眼尖的机器学习算法要比人类专家
人工智能现在那么聪明,硅的大脑经常out-think人。
电脑操作自动驾驶汽车,选择朋友的面孔在Facebook上的照片,和正在学习工作通常委托只有人类专家。
威斯康星-麦迪逊大学的研究人员和橡树岭国家实验室培训电脑快速和持续检测和分析微观材料考虑核反应堆辐射损伤。和电脑打败了人类在这个艰巨的任务。
“机器学习有很大的潜在改变当前,人在显微镜图像分析的方法,”李魏说,他获得硕士学位今年从威斯康辛大学麦迪逊分校材料科学与工程。
在材料科学是基于图像的许多问题,但很少有研究人员在机器视觉方面的专业知识,使图像识别和分析主要研究瓶颈。作为一名学生,李意识到他可以利用最新的计算机技术培训来帮助之间的桥梁人工智能和材料科学的研究。
李,橡树岭国家实验室科学家Kevin字段和威斯康辛大学麦迪逊分校材料科学与工程教授戴恩摩根,利用人工智能机器学习比有经验的人在分析潜在的核反应堆材料受损。他们的方法描述的合作者在《华尔街日报》7月18日发表的一篇论文npj计算材料。
机器学习使用统计方法来指导计算机改善他们的表现在一个任务从人类没有收到任何明确的指导。从本质上讲,机器学习教电脑自学。
“在未来,我相信照片很多仪器将通过机器学习算法初步分析之前被认为是人类,”摩根说,李的研究生导师。
研究人员有针对性的机器学习来快速筛选电子显微镜图像被暴露于辐射的材料,并确定一个特定类型的伤害——一个具有挑战性的任务,因为照片可以像一个陨石坑,月球表面或splatter-painted画布。
工作,绝对至关重要的发展安全的核材料,可以使一个耗时的过程更加高效和有效的。
“人类探测和识别是容易出错,不一致的和低效的。或许最重要的是,它不是可伸缩的,”摩根说。“新的成像技术是超过人类的能力来分析数据我们可以生产。”
以前,图像处理算法依赖于人类程序员提供显式的描述一个物体的识别功能。教学电脑识别一些简单的像一个停车标志可能涉及行代码描述一个红色八角形的对象。
更复杂,然而,是阐明的所有视觉线索的信号是,例如,一只猫。模糊的耳朵?锋利的牙齿吗?胡须吗?各种各样的小动物有相同的特点。
机器学习现在需要一个完全不同的方法。
“这是一个真正的改变的思维。你不做规定。你让电脑找出规则应该是怎样的,”摩根说。
“这只是一个开始。机器学习工具将帮助创建一个网络基础设施,科学家可以利用的方式我们才刚刚开始理解。”
今天的机器学习方法被称为神经网络的图像分析常用程序,似乎模仿人类大脑的非凡的分层的模式识别能力。教一个神经网络识别猫,科学家只“训练”项目通过提供一个准确的标记集合各种猫品种的照片。神经网络从那里接管、建筑和精炼自己的一组指南最重要的特性。
同样,摩根和他的同事们教一个神经网络识别一个特定类型的辐射损伤,称为位错环,一些最常见的,然而,有挑战性,缺陷识别和量化甚至对人类几十年的经验。
训练和270张图片后,神经网络,结合另一台机器学习算法称为级联对象探测器,正确识别和分类大约86%的位错环的一组测试图片。相比之下,人类专家发现80%的缺陷。
“当我们得到最终结果,每个人都很吃惊,”说,“不仅精度的方法,但速度。我们现在可以检测这些循环像人类一样在做的一小部分时间在一个标准的家用电脑。”
他毕业后,李与谷歌找到了一份工作,但研究正在进行中。摩根和领域正在扩大训练数据集和教一个新的神经网络识别不同类型的辐射缺陷。最终,他们设想建立一个大规模的云计算资源材料全世界的科学家为即时分析信息的上传图片。
“这仅仅是个开始,”摩根说。“机器学习工具将帮助创建一个网络基础设施,科学家可以利用的方式我们才刚刚开始理解。”
这篇文章被转载材料提供的威斯康星大学麦迪逊分校。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。
参考:
