معرفی مدل جدید بازسازی تصاویر میکروسکوپی بدون آموزش داده‌های واقعی

به گزارش پایگاه بری هیچ یک به نقل از ساینس‌دیلی، یک تیم از دانشگاه کالیفرنیا مدل هوش مصنوعی تحت نظارت خود با نام مستعار « GedankenNet» را معرفی کرد که از قوانین فیزیک و آزمایش‌های فکری یاد می گیرد.

این تیم یک مدل هوش مصنوعی تحت نظارت خود با نام مستعار GedankenNet را معرفی کرد که از قوانین فیزیک و آزمایش‌های فکری می‌آموزد.

محققان تنها با آگاهی از قوانین فیزیک که به طور جهانی بر انتشار امواج الکترومغناطیسی در فضا حکومت می کنند، به مدل هوش مصنوعی خود آموزش دادند که تصاویر میکروسکوپی را تنها با استفاده از هولوگرام های مصنوعی تصادفی بازسازی کند.

این بازسازی صرفا با استفاده از تخیل و بدون تکیه بر هیچ آزمایشی در دنیای واقعی ساخته شده است.

هوش مصنوعی فرآیند تصویربرداری را در زمینه های مختلف متحول کرده است از عکاسی گرفته تا حسگری. با این حال، استفاده از هوش مصنوعی در مقیاس میکروسکوپ همچنان با چالش‌های مداومی روبرو بوده است. به عنوان مثال، مدل‌های مبتنی بر هوش مصنوعی به شدت به نظارت انسانی و مجموعه‌های داده‌های از پیش برچسب‌گذاری‌شده متکی هستند، که به آزمایش‌های پرزحمت و پرهزینه با نمونه‌های متعدد نیاز دارند.

محققان کالیفرنیا سیستم خود را با الهام از آزمایش «گدانکن» آلبرت انیشتین ساختند که رویکردی دیداری و مفهومی در آزمایش‌های فکری بود و در خلق نظریه نسبیت استفاده شد.

پس از GedankenNet، این تیم مدل هوش مصنوعی را با استفاده از تصاویر هولوگرافی 3 بعدی از نمونه‌های بافت انسانی که با یک مجموعه آزمایشی جدید گرفته شده بود، آزمایش کردند. GedankenNet در اولین تلاش خود با موفقیت تصاویر میکروسکوپی نمونه های بافت انسانی و پاپ اسمیر را از هولوگرام آنها بازسازی کرد.

این مدل در مقایسه با پیشرفته ترین روش های بازسازی تصویر میکروسکوپی مبتنی بر یادگیری نظارت شده، بدون تکیه بر داده های تجربی یا اطلاعات قبلی روی نمونه ها، تعمیم برتری نسبت به نمونه های دیده نشده نشان داد. GedankenNet علاوه بر ارائه بازسازی تصویر میکروسکوپی بهتر، امواج نوری خروجی را نیز تولید کرد که با فیزیک معادلات موج سازگار است و به طور دقیق انتشار نور سه بعدی در فضا را نشان می دهد.