Самоподобный ИИ учится физике для восстановления микроскопических изображений из голограмм

Изображения, показывающие обучение и тестирование разработанного UCLA Gedankennet, с использованием моделируемых голограмм, полученных из случайных изображений при реконструкции микроскопических изображений различных срезов тканей человека и мазков PAP.Масштабная полоса: 50 мкм (миллионов метров).Кредит: Исследовательская лаборатория Ozcan/UCLA

Исследователи из инженерной школы Калифорнийского университета в Калифорнийском университете в Калифорнийском университете в Калифорнийском университете в Калифорнийском университете в Калифорнийском университете в Калифорнийском университете представили модель на основе искусственного интеллекта для вычислительной визуализации и микроскопии без обучения с экспериментальными объектами или реальными данными.

В недавней статье, опубликованной в Inture Machine Intelligence, профессор Volgenau по инженерным инновациям UCLA Aydogan Ozcan и его исследовательская группа представили самоуверенную модель ИИ по прозвищу Gedankennet, которая учится из законов о физике и мыслительных экспериментах.

Искусственный интеллект революционизировал процесс визуализации в различных областях - от фотографии до зондирования.Однако применение ИИ в микроскопии продолжало сталкиваться с постоянными проблемами.С одной стороны, существующие модели с AI в значительной степени полагаются на надзор за человеком и крупномасштабные, предварительно меченные наборы данных, требующие трудоемких и дорогостоящих экспериментов с многочисленными образцами.Более того, эти методологии часто пытаются обработать новые типы образцов или экспериментальных настройки.

С Gedankennet команда UCLA была вдохновлена подходом Альберта Эйнштейна «Характер Геданкена» (немецкий для «мыслительного эксперимента») с использованием визуализированных, концептуальных экспериментов по мышлению в создании теории относительности.

Информирован только по законам физики, которые универсально регулируют распространение электромагнитных волн в космосе, исследователи научили свою модель ИИ реконструировать микроскопические изображения, используя только случайные искусственные голограммы-встали исключительно из «воображения», не полагаясь на какие-либо реальные эксперименты, фактическиеобразец сходства или реальные данные.

После «обучения мысли» Геданененте команда проверила модель ИИ, используя 3D голографические изображения образцов тканей человека, захваченных новой экспериментальной установкой.В своей первой попытке Gedankennet успешно реконструировал микроскопические изображения образцов ткани человека и мазков PAP из их голограмм.

По сравнению с современными методами микроскопической реконструкции изображений, основанных на контролируемом обучении с использованием крупномасштабных экспериментальных данных, Gedankennet демонстрировал превосходное обобщение для невидимых образцов, не полагаясь на какие-либо экспериментальные данные или предыдущую информацию о образцах.В дополнение к обеспечению лучшей микроскопической реконструкции изображения, Gedankennet также генерировал выходные световые волны, которые согласуются с физикой волновых уравнений, точно представляя трехмерное распространение света в пространстве.

«Эти выводы иллюстрируют потенциал самоподходящего ИИ для изучения на мыслительных экспериментах, как это делают ученые»,-сказал Озкан, который проводит назначения на факультет в отделениях электрической и компьютерной инженерии и биоинженерии в Калифорнийском университете в Самуэли.«Он открывает новые возможности для разработки физики, совместимых с физикой, простыми в тщательными и широко обобщаемыми моделями нейронных сети в качестве альтернативы стандартным, контролируемым методам глубокого обучения, используемых в настоящее время в различных задачах вычислительной визуализации».

Другими авторами статьи являются аспиранты Лужи Хуан (первый автор) и Ханлонг Чен, а также постдокторский ученый Тайран Лю из отделения электрической и компьютерной инженерии UCLA.Озкан также проводит назначение на факультет в Медицинской школе Дэвида Геффена в Калифорнийском университете в Лос -Анджелесе и является заместителем директора Калифорнийского института наносистем.

Больше информации: Aydogan Ozcan et al., Самоподобное изучение реконструкции голограммы с использованием физической последовательности, интеллекта природного машинного интеллекта (2023).Doi: 10.1038/s42256-023-00704-7, www.nature.com/articles/s42256-023-00704-7 🔗