Deep learning har stor potential för vetenskaplig forskning

Tidigare Google-chefen Eric Schmidt och Google AI-forskaren Maithra Raghu har utvecklat en studie som förklarar olika tekniker för djupinlärning och hur det kan tillämpas i vetenskaplig forskning, ett område där många forskare letar efter lösningar. att bekämpa coronaviruset.

Studien har titeln “An In-depth Study of Scientific Discovery” (En studie av djupinlärning för att utforska vetenskap), Forskare och experter på artificiell intelligens svarar på ett antal frågor om hur effektiva djupinlärning och neurala nätverk är möjliga i vetenskaplig forskning och deras potentiella nackdelar.

Mängden data som samlas in inom ett brett spektrum av vetenskapliga områden ökar dramatiskt i både skala och komplexitet.

Denna rika mängd data kan ge många spännande möjligheter för djupinlärning och tillämpningar i vetenskapliga miljöer.

Hur kan djupinlärning implementeras i vetenskaplig forskning?

Deep learning är en av de grenar av maskininlärning som handlar om djupa neurala nätverk, det vill säga en datamodell som simulerar beteendet hos verkliga neurala nätverk eller verklig neural aktivitet.

Dessa neurala nätverk presenterar ett brett utbud av anslutningar och deras beteende byggt eller lärt sig på grund av en stor mängd data och algoritmer att bearbeta, så ett av de första kraven för att bedriva forskning Djup forskning är en stor mängd data.

I detta avseende varnar forskarna för att: “I många miljöer kanske djupinlärning inte är den bästa tekniken att börja med eller den bästa för problemet.”

För fall där det inte finns mycket data eller det är lätt att organisera och manipulera, kan andra artificiell intelligensverktyg som maskininlärning eller till och med förregressionsmodellering av neurala nätverk ge nyckelresultat, mer exakta med mindre data.

Djupt lärande och covid-19-forskning

Vad forskarna har klargjort är att djupinlärning inte ska tillämpas i situationer där det bara är en lösning på enkla matematiska modeller. Men i vetenskaplig forskning har konvolutionella neurala nätverk (CNN) en plats i medicinsk bildanalys.

Algoritmer för djupinlärning används för närvarande inom medicin för att undersöka tomografi och röntgen och för att optimera diagnosen av sjukdomar som cancer.

Tekniken som kallas COVID-Net är ett immigrationsneuralt nätverk som är utbildat för att tolka stordata från cirka 5 941 bilder som tillhör mer än 2 000 patienter med olika lungsjukdomar.

Open-source-projektet har släppts till forskare och utvecklare runt om i världen för att analysera och förfina bilderna som ytterligare kommer att optimera diagnosen av coronaviruset, även om verktyget för närvarande testas. , men det faktum att det släppte det Detta är resultatet av kunskap och bilder av många experter i världen, det är verkligen ett framsteg.

COVID-Net

På liknande sätt påpekar forskarna att djupinlärning i naturligt lärande, medan en av AI:s andra grunder, förstärkningsinlärning, är ett annat område som visar lovande för vetenskaplig forskning, även om datainsamling är svår. och dyrt.

Schmidt och Raghu förklarar några av de teknologier som kan distribueras och användas av läkare och utvecklare i vetenskaplig forskning, såsom attributfunktioner som genererar framträdande kartor som de från GradCAM, LIME och RISE.

Eftersom mängden data som samlas in inom en mängd olika vetenskapliga områden fortsätter att öka i både kvantitet och komplexitet, erbjuder metoder för djupinlärning många spännande möjligheter för både grundläggande och avslöjande förutsägelseproblem, subtila egenskaper hos den underliggande dataproduktionsprocessen.

Medan modelltestteknik försöker undersöka neuronerna i de dolda lagren av nätverket och hitta den typ av input som aktiverar dem. Detta har tillämpats i GANPaint, en teknik som gör att effekterna av enskilda neuroner kan studeras.

På så sätt bekräftar forskarna att tillämpningarna av djupinlärning i vetenskaplig forskning är breda så länge mängden data som krävs för att lära ut CNN är tillgänglig.