Cựu Giám đốc điều hành Google Eric Schmidt và nhà nghiên cứu AI của Google Maithra Raghu đã phát triển một nghiên cứu giải thích các kỹ thuật học sâu khác nhau và làm thế nào nó có thể được áp dụng trong nghiên cứu khoa học, một lĩnh vực mà nhiều nhà nghiên cứu đang tìm kiếm giải pháp. để chống lại coronavirus.
Nghiên cứu có tiêu đề "Một nghiên cứu sâu về khám phá khoa học" (Một nghiên cứu về học tập sâu để khám phá khoa học), Các nhà nghiên cứu và chuyên gia về trí tuệ nhân tạo trả lời một số câu hỏi về cách học sâu và mạng lưới thần kinh hiệu quả có thể trong nghiên cứu khoa học và những nhược điểm tiềm năng của chúng.
Lượng dữ liệu được thu thập trong một loạt các lĩnh vực khoa học tăng đáng kể cả về quy mô và độ phức tạp.
Lượng dữ liệu phong phú này có thể cung cấp nhiều cơ hội thú vị cho việc học sâu và ứng dụng trong môi trường khoa học.
Làm thế nào học tập sâu có thể được thực hiện trong nghiên cứu khoa học?
Học sâu là một trong những phân nhánh của học máy liên quan đến các mạng thần kinh sâu, nghĩa là một mô hình dữ liệu mô phỏng hành vi của các mạng thần kinh thực hoặc hoạt động thần kinh thực.
Các mạng thần kinh này trình bày một loạt các kết nối và hành vi của chúng được xây dựng hoặc học hỏi do một lượng lớn dữ liệu và thuật toán để xử lý, do đó, một trong những yêu cầu đầu tiên để tiến hành nghiên cứu sâu là một lượng lớn dữ liệu.
Về vấn đề này, các nhà nghiên cứu cảnh báo rằng: "Trong nhiều cài đặt, học sâu có thể không phải là công nghệ tốt nhất để bắt đầu hoặc tốt nhất cho vấn đề."
Đối với các trường hợp không có nhiều dữ liệu hoặc dễ tổ chức và thao tác, các công cụ trí tuệ nhân tạo khác như máy học hoặc thậm chí mô hình hồi quy trước khi sử dụng mạng thần kinh có thể tạo ra kết quả chính xác hơn với ít dữ liệu.
Học sâu và nghiên cứu COVID-19
Điều mà các nhà nghiên cứu đã làm rõ là không nên áp dụng học sâu trong các tình huống chỉ là giải pháp cho các mô hình toán học đơn giản. Tuy nhiên, trong nghiên cứu khoa học, mạng lưới thần kinh tích chập (CNN) có một vị trí trong phân tích hình ảnh y tế.
Các thuật toán học sâu hiện đang được sử dụng trong y học điều tra chụp cắt lớp và chụp x-quang và tối ưu hóa chẩn đoán các bệnh như ung thư.
Công nghệ có tên COVID-Net là một mạng lưới thần kinh nhập cư được đào tạo để giải thích dữ liệu lớn từ một số 5, 941 hình ảnh thuộc hơn 2000 bệnh nhân mắc các bệnh phổi khác nhau.
Dự án nguồn mở đã được phát hành cho các nhà nghiên cứu và nhà phát triển trên khắp thế giới để phân tích và tinh chỉnh hình ảnh sẽ tối ưu hóa chẩn đoán coronavirus tối ưu hơn, mặc dù công cụ này hiện đang được thử nghiệm, nhưng thực tế là nó đã phát hành nó Đây là kết quả của kiến thức và hình ảnh của nhiều chuyên gia trên thế giới, nó thực sự là một tiến bộ.
COVID-NetTương tự, các nhà nghiên cứu chỉ ra rằng học sâu trong học tự nhiên, trong khi một trong những củng cố khác của AI, tăng cường học tập, là một lĩnh vực khác cho thấy hứa hẹn cho nghiên cứu khoa học, mặc dù việc thu thập dữ liệu là khó khăn. và đắt tiền.
Schmidt và Raghu giải thích một số công nghệ có thể được các bác sĩ và nhà phát triển triển khai và sử dụng trong nghiên cứu khoa học, chẳng hạn như các chức năng thuộc tính tạo ra các bản đồ nổi bật như các công nghệ từ GradCAM, LIME và RISE.
Khi lượng dữ liệu được thu thập trong nhiều lĩnh vực khoa học khác nhau tiếp tục tăng cả về số lượng và độ phức tạp, phương pháp học sâu mang lại nhiều cơ hội thú vị cho cả các vấn đề dự đoán cơ bản và tiết lộ các tính năng tinh tế của quy trình sản xuất dữ liệu cơ bản.
Trong khi kỹ thuật kiểm tra mô hình cố gắng kiểm tra các tế bào thần kinh trong các lớp ẩn của mạng và tìm loại đầu vào kích hoạt chúng. Điều này đã được áp dụng trong GANPaint, một kỹ thuật cho phép nghiên cứu tác động của các tế bào thần kinh riêng lẻ.
Theo cách này, các nhà nghiên cứu xác nhận rằng các ứng dụng học sâu trong nghiên cứu khoa học rất rộng miễn là có lượng dữ liệu cần thiết để dạy CNN.
