Advance utilise des expériences de pensée, au lieu de données réelles, pour accélérer l’apprentissage

Dans un article récent publié dans Intelligence des machines naturellesprofesseur Volgenau de l’UCLA pour l’innovation en ingénierie Aydogan Ozcan et son équipe de recherche ont présenté un modèle d’IA auto-supervisé surnommé GedankenNet qui apprend des lois de la physique et des expériences de pensée.

L’intelligence artificielle a révolutionné le processus d’imagerie dans divers domaines, de la photographie à la détection. L’application de l’IA en microscopie, cependant, a continué à faire face à des défis persistants. D’une part, les modèles existants alimentés par l’IA reposent fortement sur la supervision humaine et sur des ensembles de données pré-étiquetés à grande échelle, nécessitant des expériences laborieuses et coûteuses avec de nombreux échantillons. De plus, ces méthodologies ont souvent du mal à traiter de nouveaux types d’échantillons ou de montages expérimentaux.

Avec GedankenNet, l’équipe de l’UCLA s’est inspirée de l’approche caractéristique de l’expérience Gedanken d’Albert Einstein (en allemand pour “expérience de pensée”) en utilisant des expériences de pensée conceptuelles visualisées pour créer la théorie de la relativité.

Informés uniquement par les lois de la physique qui régissent universellement la propagation des ondes électromagnétiques dans l’espace, les chercheurs ont appris à leur modèle d’IA à reconstruire des images microscopiques en utilisant uniquement des hologrammes artificiels aléatoires – synthétisés uniquement à partir de “l’imagination” sans s’appuyer sur des expériences du monde réel, des ressemblances réelles d’échantillons ou des données réelles.

Suite à la “formation théorique” de GedankenNet, l’équipe a testé le modèle d’IA à l’aide d’images holographiques 3D d’échantillons de tissus humains capturés avec une nouvelle configuration expérimentale. Lors de sa première tentative, GedankenNet a réussi à reconstruire les images microscopiques d’échantillons de tissus humains et de frottis Pap à partir de leurs hologrammes.

Comparé aux méthodes de reconstruction d’images microscopiques de pointe basées sur l’apprentissage supervisé à l’aide de données expérimentales à grande échelle, GedankenNet a présenté une généralisation supérieure à des échantillons invisibles sans s’appuyer sur des données expérimentales ou des informations préalables sur les échantillons. En plus de fournir une meilleure reconstruction d’image microscopique, GedankenNet a également généré des ondes lumineuses de sortie qui sont cohérentes avec la physique des équations d’onde, représentant avec précision la propagation de la lumière 3D dans l’espace.

“Ces résultats illustrent le potentiel de l’IA auto-supervisée pour apprendre des expériences de pensée, tout comme le font les scientifiques”, a déclaré Ozcan, qui occupe des postes de professeur dans les départements de génie électrique et informatique et de bio-ingénierie à UCLA Samueli. “Cela ouvre de nouvelles opportunités pour développer des modèles de réseaux neuronaux compatibles avec la physique, faciles à former et largement généralisables comme alternative aux méthodes d’apprentissage en profondeur standard et supervisées actuellement utilisées dans diverses tâches d’imagerie informatique.”

Les autres auteurs de l’article sont les étudiants diplômés Luzhe Huang (premier auteur) et Hanlong Chen, ainsi que le chercheur postdoctoral Tairan Liu du département de génie électrique et informatique de l’UCLA. Ozcan est également titulaire d’un poste de professeur à la David Geffen School of Medicine de l’UCLA et est directeur associé du California NanoSystems Institute.