منوعات

الذكاء الاصطناعي يعزز الفحص المجهري فائق الدقة

ربما يكون الذكاء الاصطناعي التوليدي (AI) معروفًا بشكل أفضل من خلال تطبيقات إنشاء النصوص أو الصور مثل ChatGPT أو Stable Diffusion. لكن فائدته أبعد من ذلك تتجلى في المزيد والمزيد من المجالات العلمية المختلفة. في عملهم الأخير، والذي سيتم تقديمه في المؤتمر الدولي القادم حول تمثيلات التعلم (ICLR)، باحثون من مركز فهم الأنظمة المتقدمة (CASUS) في هيلمهولتز-زينتروم دريسدن-روسندورف (HZDR) مع زملاء من إمبريال كوليدج لندن وقد قدمت كلية لندن الجامعية خوارزمية جديدة مفتوحة المصدر تسمى نموذج الانتشار المتغير المشروط. استنادًا إلى الذكاء الاصطناعي التوليدي، يعمل هذا النموذج على تحسين جودة الصور من خلال إعادة بنائها عن طريق الصدفة. بالإضافة إلى ذلك، يعد CVDM أقل تكلفة من الناحية الحسابية من نماذج الانتشار المعمول بها ويمكن تكييفه بسهولة مع التطبيقات المختلفة.

مع ظهور البيانات الضخمة والأساليب العلمية الرياضية والبيانية الجديدة، يهدف الباحثون إلى فك رموز الظواهر التي لا تزال غير قابلة للتفسير في علم الأحياء أو الطب أو العلوم البيئية باستخدام مناهج المشكلات العكسية. تتمثل المشكلات المعاكسة في إيجاد العوامل السببية التي تؤدي إلى ملاحظات معينة. لديك نسخة ذات تدرج رمادي من الصورة وتريد استعادة الألوان. عادة ما يكون هناك العديد من الحلول الصالحة هنا، على سبيل المثال، يبدو اللون الأزرق الفاتح والأحمر الفاتح متماثلين في الصورة ذات التدرج الرمادي. وبالتالي يمكن أن يكون حل هذه المشكلة العكسية هو الصورة ذات القميص الأزرق الفاتح أو الصورة ذات القميص الأحمر الفاتح.

يمكن أن يكون تحليل الصور المجهرية أيضًا مشكلة عكسية نموذجية. يوضح غابرييل ديلا ماجيورا، طالب الدكتوراه في CASUS والمؤلف الرئيسي لمقال ICLR: “لديك ملاحظة: صورتك المجهرية. ومن خلال تطبيق بعض الحسابات، يمكنك معرفة المزيد عن عينتك أكثر مما تبدو للوهلة الأولى”. قد تكون النتائج دقة أعلى أو صور ذات جودة أفضل. ومع ذلك، فإن المسار من الملاحظات، أي من الصور المجهرية، إلى “الصور الفائقة”، ليس واضحًا بشكل عام. بالإضافة إلى ذلك، غالبًا ما تكون بيانات الرصد مشوشة أو غير كاملة أو غير مؤكدة. كل هذا يزيد من تعقيد حل المسائل العكسية، مما يجعلها تحديات رياضية مثيرة.

قوة نماذج الذكاء الاصطناعي التوليدية مثل Sora

يعد الذكاء الاصطناعي التوليدي أحد الأدوات القوية لحل المشكلات العكسية. تتعلم نماذج الذكاء الاصطناعي التوليدية عادةً التوزيع الأساسي للبيانات في مجموعة بيانات تدريب معينة. والمثال النموذجي هو توليد الصور. بعد مرحلة التدريب، تقوم نماذج الذكاء الاصطناعي التوليدية بإنشاء صور جديدة تمامًا، ولكنها متوافقة مع بيانات التدريب.

من بين الأشكال المختلفة للذكاء الاصطناعي التوليدي، اكتسبت عائلة معينة تسمى نماذج الانتشار شعبية مؤخرًا بين الباحثين. مع نماذج الانتشار، تبدأ العملية التكرارية لتوليد البيانات من الضوضاء الأساسية، وهو مفهوم يستخدم في نظرية المعلومات لتقليد تأثير العديد من العمليات العشوائية التي تحدث في الطبيعة. فيما يتعلق بتوليد الصور، تعلمت نماذج الانتشار ترتيبات البكسل الشائعة وغير العادية في الصور الموجودة في مجموعة بيانات التدريب. يقومون بإنشاء الصورة الجديدة المطلوبة شيئًا فشيئًا حتى يتطابق ترتيب وحدات البكسل بشكل أفضل مع البنية الأساسية لبيانات التدريب. يعد نموذج تحويل النص إلى فيديو Sora من شركة البرمجيات الأمريكية OpenAI مثالاً جيدًا على قوة نماذج التسليم. يمنح مكون البث المطبق Sora القدرة على إنشاء مقاطع فيديو تبدو أكثر واقعية من أي شيء أنشأته نماذج الذكاء الاصطناعي من قبل.

ولكن هناك جانب سلبي. يقول الدكتور أرتور ياكيموفيتش، قائد مجموعة من الباحثين الشباب في CASUS والمؤلف المقابل لمقالة ICLR: “من المعروف منذ فترة طويلة أن نماذج الانتشار مكلفة من الناحية الحسابية. وقد تخلى عنها بعض الباحثين مؤخرًا لهذا السبب بالتحديد”. “لكن التطورات الجديدة مثل نموذج الانتشار المتغير المشروط الخاص بنا تجعل من الممكن تقليل “عمليات التشغيل غير المنتجة”، والتي لا تؤدي إلى النموذج النهائي. ومن خلال تقليل الجهد الحسابي وبالتالي استهلاك الطاقة، يمكن لهذا النهج أيضًا إنشاء نماذج انتشار أكثر صداقة للبيئة يدرب.”

التدريب الذكي يفي بالغرض، ليس فقط في الرياضة

“الاختبار غير المنتج” هو عيب كبير في نماذج الانتشار. أحد الأسباب هو أن النموذج حساس لاختيار البرنامج المحدد مسبقًا الذي يتحكم في ديناميكيات عملية الانتشار: يتحكم هذا البرنامج في كيفية إضافة الضوضاء: قليل جدًا أو أكثر من اللازم، مكان خاطئ أو وقت خاطئ – هناك بعضها لديه الكثير. السيناريوهات المحتملة التي تنتهي بالفشل التدريبي. حتى الآن، تم تعريف هذا الجدول على أنه معلمة تشعبية يجب تعديلها لكل تطبيق جديد. بمعنى آخر، عند تصميم النموذج، يقوم الباحثون عادةً بتقدير الجدول الزمني الذي اختاروه من خلال التجربة والخطأ. في المقالة الجديدة المقدمة في ICLR، قام المؤلفون بدمج التقويم من مرحلة التدريب حتى يتمكن نظام CVDM الخاص بهم من العثور على التدريب الأمثل من تلقاء نفسه. ثم أعطى النموذج نتائج أفضل من النماذج الأخرى بناءً على جدول زمني محدد مسبقًا.

من بين أمور أخرى، أظهر المؤلفون إمكانية تطبيق CVDM على مشكلة علمية: الفحص المجهري فائق الدقة، وهي مشكلة عكسية نموذجية. يهدف الفحص المجهري فائق الدقة إلى التغلب على حد الحيود، وهو الحد الذي يقيد الدقة بسبب الخصائص البصرية للنظام المجهري. للتغلب على هذا القيد خوارزميًا، يقوم علماء البيانات بإعادة بناء صور عالية الدقة عن طريق إزالة الضبابية والضوضاء من الصور المسجلة بدقة محدودة. في هذا السيناريو، أسفرت CVDM عن نتائج مماثلة أو حتى أفضل من الطرق شائعة الاستخدام.

يقول ياكيموفيتش: “بالطبع، هناك عدة طرق لزيادة معنى الصور المجهرية، يعتمد بعضها على نماذج الذكاء الاصطناعي التوليدية”. “لكننا نعتقد أن نهجنا يتمتع بخصائص جديدة وفريدة من نوعها من شأنها أن تترك أثرًا في مجتمع التصوير، وهي المرونة العالية والسرعة مع جودة مماثلة أو حتى أفضل مقارنة بمناهج نماذج التصوير الأخرى. علاوة على ذلك، يوفر نموذج CVDM الخاص بنا إرشادات مباشرة حول المواضع التي لا يتم فيها ذلك. آمنة جدًا لإعادة البناء – وهي خاصية مفيدة جدًا تمهد الطريق لحل هذه الشكوك في مزيد من التجارب وعمليات المحاكاة.

..

Source link

orcalimaa

المصدر الرئيسي للأخبار والمعلومات الصحية والطبية الموثوقة وفي الوقت المناسب . توفير معلومات صحية ذات مصداقية ومجتمع داعم وخدمات تعليمية من خلال مزج الخبرة الحائزة على جوائز في المحتوى والخدمات المجتمعية وتعليقات الخبراء والمراجعة الطبية .

مقالات ذات صلة

اترك تعليقاً

زر الذهاب إلى الأعلى