Maintenant, les chercheurs présentent des lignes directrices sur la façon dont la matière active, tels que les cellules et les micro-organismes, peuvent être mieux étudiées en utilisant des techniques d'apprentissage automatique. Les lignes directrices peuvent aider les autres à naviguer dans le nouveau domaine, ce qui peut considérablement améliorer la recherche en matière active.

L'apprentissage automatique s'est avéré très utile pour l'étude de la matière active, un terme collectif se référant à des choses comme les cellules et les micro-organismes. Le domaine est assez récent et se développe rapidement. Dans le but d'inspirer davantage de chercheurs à essayer les méthodes, un groupe de scientifiques a publié un article dans une publication prestigieuse Nature Machine Intelligence passer en revue ce qui a été accompli jusqu'à présent et ce qui nous attend.

"Nous donnons un aperçu de la façon dont le domaine devrait évoluer à l'avenir, à la fois des opportunités et des défis. Il y a toujours des défis associés à l'IA et à l'apprentissage automatique. Essentiellement, nous avons créé un ensemble de directives qui pourraient faire gagner du temps aux gens, et peut-être les empêcher de mal faire les choses dans leur processus, " dit Giovanni Volpe, maître de conférences au département de physique, Université de Göteborg.

Ces directives d'utilisation de l'apprentissage automatique sur la matière active présentées sont assez pratiques. Pour commencer, les chercheurs suggèrent que toutes les données utilisées soient pré-traitées, et qu'il faut être très prudent lors de l'application d'un modèle d'apprentissage automatique en dehors de la plage sur laquelle il a été formé.

"Finalement, il est important d'utiliser des modèles basés sur la physique. Cela pourrait signifier, par exemple, que vous devriez essayer de faire en sorte que votre modèle conserve de l'énergie, " dit Giovanni Volpe.

En ce qui concerne les avantages de l'apprentissage automatique pour étudier la matière active, le groupe a identifié un certain nombre d'avantages. L'une est que lorsque vous travaillez avec de la matière active, vous pouvez acquérir des données de très bonne qualité en grande quantité, que vous pouvez utiliser pour entraîner le modèle d'apprentissage automatique et comprendre son fonctionnement. Un autre avantage est que vous pouvez suivre la dynamique d'un système sur de nombreuses durées et échelles de temps.

« Vous pouvez suivre une particule sur des échelles de temps allant de quelques microsecondes à quelques jours. Cela signifie que vous pouvez connecter la dynamique microscopique à des résultats à grande échelle. Nous pensons que cela peut être utile pour créer des modèles qui peuvent déduire des propriétés à long terme à partir de quelque chose de très petit , ou vice versa. Vous ne pouvez pas le faire dans d'autres systèmes, comme les systèmes économiques, " dit Giovanni Volpe.