Investigadores de UCLA presentan GedankenNet un modelo de IA auto-supervisado que aprende a partir de leyes de la física y experimentos mentales, avanzando en la imagen computacional.

Investigadores de UCLA presentan GedankenNet, un modelo de IA auto-supervisado que avanza en la imagen computacional mediante el aprendizaje de leyes de la física y experimentos mentales.

Los avances recientes en el aprendizaje profundo han tenido un impacto significativo en la imagen computacional, la microscopía y los campos relacionados con la holografía. Estas tecnologías tienen aplicaciones en diversas áreas, como la imagenología biomédica, la detección, el diagnóstico y las pantallas 3D. Los modelos de aprendizaje profundo han demostrado una notable flexibilidad y efectividad en tareas como la traducción de imágenes, el mejoramiento, la superresolución, la reducción de ruido y el teñido virtual. Se han aplicado con éxito en diversas modalidades de imágenes, incluyendo la microscopía de campo brillante y de fluorescencia; la integración del aprendizaje profundo está transformando nuestra comprensión y capacidades para visualizar el mundo intrincado a escalas microscópicas.

En la imagen computacional, las técnicas predominantes emplean principalmente modelos de aprendizaje supervisado, lo que requiere conjuntos de datos sustanciales con anotaciones o imágenes experimentales de referencia. Estos modelos a menudo dependen de datos de entrenamiento etiquetados adquiridos a través de diversos métodos, como algoritmos clásicos o pares de imágenes registradas de diferentes modalidades de imágenes. Sin embargo, estos enfoques tienen limitaciones, incluyendo la adquisición laboriosa, el alineamiento y el preprocesamiento de imágenes de entrenamiento, y la posible introducción de sesgos en la inferencia. A pesar de los esfuerzos por abordar estos desafíos a través del aprendizaje no supervisado y auto-supervisado, la dependencia de las mediciones experimentales o las etiquetas de muestra persiste. Aunque algunos intentos han utilizado datos simulados etiquetados para el entrenamiento, la representación precisa de las distribuciones de muestras experimentales sigue siendo compleja y requiere conocimientos previos de las características de las muestras y las configuraciones de imágenes.

Para abordar estos problemas inherentes, los investigadores de la Escuela de Ingeniería Samueli de la UCLA presentaron un enfoque innovador llamado GedankenNet, que, por otro lado, presenta un marco revolucionario de aprendizaje auto-supervisado. Este enfoque elimina la necesidad de datos de entrenamiento etiquetados o experimentales y cualquier similitud con muestras del mundo real. Al entrenar en base a la consistencia física y a imágenes aleatorias artificiales, GedankenNet supera los desafíos planteados por los métodos existentes. Establece un nuevo paradigma en la reconstrucción de hologramas, ofreciendo una solución prometedora a las limitaciones de los enfoques de aprendizaje supervisado comúnmente utilizados en diversas tareas de microscopía, holografía e imagen computacional.

La arquitectura de GedankenNet comprende una serie de bloques de Transformación Espacial de Fourier (SPAF), interconectados por conexiones residuales, que capturan eficazmente información en el dominio espacial y de frecuencia. Al incorporar una función de pérdida de consistencia física, el modelo garantiza el cumplimiento de la ecuación de onda durante la reconstrucción de hologramas, lo que resulta en campos complejos físicamente precisos. Esta estrategia de entrenamiento única permite que GedankenNet se generalice excepcionalmente bien a hologramas sintéticos y experimentales, incluso cuando se enfrenta a muestras no vistas previamente, desenfoque axial y variaciones en la longitud de onda de la iluminación.

a) Ilustraciones que representan las técnicas tradicionales de reconstrucción iterativa de hologramas, la red neuronal profunda auto-supervisada GedankenNet y las redes neuronales profundas supervisadas preexistentes. | b) El proceso de entrenamiento auto-supervisado de GedankenNet para la reconstrucción de hologramas.

La evaluación del rendimiento demuestra la notable eficacia de GedankenNet en la reconstrucción de hologramas. A través de métricas cuantitativas como el Índice de Similitud Estructural (SSIM), el Error Cuadrático Medio (RMSE) y el Coeficiente de Corrección de Errores (ECC), GedankenNet supera consistentemente a las técnicas supervisadas tradicionales en un conjunto diverso de hologramas. Especialmente, la pérdida de consistencia física de GedankenNet mitiga de manera efectiva los artefactos no físicos, lo que resulta en reconstrucciones más nítidas y precisas. La compatibilidad del modelo con la ecuación de onda mejora aún más su rendimiento, permitiéndole recuperar campos de objeto de alta calidad a partir de hologramas desenfocados a través de una propagación de onda correcta. Estos hallazgos destacan la superioridad de GedankenNet en la generalización externa, lo que le permite manejar datos experimentales novedosos y muestras solo de fase con una fidelidad excepcional.

En general, GedankenNet del equipo de investigación de la UCLA representa un avance pionero en la imagen computacional y la microscopía. Al aprovechar el poder del aprendizaje auto-supervisado y los experimentos mentales basados en la física, GedankenNet ofrece un enfoque fresco para entrenar modelos de redes neuronales. Este método innovador no solo supera las limitaciones de las técnicas de aprendizaje supervisado actuales, sino que también proporciona un camino hacia modelos de Aprendizaje Profundo más versátiles, compatibles con la física y fácilmente entrenables para diversas tareas de imagen computacional. Este avance podría acelerar significativamente los avances en microscopía, fomentando aplicaciones más amplias y una comprensión más profunda del mundo microscópico.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Hitos alcanzados en la nueva arquitectura de la computación cuántica

Los científicos han extendido el tiempo de coherencia para una clase única de bit cuántico (qubit) a 0.1 milisegundos...

Aprendizaje Automático

Los ejércitos de robots luchan en las épicas batallas en pantalla de Battlecode.

La competencia de programación de larga duración fomenta habilidades y amistades que duran toda la vida.

Inteligencia Artificial

Investigadores de NTU Singapur proponen OtterHD-8B un innovador modelo de IA multimodal evolucionado a partir de Fuyu-8B

Investigadores de S-Lab, Universidad Tecnológica de Nanyang, Singapur, presentan OtterHD-8B, un innovador modelo mult...

Inteligencia Artificial

AR y AI El papel de la IA en la Realidad Aumentada

Introducción Las industrias numéricas están siendo transformadas por las tecnologías revolucionarias de la inteligenc...

Inteligencia Artificial

Google Street View al rescate el aprendizaje profundo abre el camino a edificios más seguros

Imágenes como las de Google Street View están adquiriendo un nuevo propósito en manos del profesor asistente de Intel...