Исследователи из Инженерной школы Самуэли при Университете Калифорнии в Лос-Анджелесе представили модель искусственного интеллекта для вычислительной визуализации и микроскопии, которая обучалась без использования экспериментальных объектов или реальных данных.
В недавней статье, опубликованной в Nature Machine Intelligence, профессор Эйдоган Озкан из UCLA и его исследовательская группа представили модель искусственного интеллекта с самоконтролем под названием GedankenNet, которая учится на основе физических законов и мысленных экспериментов.
Искусственный интеллект революционизировал процесс визуализации в различных областях — от фотографии до сенсорики. Применение ИИ в микроскопии, однако, продолжает сталкиваться с постоянными проблемами. Во-первых, существующие модели ИИ в значительной степени полагаются на человеческий надзор и большие массивы предварительно помеченных наборов данных, требующие трудоемких и дорогостоящих экспериментов со множеством образцов. Более того, эти методологии часто с трудом справляются с обработкой новых типов образцов или экспериментальных установок.
С GedankenNet команда UCLA вдохновлялась подходом Альберта Эйнштейна с использованием мысленных экспериментов (нем. Gedanken — «мысленный») при создании теории относительности.
Руководствуясь только физическими законами, универсально управляющими распространением электромагнитных волн в пространстве, исследователи обучили свою модель ИИ реконструировать микроскопические изображения, используя только случайные искусственные голограммы, синтезированные исключительно из «воображения», без опоры на какие-либо реальные эксперименты, фактические образцы или реальные данные.
После «мысленной тренировки» GedankenNet команда протестировала модель ИИ с использованием 3D голографических изображений образцов человеческой ткани, полученных с помощью новой экспериментальной установки. При первой попытке GedankenNet успешно реконструировала микроскопические изображения тканей человека и мазков шейки матки по их голограммам.
По сравнению с передовыми методами реконструкции микроскопических изображений на основе обучения с учителем с использованием больших объемов экспериментальных данных, GedankenNet продемонстрировала превосходную обобщающую способность для неизвестных образцов без опоры на какие-либо экспериментальные данные или предварительную информацию об образцах. В дополнение к обеспечению лучшей реконструкции микроскопических изображений, GedankenNet также генерировала выходные световые волны, согласующиеся с физикой волновых уравнений, точно представляя 3D распространение света в пространстве.
«Эти результаты иллюстрируют потенциал самоконтролируемого ИИ для обучения на основе мысленных экспериментов, как это делают ученые», — сказал Озкан, который занимает должности на факультетах электротехники и компьютерной инженерии, а также биоинженерии в UCLA Samueli. «Это открывает новые возможности для разработки физически совместимых, легко обучаемых и широко обобщаемых нейросетевых моделей как альтернативы стандартным методам глубокого обучения с учителем, в настоящее время используемым в различных задачах вычислительной визуализации».
Другими авторами статьи являются аспиранты Луже Хуан (первый автор) и Ханлун Чен, а также постдокторант Тайран Лю из факультета электротехники и компьютерной инженерии UCLA. Озкан также занимает должность преподавателя в Медицинской школе Дэвида Геффена в UCLA и является заместителем директора Калифорнийского института наносистем.