自監督學習的人工智慧從全息影像中學習物理知識再現微觀影象
引言
人工智慧（AI）的應用在各個領域中已經引起了一場革命，從攝影到感測技術。然而在顯微鏡學中應用 AI 卻面臨著持續的挑戰。現有的以 AI 為基礎的模型往往依賴人工監督和大規模的預標記資料集，需要進行繁瑣且昂貴的實驗。此外這些方法往往難以處理新型別的樣本或實驗設定。從物理學中學習的自監督 AI 模型
加州大學洛杉磯分校(Samueli School of Engineering)的研究團隊在最近發表的一篇名為「物理一致性的全息重建自監督學習」的文章中，介紹了一個名為 GedankenNet 的 AI 模型。這個模型是根據物理定律和思想實驗而被稱為「對超越現實的思考實驗」方法的愛因斯坦的靈感所創造的。 研究團隊只依賴普遍適用於空間內電磁波傳播的物理定律來教導 AI 模型。他們使用僅由「想像」創造的人工全息影象（完全不依賴任何現實世界的實驗、實際樣本或真實資料）來重建微觀影象。在這樣的「思考訓練」過程中，他們使用 3D 全息影象來測試 GedankenNet 模型。在第一次測試中，GedankenNet 成功地重建了人體組織樣本和子宮頸抹片的微觀影象。相較於基於大規模實驗資料的監督式學習的最先進的微觀影象重建方法，GedankenNet 表現出更好的對未知樣本的普適性，而且不依賴於任何實驗資料或樣本的先驗知識。對於計算成像任務的影響和應用的潛力
這項研究的成果表明，自監督學習的 AI 具有「學習思考實驗」的潛力，就像科學家一樣。這為開發與物理相容、易於訓練且具有廣泛普適性的神經網路模型提供了新的機會，可以替代當前在各種計算成像任務中使用的標準監督式深度學習方法。 這項研究的突破和應用潛力對於微觀影象重建和計算成像領域來說非常巨大。透過摒棄對實驗資料和大量已標記資料集的依賴，這種自監督學習方法能夠降低實驗成本、提高重建準確性，並能更好地處理新樣本和實驗設定。評論和展望
科學與人工智慧相結合的新思維
這項研究以愛因斯坦的思想實驗為靈感，透過學習物理定律來訓練 AI 模型，展示了一種新的科學與人工智慧相結合的思維方式。傳統上，科學家進行思考實驗來探索新的科學概念和理論，而現在 AI 可以透過學習物理知識來模擬這種思考過程。這種結合將有助於加速科學研究和創新，並為各個領域帶來新的突破。應用於其他領域的潛力
這項研究的成果除了在微觀影象重建上具有重要意義之外，還具有廣泛的應用潛力。AI 的自監督學習方法可以應用於其他計算成像任務，例如醫學影像和無人機攝影。透過依靠物理知識和思考實驗，AI 可以在不需要大量實驗資料的情況下，更好地處理新的樣本和設定。這將有助於提高計算成像的效率和精確度，同時降低相關實驗的成本。結論
這項由加州大學洛杉磯分校的研究團隊進行的研究顯示了自監督學習的 AI 在微觀影象重建領域的潛力。透過學習物理定律和思考實驗，AI 模型能夠從僅由想像力創造的全息影像中重建微觀影象，並體現出更好的普適性和準確性。這一突破性的研究成果不僅為微觀影象重建領域帶來了新的方法和應用，還揭示了將科學思維與人工智慧結合的新思路。隨著這一研究的不斷發展，相信自監督學習的 AI 將在其他計算成像任務和科學研究中發揮出更大的潛力。Holography-AI,自監督學習,物理知識,全息影像,微觀影象
延伸閱讀
- OpenAI 考慮允許 AI 色情內容？
- 資料科技公司 Daloopa 開發 AI 以自動化財務分析工作
- 今年的 Met Gala 主題是 AI 極深假裝
- Y Combinator 幫助醫療記錄 AI 新創 Hona 募得 300 萬美元 的故事
- Pinterest AI 打造的拼貼圖比單張針腳更吸睛
- Atlassian 推出新的 AI 同事 Rovo
- 三星的營運利潤飆升 930％，AI 動能帶動記憶晶片需求
- GitHub 推出 Copilot Workspace：AI 驅動的軟體工程空間
- 「馬斯克的 xAI 示範 AI 新創公司的龐大市場潛力」
- 照片分享社群 EyeEm 將許可使用者的照片以訓練 AI，如果使用者不刪除照片
