.
Pesquisadores da Escola de Engenharia da UCLA Samueli revelaram um modelo baseado em inteligência artificial para imagens computacionais e microscopia sem treinamento com objetos experimentais ou dados reais.
Em um artigo recente publicado em Inteligência da Máquina da NaturezaVolgenau, professor de inovação em engenharia da UCLA, Aydogan Ozcan, e sua equipe de pesquisa introduziram um modelo de IA autossupervisionado, apelidado de GedankenNet, que aprende com as leis da física e experimentos mentais.
A inteligência artificial revolucionou o processo de imagem em vários campos – da fotografia à detecção. A aplicação de AI em microscopia, no entanto, continuou a enfrentar desafios persistentes. Por um lado, os modelos existentes baseados em IA dependem fortemente da supervisão humana e de conjuntos de dados pré-rotulados em grande escala, exigindo experimentos trabalhosos e caros com inúmeras amostras. Além disso, essas metodologias muitas vezes lutam para processar novos tipos de amostras ou configurações experimentais.
Com o GedankenNet, a equipe da UCLA foi inspirada pelo experimento Gedanken (alemão para “experiência de pensamento”) de Albert Einstein, usando experimentos de pensamento conceituais e visualizados na criação da teoria da relatividade.
Informados apenas pelas leis da física que governam universalmente a propagação de ondas eletromagnéticas no espaço, os pesquisadores ensinaram seu modelo de IA a reconstruir imagens microscópicas usando apenas hologramas artificiais aleatórios – sintetizados apenas a partir da “imaginação” sem depender de experimentos do mundo real, semelhanças de amostras reais ou dados reais.
Após o “treinamento de pensamento” da GedankenNet, a equipe testou o modelo de IA usando imagens holográficas 3D de amostras de tecido humano capturadas com uma nova configuração experimental. Em sua primeira tentativa, GedankenNet reconstruiu com sucesso as imagens microscópicas de amostras de tecido humano e exames de Papanicolaou de seus hologramas.
Comparado com os métodos de reconstrução de imagens microscópicas de última geração com base no aprendizado supervisionado usando dados experimentais em grande escala, o GedankenNet exibiu generalização superior para amostras não vistas sem depender de dados experimentais ou informações anteriores sobre as amostras. Além de fornecer uma melhor reconstrução de imagens microscópicas, o GedankenNet também gerou ondas de luz de saída que são consistentes com a física das equações de onda, representando com precisão a propagação da luz 3D no espaço.
“Essas descobertas ilustram o potencial da IA autossupervisionada para aprender com experimentos mentais, assim como os cientistas”, disse Ozcan, que ocupa cargos docentes nos departamentos de Engenharia Elétrica e de Computação e Bioengenharia da UCLA Samueli. “Ele abre novas oportunidades para o desenvolvimento de modelos de redes neurais compatíveis com a física, fáceis de treinar e amplamente generalizáveis como uma alternativa aos métodos padrão de aprendizado profundo supervisionado atualmente empregados em várias tarefas de imagem computacional”.
Os outros autores do artigo são os alunos de pós-graduação Luzhe Huang (primeiro autor) e Hanlong Chen, bem como o estudioso de pós-doutorado Tairan Liu, do Departamento de Engenharia Elétrica e de Computação da UCLA. Ozcan também ocupa um cargo de professor na David Geffen School of Medicine da UCLA e é diretor associado do California NanoSystems Institute.
.
