Машинное обучение расширяет возможности исследований

Jan 18, 2024

Искусственный интеллект, или машинное обучение, может поддерживать сложный анализ и продвигать качественные исследования, но только при осторожном использовании. Джон Ф. Ву делится советами о том, как машинное обучение может расширить возможности исследователей

Вам также может понравиться

Популярные ресурсы

Искусственный интеллект (ИИ) – или машинное обучение – кажется, в наши дни повсюду. Если вы исследователь, вы, вероятно, видели, как эти термины все чаще и чаще встречаются в научной литературе по вашей области. Но насколько это действительно полезно? Стоит ли вам также использовать машинное обучение?

В этой статье я опишу несколько случаев, когда машинное обучение полезно для исследований, а также когда оно бесполезно, черпая вдохновение из моей собственной области астрономии.

Машинное обучение приносит наибольшую пользу при решении исследовательских задач, «управляемых данными»: когда у вас так много данных, что вы не можете проверить их вручную. В этих сценариях машинное обучение может облегчить вашу рабочую нагрузку и позволить вам сосредоточиться на своей области исследований. Однако внедрение машинного обучения не лишено подводных камней и скрытых затрат.

При внимательном применении, через призму скептика, машинное обучение может позволить реализовать исследовательские программы, которые в противном случае были бы невозможны. Грубо говоря, машинное обучение может расширить возможности исследователей четырьмя способами.

Иногда вы хотите знать, можно ли использовать ваш набор данных для определения чего-то еще. Например, вы, возможно, слышали о том, как машинное обучение в медицине может помочь врачам в обследовании на рак. В моей области астрономии довольно просто получить изображения миллионов галактик, но нам традиционно необходимо проводить и анализировать специализированные наблюдения, чтобы понять детали эволюции галактик. Используя машинное обучение, я и мои коллеги обнаружили, что на самом деле мы можем изучать эти галактики исключительно с помощью изображений.

Легко создавать новые модели того, как все должно вести себя, но настоящая проверка любой модели заключается в том, обладает ли она какой-либо предсказательной силой. Выявляя связи в ваших данных, вы можете сформулировать модель, и машинное обучение тоже может это сделать. Ученые использовали машинное обучение, чтобы обобщить эти связи на языке математики и открыть новую формулу, объясняющую распределение материи в космических масштабах.

Если машинное обучение можно использовать для выявления типичных тенденций, то, возможно, неудивительно, что машинное обучение также отлично справляется с обнаружением аномальных вещей. Многие области исследований могут извлечь выгоду из тщательногоисследование редких явлений и машинное обучение помогут обнаружить «иголку в стоге сена».В астрономии машинное обучение также используется для обнаружения редких явлений, таких как гравитационные волны.события, сверхновые, галактики с гравитационными линзами, неправильно обработанные данные и гораздо более. Один анализ далеких галактик обнаружил множество интересных явлений.(включая множество «галактик», которые вообще не были галактиками).

Давайте будем честными: некоторые аспекты исследования скучны и отнимают много времени. В радиоастрономии для удаления искусственных сигналов и поврежденных данных требуются огромные вычислительные ресурсы и много времени. Машинное обучение может выполнить эти задачи с минимальными затратами и временем.

Ускоряя скучные этапы исследований, машинное обучение также может позволить проводить новые виды анализа, которые в противном случае были бы невозможны. Многие исследовательские задачи направлены на решение следующей проблемы: учитывая наблюдаемый результат, каковы параметры модели, которая дала такой результат? Эти так называемые обратные задачи можно эффективно решать с помощью машинного обучения. Для получения более подробной информации прочтите о выводах на основе моделирования.

Наборы данных становятся все больше и больше, но существует множество способов объединить функции в сокращенные версии. Методы уменьшения размерности включают классические подходы, такие как анализ главных компонентов (PCA), t-распределенное стохастическое вложение соседей (t-SNE) и аппроксимация и проекция равномерного многообразия (UMAP), или методы машинного обучения, такие как использование предварительно обученных нейронных сетей или аналогичных. алгоритмы для преобразования данных в обобщенные версии.