La inteligencia artificial ahora es tan inteligente que los cerebros de silicio con frecuencia superan a las personas.
Las computadoras operan autos autónomos, seleccionan las caras de amigos de las fotos en Facebook y están aprendiendo a aceptar trabajos que generalmente se confían solo a expertos humanos.
Investigadores del Laboratorio Nacional de la Universidad de Wisconsin-Madison y Oak Ridge han capacitado a computadoras para detectar y analizar de manera rápida y consistente el daño por radiación microscópica a los materiales considerados para reactores nucleares. Y las computadoras superaron a los humanos en esta ardua tarea.
"El aprendizaje automático tiene un gran potencial para transformar el enfoque actual de análisis de imágenes en microscopía", dice Wei Li, quien obtuvo su maestría en ciencia e ingeniería de materiales este año de UW-Madison.
Muchos problemas en la ciencia de los materiales se basan en imágenes, sin embargo, pocos investigadores tienen experiencia en visión artificial, lo que hace que el reconocimiento y el análisis de imágenes sean un importante cuello de botella para la investigación. Como estudiante, Li se dio cuenta de que podía aprovechar la capacitación en las últimas técnicas computacionales para ayudarcerrar la brecha entre la inteligencia artificial y la investigación en ciencia de materiales.
Li, con el científico Kevin Field de Oak Ridge y el profesor de ciencia e ingeniería de materiales de UW-Madison Dane Morgan, utilizó el aprendizaje automático para hacer que la inteligencia artificial sea mejor que los humanos experimentados para analizar el daño a los posibles materiales del reactor nuclear. Los colaboradores describieron su enfoque en unartículo publicado el 18 de julio en la revista npj Materiales computacionales .
El aprendizaje automático utiliza métodos estadísticos para guiar a las computadoras hacia la mejora de su desempeño en una tarea sin recibir ninguna guía explícita de un humano. Esencialmente, el aprendizaje automático enseña a las computadoras a enseñarse a sí mismas.
"En el futuro, creo que las imágenes de muchos instrumentos pasarán a través de un algoritmo de aprendizaje automático para el análisis inicial antes de ser consideradas por los humanos", dice Morgan, quien fue asesor de la escuela de posgrado de Li.
Los investigadores se centraron en el aprendizaje automático como un medio para tamizar rápidamente a través de imágenes de microscopía electrónica de materiales que habían estado expuestos a la radiación e identificar un tipo específico de daño, una tarea desafiante porque las fotografías pueden parecerse a una superficie lunar en forma de cráter o una salpicadurapintado a mano.
Ese trabajo, absolutamente crítico para desarrollar materiales nucleares seguros, podría hacer que un proceso que consume mucho tiempo sea mucho más eficiente y efectivo.
"La detección e identificación humana es propensa a errores, inconsistente e ineficiente. Quizás lo más importante es que no es escalable", dice Morgan. "Las nuevas tecnologías de imagen superan las capacidades humanas para analizar los datos que podemos producir".
Anteriormente, los algoritmos de procesamiento de imágenes dependían de los programadores humanos para proporcionar descripciones explícitas de las características de identificación de un objeto. Enseñar a una computadora a reconocer algo simple como una señal de stop podría involucrar líneas de código que describen un objeto octogonal rojo.
Sin embargo, más complejo es articular todas las señales visuales que indican que algo es, por ejemplo, un gato. ¿Orejas peludas? ¿Dientes afilados? ¿Bigotes? Una variedad de bichos tienen esas mismas características.
El aprendizaje automático ahora adopta un enfoque completamente diferente.
"Es un cambio de pensamiento real. No haces reglas. Dejas que la computadora descubra cuáles deberían ser las reglas", dice Morgan.
Los enfoques de aprendizaje automático actuales para el análisis de imágenes a menudo usan programas llamados redes neuronales que parecen imitar los notables poderes de reconocimiento de patrones en capas del cerebro humano. Para enseñar una red neuronal a reconocer a un gato, los científicos simplemente "entrenan" el programa al proporcionaruna colección de imágenes etiquetadas con precisión de varias razas de gatos. La red neuronal se hace cargo de allí, construyendo y refinando su propio conjunto de pautas para las características más importantes.
De manera similar, Morgan y sus colegas enseñaron a una red neuronal a reconocer un tipo muy específico de daño por radiación, llamado bucles de dislocación, que son algunos de los defectos más comunes, pero desafiantes, para identificar y cuantificar incluso para un humano con décadas de experiencia.
Después de entrenar con 270 imágenes, la red neuronal, combinada con otro algoritmo de aprendizaje automático llamado detector de objetos en cascada, identificó correctamente y clasificó aproximadamente el 86 por ciento de los bucles de dislocación en un conjunto de imágenes de prueba. En comparación, los expertos humanos encontraron el 80 por cientode los defectos.
"Cuando obtuvimos el resultado final, todos se sorprendieron", dice Field, "no solo por la precisión del enfoque, sino también por la velocidad. Ahora podemos detectar estos bucles como humanos mientras lo hacemos en una fracción del tiempo enuna computadora doméstica estándar "
Después de graduarse, Li tomó un trabajo con Google, pero la investigación continúa. Morgan y Field están trabajando para expandir su conjunto de datos de entrenamiento y enseñar una nueva red neuronal para reconocer diferentes tipos de defectos de radiación. Eventualmente, imaginan crear unrecurso masivo basado en la nube para que los científicos de materiales de todo el mundo carguen imágenes para un análisis casi instantáneo.
"Esto es solo el comienzo", dice Morgan. "Las herramientas de aprendizaje automático ayudarán a crear una infraestructura cibernética que los científicos pueden utilizar de maneras que apenas estamos comenzando a entender".
Fuente de la historia :
Materiales proporcionado por Universidad de Wisconsin-Madison . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :