Hvordan vil maskinlæring ændre videnskaben?

Machine learning er kommet på banen i de sidste to årtier og vil være en afgørende teknologi for fremtiden. Det er ved at omdanne store dele af samfundet, herunder sundhedspleje, uddannelse, transport og fødevare- og industriproduktion, og det har en enorm indflydelse på videnskab og forskning.

En delmængde af kunstig intelligens, maskinlæring er en proces, der hjælper computere med at lære uden direkte instruktion og af erfaring. Det gør den ved at bruge algoritmer til at identificere mønstre i data, som derefter bruges til at skabe modeller, der kan lave forudsigelser. Og data er nøglen. Maskinlæring og den stigende tilgængelighed af enorme mængder data lover at revolutionere produktionen af ​​viden. Faktisk er nutidens eksponentielle og dydige vækstcyklus inden for deep learning, blandt andre teknologier, blevet sammenlignet med den kambriske eksplosion for en halv milliard år siden, da livet på Jorden oplevede en kort periode med meget hurtig diversificering.

Professor James Larus, dekan for EPFL's School of Computer and Communications Sciences (IC), er enig i, at maskinlæring og kunstig intelligens vil have en dybtgående indflydelse på, hvordan vi lever, og vi har endnu ikke set i nærheden af ​​dets fulde potentiale.

"For mig er machine learning et meget kraftfuldt værktøj, der stadig er meget i sin vorden, og det er stadig lidt af en 'mørkekunst'. Vi underviser i maskinlæring, den underliggende matematik bag det og er i stand til at give eleverne eksempler. om, hvordan det er blevet anvendt tidligere, men vi kan ikke give dem principper, fordi vi bogstaveligt talt ikke ved, hvorfor det fungerer så godt, som det gør."

EPFLs Lenka Zdeborová arbejder på dette grundlæggende spørgsmål. Lektor i fysik, datalogi og kommunikationssystemer i Statistical Physics of Computation Laboratory - en del af School of Basic Sciences (BS) og IC - hun brænder for at fremme teorien om, hvad der kan beregnes, og hvad der er muligt med maskinlæring og kunstig intelligens .

"I videnskaber ønsker vi at forstå de objekter, vi studerer bedre, målet er ikke fastlagt. Vi er nødt til at komme med målet, så maskinlæringssystemet er nyttigt i den videnskabelige bestræbelse og se på den rolle, maskinlæring spiller i ændrer den meget videnskabelige metode. Det er et fascinerende felt, der er dukket op, da maskinlæring er blevet meget succesfuld i det sidste årti."

Med kolleger fra fysik, kemi, ingeniørvidenskab og biovidenskab har Zdeborová netop lanceret en ny forelæsningsserie for doktorgradskurser om videnskabelig maskinlæring, der vil udforske det seneste arbejde, der udføres på EPFL og globalt.

Et andet EPFL-initiativ – Machine Learning 4 Science-projektkomponenten i maskinlæringskurset for IC-professorerne Martin Jaggi og Nicolas Flammarion – bygger samarbejder på tværs af campus, der matcher videnskabsprojekter fra laboratorier på tværs af alle discipliner med studerende, der vil bringe deres maskinlæringsekspertise til nye felter. Mellem 2018 og 2020 deltog mere end 600 studerende i projekter foreslået af 77 laboratorier på tværs af EPFL og endda uden for institutioner, herunder CERN.

"Det er det største kursus på masterniveau på campus, og studerende på tværs af alle discipliner ønsker at lære dette værktøj, da de ved, at det vil være nyttigt for deres fremtidige karrierer. De kan gå til et hvilket som helst laboratorium på campus og lave et praktisk projekt, i samarbejde i en tværfaglig måde. Det er en rigtig win-win, og jeg synes, det er rimeligt at sige, at begge sider føler, at de har gavn af strukturen," siger Jaggi.

Et af projekterne i den sidste runde, der stammer fra Cathrin Briskens laboratorium i School of Life Sciences (SV) vedrørte en maskinlæringsalgoritme til at skelne museceller fra menneskelige celler, især nyttig til kræftforskning. Onkologer studerer typisk tumorer ved at pode menneskelige celler på mus, men så er problemet at skelne de to slags celler fra hinanden. Det involverer normalt flere runder med fluorescensfarvning og analyse af mange vævsprøver, før man finder de menneskelige celler. Men IC-studerende, Quentin Juppets program forenkler alt dette ved at automatisere celleklassificeringsprocessen. Det er så lovende, at han forvandlede det til en kandidatafhandling med resultaterne for nylig offentliggjort i Journal of Mammary Gland Biology and Neoplasia .

En anden, der også stammer fra School of Life Sciences, involverede at bruge maskinlæring til at kategorisere mutante fænotyper fra billeder af zebrafiskembryoner. Professor Andrew Oates er dekan for skolen og leder af Timing, Oscillations, Pattern Laboratory. "Mit laboratorium har deltaget to gange, og hver gang har vi engageret os med en helt særlig gruppe studerende, som har udvist initiativ og kreativitet i at løse et reelt videnskabeligt problem i laboratoriet ved hjælp af maskinlæring. Så vidt jeg ved er dette projekt det første i embryologisk område med implikationer for den mere effektive brug af zebrafisk som et system til at modellere menneskelige genetiske lidelser. Vi ville ikke have forsøgt dette arbejde, hvis vi ikke havde chancen for at slutte os til Machine Learning 4 Science-programmet," siger han .

Andet arbejde så på et utroligt forskelligt sæt forskningsspørgsmål:forudsigelse af slagtilfælde ved hjælp af pacman-spildata; den automatiske detektering af tilgængeligt areal til solpanelinstallationer på taget; lavine prognose; musik ud over dur og mol; og forbedring af målinger af ferskvandskvalitet.

For James Larus er fremtiden her, og den vil kun blive mere fantastisk, "I øjeblikket er maskinlæring baseret på en model udviklet i 1940'erne af, hvordan hjernen fungerer, og den var ikke engang præcis på det tidspunkt. Nu er vi i gang med at udforske hjerneinspireret maskinlæring, styret af den nyeste neurovidenskab, til at udvikle mere sofistikerede og effektive modeller og til at bygge næste generations kunstige intelligenssystemer. Så jeg håber virkelig, at der vil være en lang periode med fremskridt inden for maskinlæring og en enorm udvidelse i vellykkede ansøgninger. Det vil ændre videnskaben for altid."