Ahora los investigadores están presentando pautas sobre cómo la materia activa, como las células y los microorganismos, puede estudiarse mejor utilizando técnicas de aprendizaje automático. Las pautas pueden ayudar a otros a navegar el nuevo campo, lo que puede mejorar significativamente la investigación en materia activa.
El aprendizaje automático ha demostrado ser muy útil para el estudio de la materia activa, un término colectivo que se refiere a cosas como células y microorganismos. El campo es bastante nuevo y crece rápidamente. En un intento por inspirar a más investigadores a probar los métodos en grupode los científicos han publicado un artículo en la publicación Inteligencia de la máquina de la naturaleza repasando lo que se ha logrado hasta ahora y lo que se avecina.
"Brindamos un resumen de cómo debe evolucionar el campo en el futuro, tanto oportunidades como desafíos. Siempre hay desafíos asociados con la IA y el aprendizaje automático. Esencialmente, hemos creado un conjunto de pautas que podrían ahorrarle tiempo a las personas,y posiblemente evitar que hagan cosas mal en su proceso ", dice Giovanni Volpe, profesor titular del Departamento de Física de la Universidad de Gotemburgo.
Estas pautas para utilizar el aprendizaje automático en la materia activa presentada son bastante prácticas. Para empezar, los investigadores sugieren que todos los datos utilizados deben ser preprocesados, y que uno debe tener mucho cuidado al aplicar un modelo de aprendizaje automático fuera del rangoen el que fue entrenado.
"Finalmente, es importante utilizar modelos informados por la física. Eso podría significar, por ejemplo, que debe intentar hacer que su modelo conserve energía", dice Giovanni Volpe.
En lo que respecta a los beneficios de utilizar el aprendizaje automático para estudiar la materia activa, el grupo ha identificado una serie de ventajas. Una es que al trabajar con materia activa puede adquirir datos de muy buena calidad en grandes cantidades, que puede utilizar paracapacite el modelo de aprendizaje automático y comprenda cómo funciona el modelo. Otra ventaja es que puede seguir la dinámica de un sistema a lo largo de muchas escalas de tiempo y duración.
"Puede seguir una partícula para escalas de tiempo desde microsegundos hasta días. Esto significa que puede conectar la dinámica microscópica a resultados a gran escala. Creemos que esto puede ser útil para crear modelos que puedan inferir propiedades a largo plazo de algomuy pequeño, o viceversa. No se puede hacer esto en otros sistemas, como los sistemas económicos ", dice Giovanni Volpe.
El artículo publicado en Inteligencia de la máquina de la naturaleza es una colaboración entre Giovanni Volpe, Frank Cichos de la Universität Leipzig y Kristian Gustavsson y Bernhard Mehlig del Departamento de Física de la Universidad de Gotemburgo.
Fuente de la historia :
Materiales proporcionado por Universidad de Gotemburgo . Original escrito por Carina Eliasson. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :