Eagle-eyed machine learning algoritme overgår menneskelige eksperter

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

Computere driver selvkørende biler, vælge venners ansigter ud af billeder på Facebook, og lærer at påtage sig job, der typisk kun er betroet menneskelige eksperter.

Forskere fra University of Wisconsin-Madison og Oak Ridge National Laboratory har trænet computere til hurtigt og konsekvent at detektere og analysere mikroskopiske strålingsskader på materialer, der overvejes til atomreaktorer. Og computerne slog mennesker i denne besværlige opgave.

"Maskinlæring har et stort potentiale til at transformere den nuværende, menneske-involveret tilgang til billedanalyse i mikroskopi, " siger Wei Li, som fik sin kandidatgrad i materialevidenskab og teknik i år fra UW-Madison.

Mange problemer inden for materialevidenskab er billedbaserede, Alligevel har få forskere ekspertise inden for maskinsyn, hvilket gør billedgenkendelse og analyse til en stor forskningsflaskehals. 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.

Li, med Oak Ridge stabsforsker Kevin Field og UW-Madison materialevidenskab og ingeniørprofessor Dane Morgan, brugt maskinlæring til at gøre kunstig intelligens bedre end erfarne mennesker til at analysere skader på potentielle atomreaktormaterialer. Samarbejdspartnerne beskrev deres tilgang i et papir, der blev offentliggjort 18. juli i tidsskriftet 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 Morgan, som var Lis ph.d.-skolerådgiver.

Forskerne målrettede maskinlæring som et middel til hurtigt at gennemsøge elektronmikroskopiske billeder af materialer, der var blevet udsat for stråling, og identificere en specifik type skade - en udfordrende opgave, fordi fotografierne kan ligne en krateret måneoverflade eller et splatter-malet lærred.

Det job, helt afgørende for at udvikle sikre nukleare materialer, kunne gøre en tidskrævende proces meget mere 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 indebære 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, 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, dog udfordrende, mangler 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 dislokationssløjferne 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 han var færdiguddannet, Li tog et job hos Google, men forskningen er i gang. 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 skybaseret ressource for materialeforskere over hele verden til at uploade billeder til nær øjeblikkelig analyse.

"Dette er blot begyndelsen, " siger Morgan. "Maskinlæringsværktøjer vil hjælpe med at skabe en cyberinfrastruktur, som videnskabsmænd kan bruge på måder, vi lige er begyndt at forstå."