加州大学洛杉矶分校塞缪尔工程学院的研究人员公布了一种基于人工智能的计算成像和显微镜模型，无需实验对象或真实数据的训练。

在最近发表在《自然机器智能》杂志上的一篇论文中，加州大学洛杉矶分校Volgenau工程创新教授Aydogan Ozcan和他的研究团队介绍了一个绰号为GedankenNet的自我监督人工智能模型，该模型可以从物理定律和思想实验中学习。

人工智能已经彻底改变了从摄影到传感等各个领域的成像过程。然而，人工智能在显微镜中的应用仍然面临着持续的挑战。首先，现有的人工智能模型严重依赖于人类监督和大规模、预先标记的数据集，需要用大量样本进行费力而昂贵的实验。此外，这些方法往往难以处理新类型的样品或实验设置。

通过GedankenNet，加州大学洛杉矶分校的团队受到阿尔伯特·爱因斯坦标志性的Gedanken实验(德语为“思想实验”)的启发，该实验使用可视化的、概念性的思想实验来创建相对论。

仅根据控制电磁波在空间中传播的普遍物理定律，研究人员教会他们的人工智能模型仅使用随机的人工全息图来重建微观图像——完全由“想象”合成，而不依赖于任何现实世界的实验、实际样品的相似性或真实数据。

在GedankenNet的“思维训练”之后，该团队使用新实验装置捕获的人体组织样本的3D全息图像测试了人工智能模型。在第一次尝试中，GedankenNet成功地从人体组织样本和巴氏涂片的全息图中重建了显微图像。

与目前最先进的基于大规模实验数据的监督学习的微观图像重建方法相比，GedankenNet在不依赖任何实验数据或样本先验信息的情况下，对未见样本具有更好的泛化能力。除了提供更好的微观图像重建外，GedankenNet还生成了符合波动方程物理特性的输出光波，准确地代表了三维光在空间中的传播。

奥兹坎说:“这些发现说明了自我监督的人工智能从思维实验中学习的潜力，就像科学家一样。”奥兹坎在加州大学洛杉矶分校塞缪尔分校的电气与计算机工程系和生物工程系担任教职。“它为开发物理兼容、易于训练和广泛推广的神经网络模型开辟了新的机会，作为目前各种计算成像任务中使用的标准、监督深度学习方法的替代方案。”

作者：加州大学洛杉矶分校

原文链接：https://www.sciencedaily.com/releases/2023/08/230807122001.htm

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：15264513609，邮箱：1027830374@qq.com