Il machine learning per potenziare la ricerca

Jan 18, 2024

L’intelligenza artificiale, o machine learning, può supportare analisi complesse e far avanzare la ricerca di qualità, ma solo se utilizzata con attenzione. John F. Wu condivide consigli su come l'apprendimento automatico può potenziare i ricercatori

Potrebbe piacerti anche

Risorse popolari

L’intelligenza artificiale (AI) – o machine learning – sembra essere ovunque al giorno d’oggi. Se sei un ricercatore, probabilmente hai visto questi termini comparire sempre di più nella letteratura accademica del tuo settore. Ma quanto di tutto questo è effettivamente utile? Dovresti sfruttare anche il machine learning?

In questo articolo descriverò alcuni casi in cui l'apprendimento automatico è utile per la ricerca – e anche quando non lo è – traendo ispirazione dal mio campo, l'astronomia.

L'apprendimento automatico offre il massimo valore per i problemi di ricerca "guidati dai dati": quando si hanno così tanti dati che non è possibile esaminarli manualmente. In questi scenari, l’apprendimento automatico può alleggerire il carico di lavoro e consentirti di concentrarti sulla tua area di ricerca. Tuttavia, l’adozione del machine learning comporta insidie ​​e costi nascosti.

Se applicato con attenzione, attraverso la lente di uno scettico, l’apprendimento automatico possono consentire programmi di ricerca che altrimenti sarebbero irrealizzabili. In generale, l’apprendimento automatico può potenziare i ricercatori in quattro modi.

A volte vuoi sapere se il tuo set di dati può essere utilizzato per determinare qualcos'altro. Ad esempio, potresti aver sentito parlare di come l'apprendimento automatico in medicina può aiutare i medici a effettuare screening per il cancro. Nel mio campo dell'astronomia, è abbastanza semplice acquisire immagini di milioni di galassie, ma tradizionalmente abbiamo bisogno di acquisire e analizzare osservazioni specializzate per comprendere i dettagli di come si evolvono le galassie. Utilizzando l’apprendimento automatico, io e i miei collaboratori abbiamo scoperto che potremmo effettivamente studiare queste galassie esclusivamente utilizzando le immagini.

È facile creare nuovi modelli su come dovrebbero comportarsi le cose, ma il vero test di qualsiasi modello è se ha qualche potere predittivo. Identificando le connessioni all'interno dei tuoi dati, puoi formulare un modello, e anche il machine learning può farlo. Gli scienziati hanno utilizzato l’apprendimento automatico per riassumere queste connessioni nel linguaggio della matematica e scoprire una nuova formula che spiega la distribuzione della materia su scala cosmica.

Se il machine learning può essere utilizzato per individuare le tendenze tipiche, allora forse non sorprende che lo sia anche il machine learning ottimo nel rilevare cose anomale. Molti campi di ricerca possono trarre vantaggio da un approccio approfonditol'indagine di fenomeni rari e l'apprendimento automatico possono aiutarti a individuare "l'ago nel pagliaio".In astronomia, l’apprendimento automatico è stato utilizzato anche per rilevare fenomeni rari, come le onde gravitazionalieventi, supernovae, galassie con lente gravitazionale, dati elaborati in modo errato e molto di piu. Un'analisi delle galassie anomale ha scoperto molti fenomeni interessanti(comprese molte "galassie" che non erano affatto galassie).

Siamo onesti: alcuni aspetti della ricerca sono noiosi e richiedono molto tempo. Nella radioastronomia sono necessarie grandi risorse computazionali e molto tempo per rimuovere segnali artificiali e dati corrotti. L’apprendimento automatico può eseguire queste attività utilizzando una frazione del costo e del tempo.

Accelerando le parti noiose della ricerca, il machine learning possono anche consentire nuovi tipi di analisi che altrimenti non sarebbero possibili. Molti problemi di ricerca cercano di affrontare il seguente problema: dato un risultato osservato, quali sono i parametri di un modello che ha prodotto tale risultato? Questi cosiddetti problemi inversi possono essere affrontati in modo efficiente utilizzando l’apprendimento automatico. Per maggiori dettagli, leggi l'inferenza basata sulla simulazione.

I set di dati stanno diventando sempre più grandi, ma esistono molti modi per combinare le funzionalità in versioni ridotte. I metodi di riduzione della dimensionalità includono approcci classici come l'analisi delle componenti principali (PCA), l'embedding stocastico dei vicini t-distribuiti (t-SNE) e l'approssimazione e proiezione molteplice uniforme (UMAP) o tecniche di apprendimento automatico come l'utilizzo di reti neurali pre-addestrate o simili algoritmi per trasformare i dati in versioni riassuntive.