Eagle-eyed algoritme overgår menneskelige eksperter

Kunstig intelligens er nu så smart, at siliciumhjerner ofte overgår mennesker.

Når kunstig intelligens går sammen med maskinsyn, computere kan udføre tilsyneladende utrolige opgaver – tænk på Teslas selvkørende biler eller Facebooks uhyggelige evne til at udvælge folks ansigter på billeder.

Ud over dets anvendelighed som et nyttigt socialt medieværktøj, avanceret billedbehandling en dag kan hjælpe læger med hurtigt at identificere kræftceller i billeder fra biopsiprøver eller gøre det muligt for forskere at vurdere, hvor godt visse materialer modstår forholdene i en atomkraftreaktor.

"Maskinlæring har et stort potentiale til at transformere den nuværende menneske-involverede tilgang til billedanalyse i mikroskopi, " siger Wei Li, som tog sin kandidatgrad i materialevidenskab og ingeniørvidenskab fra University of Wisconsin-Madison i 2018.

I betragtning af at mange problemer inden for materialevidenskab er billedbaserede, men få forskere har ekspertise i maskinsyn, en stor forskningsflaskehals er billedgenkendelse og analyse. Som studerende, Li indså, at han kunne udnytte træning i de nyeste beregningsteknikker til at hjælpe med at bygge bro mellem kunstig intelligens og materialevidenskabelig forskning.

Med samarbejdspartnere, der inkluderede Kevin Field, en stabsforsker ved Oak Ridge National Laboratory, Li brugte maskinlæring til hurtigt og konsekvent at opdage og analysere strålingsskader i mikroskopisk skala på materialer, der overvejes til nukleare reaktorer.

Med andre ord, computere slog mennesker i denne besværlige opgave.

Forskerne beskrev deres tilgang i et papir offentliggjort 18. juli, 2018, i journalen npj Beregningsmaterialer .

Maskinlæring bruger statistiske metoder til at guide computere mod at forbedre deres ydeevne på en opgave uden at modtage nogen eksplicit vejledning fra et menneske. I det væsentlige, maskinlæring lærer computere at lære sig selv.

"I fremtiden, Jeg tror, ​​billeder fra mange instrumenter vil passere gennem en maskinlæringsalgoritme til indledende analyse, før de bliver betragtet af mennesker, " siger Dane Morgan, en professor i materialevidenskab og teknik ved UW-Madison og Lis rådgiver.

Forskerne målrettede maskinlæring som et middel til hurtigt at gennemsøge elektronmikroskopibilleder af materialer, der var blevet udsat for stråling og identificere en bestemt type skade - en udfordrende opgave, fordi fotografierne kan ligne en måneoverflade med krater eller et sprøjtmalet lærred.

Denne opgave - helt afgørende for at udvikle sikre nukleare materialer - kunne gøre en tidskrævende proces meget mere effektiv og effektiv.

"Menneskelig påvisning og identifikation er tilbøjelig til fejl, inkonsekvent og ineffektivt. Måske vigtigst af alt, det er ikke skalerbart, " siger Morgan. "Nyere billeddannelsesteknologier overgår menneskelige evner til at analysere de data, vi kan producere."

Tidligere, Billedbehandlingsalgoritmer var afhængige af menneskelige programmører til at give eksplicitte beskrivelser af et objekts identificerende funktioner. At lære en computer at genkende noget simpelt som et stopskilt kan involvere kodelinjer, der beskriver et rødt ottekantet objekt.

Mere komplekst, imidlertid, artikulerer alle de visuelle signaler, der signalerer, at noget er, for eksempel, en kat. Uklare ører? Skarpe tænder? Knurhår? En række væsner har de samme egenskaber.

Maskinlæring har nu en helt anden tilgang.

"Det er en reel tankeændring. Man laver ikke regler – man lader computeren finde ud af, hvad reglerne skal være, " siger Morgan.

Nutidens maskinlæringstilgange til billedanalyse bruger ofte programmer kaldet neurale netværk, der synes at efterligne den menneskelige hjernes bemærkelsesværdige lagdelte mønstergenkendelsesevner. At lære et neuralt netværk at genkende en kat, for eksempel, videnskabsmænd "træner" simpelthen programmet ved at levere en samling nøjagtigt mærkede billeder af forskellige katteracer. Det neurale netværk tager over derfra, opbygning og forfining af sit eget sæt retningslinjer for de vigtigste funktioner.

Tilsvarende Morgan og kolleger lærte et neuralt netværk at genkende en meget specifik type strålingsskader, kaldet dislokationsløkker, som er nogle af de mest almindelige, alligevel udfordrende defekter at identificere og kvantificere – selv for et menneske med årtiers erfaring.

Efter træning med 270 billeder, det neurale netværk, kombineret med en anden maskinlæringsalgoritme kaldet en kaskadeobjektdetektor, korrekt identificeret og klassificeret omkring 86 procent af dislokationsløkkerne i et sæt testbilleder. Til sammenligning, menneskelige eksperter fandt 80 procent af fejlene.

"Da vi fik det endelige resultat, alle var overraskede, " siger Field. "Ikke kun på grund af nøjagtigheden af ​​tilgangen, men hastigheden. Vi kan nu detektere disse sløjfer som mennesker, mens vi gør det på en brøkdel af tiden på en standard hjemmecomputer."

Efter at han var færdiguddannet, Li tog et job hos Google. Men forskningen er i gang:I øjeblikket, Morgan og Field arbejder på at udvide deres træningsdatasæt og lære et nyt neuralt netværk at genkende forskellige former for strålingsdefekter. Til sidst, de forestiller sig at skabe en massiv cloud-baseret ressource til materialeforskere over hele verden til at uploade billeder til næsten øjeblikkelig analyse.

"Dette er blot begyndelsen, " says Morgan. "Machine learning tools will help create a cyber infrastructure that scientists can utilize in ways we are just beginning to understand."