Formning af fremtiden for maskinlæring for aktivt stof

Nu præsenterer forskere retningslinjer for, hvor aktivt stof, såsom celler og mikroorganismer, kan bedst studeres ved hjælp af maskinlæringsteknikker. Retningslinjerne kan hjælpe andre med at navigere i det nye felt, som kan forbedre forskning inden for aktivt stof betydeligt.

Maskinlæring har vist sig at være meget nyttig til undersøgelse af aktivt stof, et samlebegreb, der refererer til ting som celler og mikroorganismer. Feltet er ret nyt og vokser hurtigt. I et forsøg på at inspirere flere forskere til at prøve metoderne har en gruppe forskere offentliggjort et papir i prestigefyldt publikation Nature Machine Intelligence gennemgå hvad der er opnået indtil nu - og hvad der venter.

"Vi giver en oversigt over, hvordan feltet skal udvikle sig i fremtiden, både muligheder og udfordringer. Der er altid udfordringer forbundet med AI og maskinlæring. I det væsentlige, vi har oprettet et sæt retningslinjer, der kan spare folk lidt tid, og muligvis forhindre dem i at gøre ting forkert i deres proces, "siger Giovanni Volpe, lektor ved Institut for Fysik, Göteborgs universitet.

Disse retningslinjer for udnyttelse af maskinlæring om aktivt stof, der er præsenteret, er temmelig praktiske. Til at begynde med, forskerne foreslår, at alle anvendte data skal forbehandles, og at man skal være meget forsigtig, når man anvender en machine learning -model uden for det område, den blev trænet på.

"Endelig, det er vigtigt at bruge fysikinformerede modeller. Det kan betyde, for eksempel, at du skal prøve at få din model til at spare energi, "siger Giovanni Volpe.

Når det kommer til fordelene ved at bruge maskinlæring til at studere aktivt stof, gruppen har identificeret en række fordele. Den ene er, at når du arbejder med aktivt stof, kan du erhverve data af meget god kvalitet i store mængder, som du kan bruge til at træne machine learning -modellen og forstå, hvordan modellen fungerer. En anden fordel er, at du kan følge dynamikken i et system over mange længder og tidsskalaer.

"Du kan følge en partikel for tidsskalaer fra mikrosekunder op til dage. Det betyder, at du kan forbinde mikroskopisk dynamik til store resultater. Vi tror, ​​at dette kan være nyttigt til at skabe modeller, der kan udlede langsigtede egenskaber fra noget meget lille , eller omvendt. Du kan ikke gøre dette i andre systemer, som økonomiske systemer, "siger Giovanni Volpe.