Исследователи из инженерной школы Калифорнийского университета в Лос-Анджелесе Самуэли представили модель на основе искусственного интеллекта для вычислительной визуализации и микроскопии без обучения на экспериментальных объектах или реальных данных.
В недавней статье, опубликованной в Nature Machine Intelligence, профессор инженерных инноваций Калифорнийского университета в Вольгенау Айдоган Озкан и его исследовательская группа представили самоконтролируемую модель ИИ под названием GedankenNet, которая обучается на основе законов физики и мысленных экспериментов.
Искусственный интеллект произвел революцию в процессе получения изображений в различных областях — от фотографии до сенсорики. Однако применение ИИ в микроскопии по-прежнему сталкивается с постоянными проблемами. Во-первых, существующие модели на базе ИИ в значительной степени зависят от наблюдения человека и крупномасштабных наборов данных с предварительной маркировкой, что требует трудоемких и дорогостоящих экспериментов с многочисленными образцами. Более того, эти методологии часто затрудняют обработку новых типов образцов или экспериментальных установок.
С помощью GedankenNet команда Калифорнийского университета в Лос-Анджелесе была вдохновлена подходом Альберта Эйнштейна hallmark Gedanken experiment (по-немецки "мысленный эксперимент"), использующим визуализированные концептуальные мысленные эксперименты при создании теории относительности.
Опираясь только на законы физики, которые повсеместно управляют распространением электромагнитных волн в пространстве, исследователи научили свою модель ИИ восстанавливать микроскопические изображения, используя только случайные искусственные голограммы, синтезированные исключительно из "воображения", не полагаясь на какие-либо реальные эксперименты, фактическое сходство образцов или реальные данные.
Следуя "тренировке мышления" Геданкеннета, команда протестировала модель ИИ, используя 3D-голографические изображения образцов человеческих тканей, полученных с помощью новой экспериментальной установки. В своей первой попытке GedankenNet успешно реконструировал микроскопические изображения образцов тканей человека и мазков папаниколау из их голограмм.
По сравнению с современными методами восстановления микроскопических изображений, основанными на контролируемом обучении с использованием крупномасштабных экспериментальных данных, GedankenNet продемонстрировал превосходное обобщение для невидимых образцов, не полагаясь на какие-либо экспериментальные данные или предварительную информацию об образцах. В дополнение к обеспечению лучшей реконструкции микроскопических изображений, GedankenNet также генерирует выходные световые волны, которые согласуются с физикой волновых уравнений, точно представляя трехмерное распространение света в пространстве.
"Эти результаты иллюстрируют потенциал самоконтролируемого ИИ извлекать уроки из мысленных экспериментов, точно так же, как это делают ученые", - сказал Озкан, который работает преподавателем на факультетах электротехники, вычислительной техники и биоинженерии в Калифорнийском университете Самуэли. "Это открывает новые возможности для разработки совместимых с физикой, простых в обучении и широко обобщаемых моделей нейронных сетей в качестве альтернативы стандартным контролируемым методам глубокого обучения, которые в настоящее время используются в различных задачах вычислительной визуализации".
Другими авторами статьи являются аспиранты Луже Хуан (первый автор) и Ханлун Чен, а также аспирант Тайран Лю с факультета электротехники и вычислительной техники Калифорнийского университета в Лос-Анджелесе. Озкан также работает преподавателем в медицинской школе Дэвида Геффена в Калифорнийском университете Лос-Анджелеса и является заместителем директора Калифорнийского института наносистем.
