07 de agosto de 2023 (Noticias de Nanowerk) Investigadores de la Escuela de Ingeniería Samueli de UCLA han presentado un modelo basado en inteligencia artificial para imágenes computacionales y microscopía sin entrenamiento con objetos experimentales o datos reales. En un artículo reciente publicado en Nature Machine Intelligence (“Aprendizaje autosupervisado de reconstrucción de hologramas usando consistencia física”), el profesor Volgenau de innovación en ingeniería de UCLA, Aydogan Ozcan, y su equipo de investigación introdujeron un modelo de IA autosupervisado llamado GedankenNet que aprende de las leyes físicas y los experimentos mentales. Inteligencia Artificial ha revolucionado el proceso de creación de imágenes en varios campos, desde la fotografía hasta la detección. Sin embargo, la aplicación de IA en microscopía ha seguido enfrentándose a desafíos persistentes. Por un lado, los modelos existentes impulsados ​​por IA dependen en gran medida de la supervisión humana y conjuntos de datos preetiquetados a gran escala, lo que requiere experimentos laboriosos y costosos con numerosas muestras. Además, estas metodologías a menudo tienen dificultades para procesar nuevos tipos de muestras o configuraciones experimentales. Con GedankenNet, el equipo de la UCLA se inspiró en el característico experimento Gedanken de Albert Einstein (en alemán, "experimento mental"), utilizando experimentos mentales conceptuales visualizados para crear la teoría de la relatividad. Informados solo por las leyes de la física que gobiernan universalmente la propagación de ondas electromagnéticas en el espacio, los investigadores enseñaron a su modelo de IA a reconstruir imágenes microscópicas utilizando solo hologramas artificiales aleatorios, sintetizados únicamente a partir de la "imaginación" sin depender de ningún experimento del mundo real, real. semejanzas de muestra o datos reales. Siguiendo el "entrenamiento de pensamiento" de GedankenNet, el equipo probó el modelo de IA utilizando imágenes holográficas en 3D de muestras de tejido humano capturadas con una nueva configuración experimental. En su primer intento, GedankenNet reconstruyó con éxito las imágenes microscópicas de muestras de tejido humano y frotis de Papanicolaou a partir de sus hologramas. En comparación con los métodos de reconstrucción de imágenes microscópicas de última generación basados ​​en el aprendizaje supervisado utilizando datos experimentales a gran escala, GedankenNet exhibió una generalización superior a muestras invisibles sin depender de ningún dato experimental o información previa sobre las muestras. Además de proporcionar una mejor reconstrucción de imágenes microscópicas, GedankenNet también generó ondas de luz de salida que son consistentes con la física de las ecuaciones de onda, representando con precisión la propagación de la luz 3D en el espacio. “Estos hallazgos ilustran el potencial de la IA autosupervisada para aprender de los experimentos mentales, tal como lo hacen los científicos”, dijo Ozcan, quien ocupa cargos docentes en los departamentos de Ingeniería Eléctrica e Informática y Bioingeniería en UCLA Samueli. "Abre nuevas oportunidades para desarrollar modelos de redes neuronales compatibles con la física, fáciles de entrenar y ampliamente generalizables como una alternativa a los métodos estándar de aprendizaje profundo supervisado que se emplean actualmente en diversas tareas de imágenes computacionales".

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
• Fuente: https://www.nanowerk.com/news2/robotics/newsid=63471.php