來(lái)源：ScienceAI

編輯：蘿卜皮

目錄

• 研究人員使用機(jī)器學(xué)習(xí)來(lái)加快微塑料的計(jì)數(shù)

• 科學(xué)家利用人工智能增強(qiáng) X 射線數(shù)據(jù)分析

• 從顯微鏡圖像中提取特征的弱監(jiān)督機(jī)器學(xué)習(xí)模型

• 兩體微透鏡系統(tǒng)中普遍存在的統(tǒng)一簡(jiǎn)并

研究人員使用機(jī)器學(xué)習(xí)來(lái)加快微塑料的計(jì)數(shù)

微塑料無(wú)處不在——在我們喝的水、吃的食物和呼吸的空氣中。但在研究人員能夠了解這些粒子對(duì)健康的真正影響之前，他們需要更快、更有效的方法來(lái)量化分析這些粒子。

多倫多大學(xué)應(yīng)用科學(xué)與工程學(xué)院的研究人員最近進(jìn)行的兩項(xiàng)研究提出了使用機(jī)器學(xué)習(xí)使微塑料計(jì)數(shù)和分類過(guò)程更容易、更快、更實(shí)惠的新方法。

首先，研究人員應(yīng)用機(jī)器學(xué)習(xí)建立了一個(gè)預(yù)測(cè)模型，該模型采用訓(xùn)練有素的算法，可以從總體質(zhì)量測(cè)量中估計(jì)微塑料計(jì)數(shù)。其優(yōu)勢(shì)在于允許研究人員僅手動(dòng)處理收集到的樣本的一小部分，并使用算法預(yù)測(cè)其余樣本的數(shù)量，而不會(huì)引入額外的誤差或方差。

該研究以「Efficient Prediction of Microplastic Counts from Mass Measurements」為題，于 2022 年 1 月25 日發(fā)布在《ACS ES&T Water》。

論文鏈接：

https://pubs.acs.org/doi/10.1021/acsestwater.1c00316

另外，2022 年 6 月15 日發(fā)表在《Science of The Total Environment》的文章「Automatic quantification and classification of microplastics in scanning electron micrographs via deep learning」，采用深度學(xué)習(xí)模型對(duì)微塑料進(jìn)行自動(dòng)定量和分類。

Shi使用掃描電子顯微鏡對(duì)微塑料的圖像進(jìn)行分割并對(duì)其形狀進(jìn)行分類。與視覺(jué)篩選方法相比，這種方法提供了更大的景深和更精細(xì)的表面細(xì)節(jié)，可以防止錯(cuò)誤識(shí)別小而透明的塑料顆粒。

研究人員使用掃描電子顯微鏡來(lái)分割微塑料的圖像并對(duì)其形狀進(jìn)行分類。與視覺(jué)篩選方法相比，這種方法提供了更大的景深和更精細(xì)的表面細(xì)節(jié)，可以防止錯(cuò)誤識(shí)別小的透明塑料顆粒。

論文鏈接：

https://www.sciencedirect.com/science/article/pii/S0048969722009950?via%3Dihub

相關(guān)報(bào)道：

https://phys.org/news/2022-04-machine-microplastics.html  

科學(xué)家利用人工智能增強(qiáng) X 射線數(shù)據(jù)分析

人工智能正在改變從生物學(xué)到材料科學(xué)的每一個(gè)科學(xué)領(lǐng)域。當(dāng)涉及到某些類型的 X 射線實(shí)驗(yàn)時(shí)，新的人工智能方法使研究人員能夠?qū)λ麄兊臉颖具M(jìn)行更準(zhǔn)確的分析，并在更短的時(shí)間內(nèi)完成。

美國(guó)能源部阿貢國(guó)家實(shí)驗(yàn)室的一組研究人員，正在利用人工智能來(lái)執(zhí)行分析高能 X 射線實(shí)驗(yàn)數(shù)據(jù)的研究。借助一種基于神經(jīng)網(wǎng)絡(luò)的方法 BraggNN，Argonne 團(tuán)隊(duì)可以更精確地識(shí)別布拉格峰——指示微小單個(gè)晶體位置和方向的數(shù)據(jù)點(diǎn)——只需花費(fèi)過(guò)去的一小部分時(shí)間。

該研究以「BraggNN: fast X-ray Bragg peak analysis using deep learning」為題，于年月日發(fā)布在《IUCrJ》。

論文鏈接：

https://journals.iucr.org/m/issues/2022/01/00/fs5198/index.html

相關(guān)報(bào)道：

https://phys.org/news/2022-05-scientists-x-ray-analysis-artificial-intelligence.html

從顯微鏡圖像中提取特征的弱監(jiān)督機(jī)器學(xué)習(xí)模型

深度學(xué)習(xí)模型已被證明是用于分析大量圖像的非常有前途的工具。在過(guò)去十年左右的時(shí)間里，它們已被引入各種環(huán)境，包括研究實(shí)驗(yàn)室。

在生物學(xué)領(lǐng)域，深度學(xué)習(xí)模型可能有助于對(duì)顯微鏡圖像進(jìn)行定量分析，使研究人員能夠從這些圖像中提取有意義的信息并解釋他們的觀察結(jié)果。然而，要做到這一點(diǎn)的訓(xùn)練模型可能非常具有挑戰(zhàn)性，因?yàn)樗ǔＰ枰獜娘@微鏡圖像中提取特征（即細(xì)胞數(shù)量、細(xì)胞面積等）并手動(dòng)注釋訓(xùn)練數(shù)據(jù)。

CERVO 大腦研究中心、智能與數(shù)據(jù)研究所和加拿大拉瓦爾大學(xué)的研究人員最近開(kāi)發(fā)了一種人工神經(jīng)網(wǎng)絡(luò) MICRA-Net，該網(wǎng)絡(luò)可以使用更簡(jiǎn)單的圖像級(jí)注釋對(duì)顯微鏡圖像進(jìn)行深入分析。

該研究以「Microscopy analysis neural network to solve detection, enumeration and segmentation from image-level annotations」為題，于年月日發(fā)布在《Nature Machine Intelligence》。

論文鏈接：

https://www.nature.com/articles/s42256-022-00472-w

相關(guān)報(bào)道：

https://techxplore.com/news/2022-05-weakly-machine-features-microscopy-images.html

兩體微透鏡系統(tǒng)中普遍存在的統(tǒng)一簡(jiǎn)并

根據(jù)實(shí)際天文觀測(cè)訓(xùn)練的人工智能算法現(xiàn)在在篩選大量數(shù)據(jù)以發(fā)現(xiàn)新的爆炸恒星、識(shí)別新類型的星系和檢測(cè)大質(zhì)量恒星的合并方面優(yōu)于天文學(xué)家，從而加快了世界上最古老科學(xué)的新發(fā)現(xiàn)速度。

人工智能，可以揭示更深層次的東西，加州大學(xué)伯克利分校的天文學(xué)家發(fā)現(xiàn)：廣義相對(duì)論產(chǎn)生的復(fù)雜數(shù)學(xué)中隱藏著意想不到的聯(lián)系——特別是該理論如何應(yīng)用于尋找其他恒星周圍的新行星。

該團(tuán)隊(duì)描述了一種人工智能算法是如何發(fā)展起來(lái)的，當(dāng)此類行星系統(tǒng)經(jīng)過(guò)背景恒星前并短暫地使其變亮?xí)r，該算法可以更快地檢測(cè)出系外行星，這一過(guò)程被稱為引力微透鏡（gravitation microlensing），它揭示了現(xiàn)在用來(lái)解釋這些觀測(cè)的幾十年前的理論是多么的不完整。

該研究以「A ubiquitous unifying degeneracy in two-body microlensing systems」為題，于年月日發(fā)布在《Nature Astronomy》。

論文鏈接：

https://www.nature.com/articles/s41550-022-01671-6

相關(guān)報(bào)道：

https://phys.org/news/2022-05-ai-reveals-unsuspected-math-underlying.html