to their creation, an interloper should not be able to crack the code without a powerful AI of their own.

受信者が作成につながった初期条件のセットを知っている限り、インターロッパーは自分の強力なAIなしでコードをクラックできないはずです。