| 1 |
What is the primary objective of the robotic system discussed in the article?
|
To perform high-precision assembly tasks. |
|
• ในบทความ ระบบหุ่นยนต์ที่ถูกกล่าวถึงถูกออกแบบมาเพื่อช่วยทำงานประกอบ (assembly tasks) ที่ต้องการความ แม่นยำสูง (high-precision)
• ตัวอย่างเช่น:
• การวางหรือประกอบชิ้นส่วนขนาดเล็กในอุตสาหกรรมอิเล็กทรอนิกส์หรืออุปกรณ์การแพทย์
• งานที่ต้องควบคุมตำแหน่งและแรงกดอย่างละเอียด ซึ่งยากต่อการทำซ้ำโดยใช้แรงงานคนเพียงอย่างเดียว
การพัฒนาเน้น ประสิทธิภาพและความแม่นยำ มากกว่าความเร็วหรือการลดพลังงานโดยตรง เพราะงานประเภทนี้ความแม่นยำเป็นปัจจัยสำคัญที่จะส่งผลต่อคุณภาพของผลิตภัณฑ์ |
• สอดคล้องกับแนวคิด precision robotics: การออกแบบหุ่นยนต์เพื่อทำงานซ้ำ ๆ ในพื้นที่ที่แคบ หรือบนชิ้นงานที่ซับซ้อน โดยต้องควบคุมตำแหน่งและแรงกดในระดับมิลลิเมตรหรือน้อยกว่า
• งานวิจัยด้าน robotic-assisted manufacturing ชี้ว่า ความแม่นยำ (precision) และความเสถียร (stability) เป็นปัจจัยสำคัญสำหรับงานประกอบชิ้นส่วนขั้นสุดท้าย (final assembly) |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
What does the article say is a significant challenge in robotic assembly?
|
Preventing assembly failures such as biting of shafts and holes. |
|
• ในบทความกล่าวถึงว่า ความท้าทายสำคัญของ งานประกอบโดยใช้หุ่นยนต์ (robotic assembly) คือการ ป้องกันความล้มเหลวในการประกอบ (assembly failures) เช่น “biting” หรือการที่เพลา (shaft) และรู (hole) ติดกันหรือติดขัดในระหว่างการประกอบ
• ปัญหานี้เกิดขึ้นเพราะแม้หุ่นยนต์จะมีความแม่นยำสูง แต่การประกอบชิ้นงานที่มีความคลาดเคลื่อนเล็กน้อยในรูปทรงหรือขนาด (tolerance) อาจทำให้เพลาและรูไม่ตรงกันพอดี ส่งผลให้เกิดความเสียหายหรือทำให้สายการผลิตหยุดชะงัก |
• ปัญหานี้เกี่ยวข้องกับแนวคิดเรื่อง:
• Force control และ compliance control: การควบคุมแรงและการปรับตัวของหุ่นยนต์เมื่อสัมผัสกับชิ้นงาน เพื่อป้องกันแรงกดหรือแรงบิดที่สูงเกินไป
• Tolerance analysis: การวิเคราะห์และจัดการความคลาดเคลื่อนของชิ้นงานในการออกแบบ เพื่อลดโอกาสการเกิด “biting” หรือการติดขัด
• อ้างอิงจากตำราหุ่นยนต์:
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics: ปัญหา biting เป็นตัวอย่างของ precision assembly challenges ซึ่งต้องใช้การควบคุมแรงขั้นสูงเพื่อแก้ไข |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
According to the article, what role do human fingertips play in the robotic system?
|
Their sensitivity is mimicked to enhance the robot's precision. |
|
• ในบทความกล่าวถึงว่า ความไว (sensitivity) และความละเอียดในการรับรู้แรงกดของ ปลายนิ้วมือมนุษย์ (human fingertips) ถูกนำมาเป็นต้นแบบ (biomimicry) ในการออกแบบระบบควบคุมแรงและระบบรับสัมผัสของหุ่นยนต์
• จุดประสงค์เพื่อให้หุ่นยนต์สามารถทำงานประกอบที่ต้องการความละเอียดสูง เช่น การสอดเพลาเข้ารูโดยไม่เกิดความเสียหาย (prevent biting) ซึ่งเป็นงานที่ต้องการ การควบคุมแรงกดและการตอบสนองแบบละเอียด คล้ายมนุษย์ |
• แนวคิดนี้เรียกว่า tactile sensing & force control ซึ่งเป็นส่วนหนึ่งของ robotic manipulation
• ปลายนิ้วมือมนุษย์มีหน่วยรับความรู้สึก (mechanoreceptors) ความหนาแน่นสูง ทำให้แยกแยะแรงสัมผัสที่เบาและหนักได้แม่นยำ → ระบบหุ่นยนต์จึงพยายามเลียนแบบ (mimic) คุณสมบัตินี้ เพื่อเพิ่มความแม่นยำและความปลอดภัยในการประกอบ
• อ้างอิง:
• Cutkosky, M. R., & Howe, R. D. (1990). Human grasp choice and robotic grasp analysis. International Journal of Robotics Research, 9(1), 3–16.
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
What method is used to avoid failures in the assembly process?
|
Measuring tactile force information. |
|
• ในบทความกล่าวถึงว่า วิธีหลักในการลดความผิดพลาดในกระบวนการประกอบ (เช่น biting ของ shaft และ hole) คือการให้หุ่นยนต์ ตรวจวัดและตอบสนองต่อแรงสัมผัส (tactile force information) ขณะทำงาน
• หุ่นยนต์จะใช้ข้อมูลนี้ปรับแรงกดและท่าทางของมือกลแบบเรียลไทม์ ทำให้สามารถเลี่ยงแรงเกินจำเป็นหรือการเบี่ยงที่ทำให้ชิ้นงานติดขัดหรือล้มเหลวในการประกอบได้ |
• แนวคิดนี้เรียกว่า:
• Force control หรือ compliance control: ให้หุ่นยนต์มีการตอบสนองแบบปรับตัวตามแรงสัมผัส คล้ายมนุษย์
• Tactile sensing: ใช้เซนเซอร์ตรวจวัดแรงและการกระจายแรงบนพื้นผิว เพื่อป้องกันความเสียหายหรือข้อผิดพลาด
• อ้างอิง:
• Bicchi, A., & Kumar, V. (2000). Robotic grasping and contact: A review. Proceedings of the IEEE, 86(3), 348–362.
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
What is the result of successfully integrating the discussed technologies into robotics?
|
Decreased need for human intervention. |
|
• ในบทความกล่าวถึงการพัฒนา หุ่นยนต์ที่มี tactile sensing และ force control ซึ่งสามารถ ตรวจวัดแรงสัมผัสและตอบสนองได้เอง ทำให้หุ่นยนต์:
• แก้ไขการเบี่ยงเบนเล็กน้อยในชิ้นงานได้อัตโนมัติ
• ป้องกันปัญหาประกอบติดขัด (biting) ได้เอง
• ผลคือ ลดความจำเป็นที่มนุษย์ต้องเข้ามาแทรกแซง ในกระบวนการผลิตหรือปรับแก้ปัญหาหน้างาน
• เป็นก้าวสำคัญสู่การทำงาน fully automated หรือ autonomous robotic assembly ที่หุ่นยนต์ทำงานได้ต่อเนื่องโดยพึ่งพาคนให้น้อยลง |
• สอดคล้องกับแนวคิด:
• Autonomous manufacturing systems: การเพิ่มความสามารถในการตรวจวัดและตอบสนองของหุ่นยนต์ ทำให้สายการผลิตต้องการการควบคุมจากมนุษย์น้อยลง
• Closed-loop control: ระบบควบคุมที่ใช้ข้อมูลจริงระหว่างการทำงาน แทนที่จะอาศัยแค่การตั้งโปรแกรมล่วงหน้า
• อ้างอิง:
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics.
• Nof, S. Y. (Ed.). (2020). Springer Handbook of Automation. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
Which device is used to measure motion in the robotic system?
|
Accelerometer |
|
• ในบทความกล่าวถึงว่า ระบบหุ่นยนต์ที่ใช้ทำงานประกอบที่ต้องการความละเอียดสูง มีการใช้ accelerometer เพื่อ ตรวจวัดการเคลื่อนไหว (motion)
• Accelerometer จะวัด ความเร่งเชิงเส้น (linear acceleration) ซึ่งใช้ตรวจจับการเคลื่อนที่หรือการสั่นสะเทือนของชิ้นส่วนหุ่นยนต์ระหว่างกระบวนการประกอบ
• ข้อมูลนี้นำมาใช้ในระบบ feedback control เพื่อ:
• ป้องกันความคลาดเคลื่อนจากแรงภายนอก
• ลดการสั่นสะเทือน
• ปรับการเคลื่อนไหวให้ราบรื่นขึ้น |
• แนวคิด sensor fusion: การใช้ accelerometer ร่วมกับ tactile sensor และ force sensor เพื่อให้หุ่นยนต์รับรู้และปรับท่าทางได้แม่นยำ
• ในงาน robotic manipulation การวัดการเคลื่อนไหวด้วย accelerometer สำคัญสำหรับการ:
• ป้องกันความเสียหายของชิ้นงานจากแรงหรือความเร่งที่ไม่พึงประสงค์
• เพิ่มความเสถียรในการทำงาน (stability)
• อ้างอิง:
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics
• Dahiya, R. S., et al. (2010). Tactile sensing—from humans to humanoids. IEEE Transactions on Robotics, 26(1), 1–20. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
How is the force measurement device structured?
|
By placing sensors on a hexagonal holder. |
|
• บทความระบุว่าการวัดแรงสัมผัสในระบบหุ่นยนต์ใช้ เซนเซอร์แรง (force sensors) ที่ถูกติดตั้งอยู่บน โครงสร้างรูปหกเหลี่ยม (hexagonal holder)
• การออกแบบนี้ช่วยให้เซนเซอร์สามารถตรวจจับแรงในหลายทิศทางอย่างแม่นยำและเสถียร ช่วยให้หุ่นยนต์รับรู้แรงสัมผัสระหว่างประกอบชิ้นงานได้อย่างละเอียด
• รูปทรงหกเหลี่ยมเหมาะสำหรับการวางเซนเซอร์แบบกระจาย เพื่อจับแรงและโมเมนต์ได้รอบทิศทาง |
• แนวคิด multi-axis force sensing: การวางเซนเซอร์บน holder ที่ออกแบบมาเพื่อจับแรงในหลายแกนพร้อมกัน
• โครงสร้างหกเหลี่ยมช่วยให้การกระจายแรงสมดุลและการรับสัญญาณแรงที่แม่นยำ
• อ้างอิง:
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics
• Dahiya, R. S., et al. (2010). Tactile sensing—from humans to humanoids. IEEE Transactions on Robotics |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
What is the ultimate goal of the research discussed in the article?
|
To ensure robots never fail at assembly tasks. |
|
• บทความเน้นว่าจุดมุ่งหมายสูงสุดของงานวิจัยนี้คือการพัฒนาระบบหุ่นยนต์ที่มี ความแม่นยำและความน่าเชื่อถือสูงในการประกอบชิ้นส่วน
• เพื่อให้หุ่นยนต์สามารถ หลีกเลี่ยงความผิดพลาด (failures) เช่น การติดขัดระหว่างเพลาและรู (biting) และปัญหาที่เกิดจากความคลาดเคลื่อนของชิ้นงานได้อย่างมีประสิทธิภาพ
• ความสำเร็จในเป้าหมายนี้จะช่วยเพิ่มประสิทธิภาพของสายการผลิตและลดความจำเป็นในการแทรกแซงของมนุษย์ |
• หลักการของ reliable robotic assembly: เน้นการลดข้อผิดพลาดและความล้มเหลวที่อาจเกิดขึ้นในกระบวนการประกอบ
• แนวคิด fault-tolerant robotics: การออกแบบระบบที่สามารถรับมือและแก้ไขปัญหาได้โดยอัตโนมัติ
• อ้างอิง:
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics.
• Whitney, D. E. (2004). Mechanical Assemblies: Their Design, Manufacture, and Role in Product Development. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
What specific problem does the force measurement address?
|
Detecting subtle forces that indicate potential assembly failures. |
|
• บทความระบุว่า การวัดแรงสัมผัสในระบบหุ่นยนต์มีจุดประสงค์หลักเพื่อ ตรวจจับแรงที่ละเอียดและซับซ้อน (subtle forces) ซึ่งเป็นสัญญาณเตือนถึงความเป็นไปได้ของ ความล้มเหลวในการประกอบ (assembly failures) เช่น การติดขัดของเพลาในรู (biting) หรือแรงกดที่เกินกว่าค่าที่ปลอดภัย
• การตรวจจับแรงเหล่านี้ช่วยให้ระบบหุ่นยนต์สามารถปรับแรงกดหรือท่าทางระหว่างประกอบได้แบบเรียลไทม์ เพื่อลดข้อผิดพลาดและป้องกันความเสียหาย
|
• แนวคิด force sensing and control ในหุ่นยนต์: ให้ระบบรับรู้และตอบสนองต่อแรงที่เกิดขึ้นระหว่างการทำงาน โดยเฉพาะแรงที่มีขนาดเล็กแต่สำคัญต่อความสำเร็จของงานประกอบ
• อ้างอิง:
• Bicchi, A., & Kumar, V. (2000). Robotic grasping and contact: A review. Proceedings of the IEEE, 86(3), 348–362.
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
What innovation does the motion measurement device bring to robotic assembly?
|
It measures the exact angles and positions of parts during assembly. |
|
• ในบทความกล่าวถึงว่าอุปกรณ์วัดการเคลื่อนไหว เช่น accelerometer ช่วยให้หุ่นยนต์สามารถวัดและตรวจสอบ มุมและตำแหน่งของชิ้นส่วนอย่างแม่นยำ ระหว่างกระบวนการประกอบ
• ข้อมูลเหล่านี้ช่วยให้หุ่นยนต์ปรับท่าทางและการเคลื่อนไหวได้อย่างละเอียด ทำให้การประกอบชิ้นงานมีความแม่นยำสูง ลดข้อผิดพลาดจากการติดตั้งผิดตำแหน่งหรือมุมเอียง |
• หลักการ robot kinematics and control: การวัดตำแหน่งและมุมของชิ้นส่วนเป็นสิ่งจำเป็นสำหรับการควบคุมท่าทางหุ่นยนต์ (pose control)
• อุปกรณ์วัดการเคลื่อนไหวช่วยให้ระบบสามารถประมวลผลข้อมูลแบบเรียลไทม์เพื่อปรับแก้ความคลาดเคลื่อนในการประกอบ
• อ้างอิง:
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics.
• Craig, J. J. (2005). Introduction to Robotics: Mechanics and Control. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
What does ML stand for in the context of the article?
|
Machine Learning |
|
• ในบริบทของบทความที่พูดถึงระบบหุ่นยนต์และการพัฒนาความแม่นยำในการประกอบ งานวิจัยมักใช้คำว่า ML เพื่อหมายถึง Machine Learning ซึ่งเป็นเทคนิคการเรียนรู้ของเครื่องจักรที่ช่วยให้ระบบหุ่นยนต์สามารถปรับปรุงการทำงานโดยอัตโนมัติผ่านการวิเคราะห์ข้อมูลและประสบการณ์ที่ผ่านมา
• Machine Learning ถูกนำมาใช้ในการประมวลผลข้อมูลจากเซนเซอร์ต่าง ๆ เช่น tactile sensors และ accelerometers เพื่อให้หุ่นยนต์สามารถตัดสินใจหรือปรับพฤติกรรมได้อย่างเหมาะสม |
• Machine Learning (ML) คือส่วนหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence) ที่ใช้โมเดลคณิตศาสตร์ในการเรียนรู้และปรับปรุงพฤติกรรมโดยไม่ต้องเขียนโปรแกรมทุกขั้นตอน
• การประยุกต์ใช้ ML ในระบบหุ่นยนต์ช่วยเพิ่มประสิทธิภาพและความแม่นยำ โดยเฉพาะในงานที่ซับซ้อนและต้องปรับตัวตามสภาพแวดล้อม
• อ้างอิง:
• Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach.
• Siciliano, B., & Khatib, O. (Eds.). (2016). Springer Handbook of Robotics. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
What is QSAR as mentioned in the article?
|
Quantitative Structure-Activity Relationship |
|
• ในบทความ QSAR หมายถึง Quantitative Structure-Activity Relationship ซึ่งเป็นเทคนิคในสาขาวิชาเคมีและเภสัชวิทยา
• QSAR ใช้ในการวิเคราะห์ความสัมพันธ์เชิงปริมาณระหว่าง โครงสร้างทางเคมีของสาร กับ กิจกรรมทางชีวภาพ หรือ ผลกระทบทางชีวภาพ ของสารนั้น
• วิธีนี้ช่วยในการพัฒนายาและการทำนายคุณสมบัติของสารเคมีใหม่ ๆ โดยไม่ต้องทดลองทางคลินิกหรือในห้องปฏิบัติการทั้งหมด |
• QSAR คือเครื่องมือสำคัญใน computational chemistry และ drug design ที่ช่วยลดเวลาและค่าใช้จ่ายในการพัฒนายา
• แนวคิดคือ การใช้โมเดลทางคณิตศาสตร์และสถิติเพื่อเชื่อมโยงคุณสมบัติทางโครงสร้างกับผลลัพธ์ทางชีวภาพ
• อ้างอิง:
• Todeschini, R., & Consonni, V. (2009). Handbook of Molecular Descriptors.
• Hansch, C., et al. (1995). The quantitative structure-activity relationship (QSAR): A comprehensive review. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
What is the main benefit of machine learning in drug discovery according to the article?
|
Speeding up the decision-making process |
|
• ในบทความกล่าวว่า Machine Learning (ML) มีบทบาทสำคัญในการช่วย เร่งกระบวนการตัดสินใจ (decision-making) ในงานค้นคว้าพัฒนายา
• ML สามารถวิเคราะห์ข้อมูลขนาดใหญ่จากการทดลองและแบบจำลองทางคอมพิวเตอร์ได้รวดเร็ว ช่วยระบุสารหรือเป้าหมายที่น่าจะมีประสิทธิภาพสูงได้อย่างรวดเร็วโดยไม่ต้องทำทดลองจำนวนมากในห้องปฏิบัติการ
• ด้วยการประมวลผลข้อมูลอย่างมีประสิทธิภาพ ML ช่วยลดเวลาและความซับซ้อนในการตัดสินใจเกี่ยวกับการเลือกสารตั้งต้นและการออกแบบยา |
• แนวคิด accelerated drug discovery โดยใช้ ML และ AI ในการวิเคราะห์ข้อมูลขนาดใหญ่ (big data analytics)
• ML ช่วยลดขั้นตอนที่ใช้เวลานานในกระบวนการวิจัยโดยการทำนายและคัดกรองสารเคมีที่มีศักยภาพสูง
• อ้างอิง:
• Ekins, S., et al. (2019). Machine learning models for drug discovery. Journal of Medicinal Chemistry, 62(4), 1593–1603.
• Vamathevan, J., et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463–477. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
According to the article, which of these is a focus in academia that differs from industry?
|
Developing proofs-of-concept |
|
• ในบทความระบุว่า งานวิจัยในวงการวิชาการ (academia) มักเน้นไปที่การ พัฒนาหลักฐานเบื้องต้นหรือ Proofs-Of-Concept (POC) เพื่อทดสอบแนวคิดใหม่ ๆ หรือทฤษฎีทางวิทยาศาสตร์
• แตกต่างจาก ภาคอุตสาหกรรม (industry) ที่มุ่งเน้นการนำผลงานวิจัยไปสู่การพัฒนาสินค้าในเชิงพาณิชย์ เช่น การผลิตและการตลาดยา
• Academia เน้นการสร้างความรู้พื้นฐานและนวัตกรรม ส่วน Industry เน้นการแปลงนวัตกรรมให้เป็นผลิตภัณฑ์ที่ใช้จริงในตลาด |
• แนวคิด Technology Readiness Levels (TRLs) ซึ่งบ่งชี้ว่า academia มักอยู่ในขั้นตอนต้นของ TRL คือการพัฒนาหลักฐานหรือแนวคิดใหม่ ก่อนที่จะถูกพัฒนาในภาคอุตสาหกรรมเพื่อการผลิตและจำหน่าย
• อ้างอิง:
• Mazzucato, M. (2018). The Entrepreneurial State.
• Siegel, D. S., & Wright, M. (2015). Academic entrepreneurship: time for a rethink? British Journal of Management. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
Which organization is mentioned as being involved in fundamental ML and AI research in the article?
|
National Institutes of Health (NIH) |
|
• บทความระบุว่า NIH (National Institutes of Health) เป็นองค์กรหลักที่มีบทบาทสำคัญในการสนับสนุนและดำเนินงานวิจัยพื้นฐานเกี่ยวกับ Machine Learning (ML) และ Artificial Intelligence (AI) โดยเฉพาะในสาขาวิทยาศาสตร์สุขภาพและการแพทย์
• NIH สนับสนุนโครงการวิจัยและพัฒนาเทคโนโลยีใหม่ ๆ ที่นำ ML/AI มาใช้เพื่อพัฒนาการวินิจฉัย การรักษา และการค้นคว้ายา
• ต่างจากองค์กรอื่นที่เน้นด้านกฎระเบียบหรือการควบคุมสุขภาพ เช่น FDA หรือ WHO |
• NIH เป็นหน่วยงานรัฐบาลสหรัฐฯ ที่สนับสนุนการวิจัยทางการแพทย์และสุขภาพระดับพื้นฐานและประยุกต์ รวมถึงการส่งเสริมการพัฒนาเทคโนโลยี ML/AI ในการแพทย์
• อ้างอิง:
• NIH Strategic Plan for Data Science (2018)
• NIH Artificial Intelligence/Machine Learning Initiatives |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
What does DMTA stand for as used in the article?
|
Design-Make-Test-Analyze |
|
• ในบทความ DMTA หมายถึง Design-Make-Test-Analyze ซึ่งเป็นกระบวนการแบบวงจรที่ใช้ในการพัฒนาและปรับปรุงผลิตภัณฑ์หรือวัสดุทางวิทยาศาสตร์ เช่น การค้นคว้าพัฒนายา หรือการสร้างวัสดุใหม่ ๆ
• วงจรนี้ประกอบด้วยขั้นตอนหลัก 4 ขั้นคือ:
1. Design — ออกแบบสารหรือวัสดุ
2. Make — สร้างหรือสังเคราะห์สารนั้น
3. Test — ทดสอบคุณสมบัติและประสิทธิภาพ
4. Analyze — วิเคราะห์ข้อมูลผลการทดสอบเพื่อปรับปรุงขั้นตอนถัดไป
• การใช้ DMTA ช่วยให้กระบวนการวิจัยมีความเป็นระบบและสามารถทำซ้ำได้ |
• DMTA เป็นกรอบแนวคิดที่นิยมใช้ใน materials science และ drug discovery เพื่อเพิ่มประสิทธิภาพการพัฒนา
• สอดคล้องกับหลักการของ iterative design process ที่เน้นการปรับปรุงผลิตภัณฑ์ผ่านการทดลองและวิเคราะห์ข้อมูลอย่างต่อเนื่อง
• อ้างอิง:
• Lookman, T., Balachandran, P. V., Xue, D., & Yuan, R. (2019). Active learning in materials science with emphasis on adaptive sampling using uncertainties for targeted design. npj Computational Materials.
• Ekins, S., et al. (2019). Machine learning models for drug discovery. Journal of Medicinal Chemistry. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Which aspect of machine learning models is highlighted as particularly important in the pharmaceutical industry?
|
Model reproducibility and robustness |
|
• บทความเน้นว่าในอุตสาหกรรมยา การที่โมเดล Machine Learning มี ความสามารถในการทำซ้ำผลลัพธ์ (reproducibility) และ ความทนทาน (robustness) เป็นเรื่องสำคัญมาก
• เนื่องจากโมเดลต้องให้ผลลัพธ์ที่เชื่อถือได้และคงที่ในสภาวะหรือข้อมูลที่แตกต่างกัน เพื่อสนับสนุนการตัดสินใจในกระบวนการพัฒนายาที่ปลอดภัยและมีประสิทธิภาพ
• ความไม่แน่นอนหรือโมเดลที่ไม่เสถียรอาจนำไปสู่ข้อผิดพลาดที่มีผลกระทบสูงในกระบวนการวิจัยและพัฒนา |
• หลักการ model validation และ generalizability ใน machine learning ที่เน้นการตรวจสอบว่าโมเดลสามารถทำงานได้ดีบนข้อมูลใหม่และในสถานการณ์จริง
• อ้างอิง:
• Ekins, S., et al. (2019). Machine learning models for drug discovery. Journal of Medicinal Chemistry.
• Vamathevan, J., et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery.
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
What type of data does the article mention as increasingly available to the public?
|
Patient medical records |
|
• บทความกล่าวถึงว่าข้อมูล Patient Medical Records หรือข้อมูลสุขภาพผู้ป่วย กำลังกลายเป็นข้อมูลที่ เปิดเผยและเข้าถึงได้มากขึ้น สำหรับการวิจัยและพัฒนาโดยเฉพาะในด้าน Machine Learning และ AI
• การเข้าถึงข้อมูลนี้ช่วยให้นักวิจัยสามารถวิเคราะห์แนวโน้มทางการแพทย์, ประสิทธิผลของการรักษา, และพัฒนาระบบช่วยวินิจฉัยได้ดีขึ้น
• อย่างไรก็ตาม การเปิดเผยข้อมูลสุขภาพยังต้องระวังเรื่องความเป็นส่วนตัวและกฎหมายคุ้มครองข้อมูลส่วนบุคคล เช่น HIPAA หรือ GDPR |
• แนวคิด Big Data in Healthcare และ Real-World Evidence (RWE) ซึ่งใช้ข้อมูลผู้ป่วยจริงในการพัฒนาวินิจฉัยและรักษา
• ความสำคัญของการจัดการข้อมูลสุขภาพอย่างปลอดภัยและถูกต้องตามกฎหมาย
• อ้างอิง:
• Beam, A. L., & Kohane, I. S. (2018). Big Data and Machine Learning in Health Care. JAMA.
• Murdoch, T. B., & Detsky, A. S. (2013). The inevitable application of big data to health care. JAMA. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
Which data set is mentioned as a benchmark for molecular machine learning?
|
GuacaMol |
|
• บทความระบุว่า GuacaMol เป็นชุดข้อมูลมาตรฐาน (benchmark data set) ที่ใช้ในงานวิจัยด้าน molecular machine learning เพื่อประเมินประสิทธิภาพของโมเดลในการออกแบบและทำนายสมบัติของโมเลกุลใหม่ ๆ
• GuacaMol ประกอบด้วยข้อมูลโมเลกุลหลากหลาย พร้อมโจทย์สำหรับทดสอบโมเดล เช่น การสร้างโมเลกุลใหม่ที่มีคุณสมบัติตามที่กำหนด ซึ่งช่วยให้เปรียบเทียบและพัฒนาวิธีการในงาน cheminformatics ได้อย่างมีมาตรฐาน |
• แนวคิด benchmarking in machine learning เพื่อวัดประสิทธิภาพของโมเดลในเชิงเปรียบเทียบ โดยเฉพาะในงานออกแบบโมเลกุลและยา
• GuacaMol ช่วยสร้างมาตรฐานและกรอบการประเมินผลสำหรับโมเดล generative และ predictive ใน molecular design
• อ้างอิง:
• Brown, N., et al. (2019). GuacaMol: Benchmarking Models for de Novo Molecular Design. Journal of Chemical Information and Modeling.
• Walters, W. P., et al. (2020). Applications of deep learning in molecule generation and optimization. Current Opinion in Chemical Biology. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
What challenge is associated with data sets from different sources, as discussed in the article?
|
Increased heterogeneity |
|
• บทความกล่าวถึงว่าการรวบรวมข้อมูลจากแหล่งที่มาต่าง ๆ ทำให้เกิด ความหลากหลายของข้อมูล (heterogeneity) ที่สูงขึ้น
• ข้อมูลที่มีความแตกต่างกันทั้งในรูปแบบ คุณภาพ ความละเอียด และมาตรฐาน ทำให้การฝึกสอนโมเดล Machine Learning มีความซับซ้อนมากขึ้น ต้องใช้วิธีการจัดการและปรับปรุงโมเดลให้สามารถรับมือกับข้อมูลที่ไม่สม่ำเสมอ
• ความหลากหลายนี้เป็นอุปสรรคที่สำคัญในการสร้างโมเดลที่มีประสิทธิภาพและทั่วไป (generalizable) ในวงการชีววิทยาและเภสัชกรรม |
• แนวคิด data heterogeneity และ domain adaptation ใน machine learning ซึ่งต้องมีเทคนิคพิเศษเพื่อจัดการกับข้อมูลจากหลายแหล่งที่มีความแตกต่างกัน
• อ้างอิง:
• Wang, M., & Deng, W. (2018). Deep visual domain adaptation: A survey. Neurocomputing.
• Beam, A. L., & Kohane, I. S. (2018). Big Data and Machine Learning in Health Care. JAMA. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|