Hem FORSKNING Formar framtiden för AI-forskning på aktiv materia

Formar framtiden för AI-forskning på aktiv materia

Publicerat av: Redaktionen

Nu presenterar forskare riktlinjer för hur aktiv materia, som celler och mikroorganismer, bäst kan studeras med hjälp av maskininlärningstekniker.

Riktlinjerna kan hjälpa andra att navigera inom det nya området, som genomgripande kan förbättra forskningen inom aktiv materia.

Formar framtiden för AI-forskning på aktiv materia

Giovanni Volpe

Maskininlärning har visat sig vara mycket användbart för att studera aktiv materia, det vill säga sådant som exempelvis celler och mikroorganismer. Fältet är ganska nytt och växer snabbt.

För att försöka inspirera fler att pröva metoderna har en grupp forskare, från Göteborg och Leipzig, nu publicerat en artikel i den ansedda vetenskapliga tidskriften Nature Machine Intelligence. Artikeln kartlägger vad som har åstadkommits hittills inom fältet – och vad som väntar framöver.

– Vi ger en översikt över hur fältet ska utvecklas i framtiden, och redogör för både möjligheter och utmaningar. Det finns alltid utmaningar när det kommer till AI och maskininlärning. I grund och botten har vi skapat riktlinjer som kan spara tid för forskare och möjligen förhindra dem från att göra saker fel i sin process, säger Giovanni Volpe, universitetslektor vid institutionen för fysik, Göteborgs universitet.

Har utformat praktiska riktlinjer

De riktlinjer som forskargruppen presenterar är till stor del praktiska. Till att börja med föreslår forskarna att all data som används bör förbehandlas. Och de uppmanar till försiktighet när en maskininlärningsmodell används utanför det dataområde som den tränades på.

– Slutligen är det viktigt att använda modeller som beaktar den fysiska världen. Det kan till exempel innebära att du bör försöka få din modell att spara energi, säger Giovanni Volpe.

Gruppen har identifierat ett antal fördelar med att använda maskininlärning för att studera aktiv materia. En av dem är att det är enkelt att generera stora mängder data av mycket god kvalitet, som kan användas för att träna maskininlärningsmodellen och förstå hur modellen fungerar.

En annan fördel är att det går att följa dynamiken i ett system över många olika längd- och tidsskalor.

– Du kan följa en partikel under allt från en mikrosekund upp till under flera dagar. Det betyder att du kan knyta mikroskopisk dynamik till storskaliga resultat. Vi tror att detta kan vara användbart för att skapa modeller som kan utläsa långsiktiga egenskaper från något mycket litet, eller vice versa. Det kan man inte göra i andra sammanhang, som i ekonomiska system till exempel, säger Giovanni Volpe.

Artikeln Machine learning for active matter  är ett samarbete mellan Giovanni Volpe, Frank Cichos från Universität Leipzig och Kristian Gustavsson och Bernhard Mehlig från institutionen för fysik vid Göteborgs universitet.

 

Relaterade Artiklar

Vi använder cookies och andra identifierare för att förbättra din upplevelse. Detta gör att vi kan säkerställa din åtkomst, analysera ditt besök på vår webbplats. Det hjälper oss att erbjuda dig ett personligt anpassat innehåll och smidig åtkomst till användbar information. Klicka på ”Jag godkänner” för att acceptera vår användning av cookies och andra identifierare eller klicka ”Mer information” för att justera dina val. Jag Godkänner Mer Information >>