Nu presenteren onderzoekers richtlijnen voor hoe actieve materie, zoals cellen en micro-organismen, kan het beste worden bestudeerd met behulp van machine learning-technieken. De richtlijnen kunnen anderen helpen bij het navigeren door het nieuwe veld, die het onderzoek naar actieve materie aanzienlijk kan verbeteren.

Machine learning is zeer nuttig gebleken voor de studie van actieve materie, een verzamelnaam voor zaken als cellen en micro-organismen. Het veld is vrij nieuw en groeit snel. In een poging om meer onderzoekers te inspireren om de methoden uit te proberen, heeft een groep wetenschappers een paper gepubliceerd in een prestigieuze publicatie Intelligentie van de natuurmachine bekijken wat er tot nu toe is bereikt - en wat er in het verschiet ligt.

"We geven een schets van hoe het veld zich in de toekomst moet ontwikkelen, zowel kansen als uitdagingen. Er zijn altijd uitdagingen verbonden aan AI en machine learning. Eigenlijk, we hebben een reeks richtlijnen opgesteld die mensen tijd kunnen besparen, en mogelijk voorkomen dat ze dingen verkeerd doen in hun proces, " zegt Giovanni Volpe, hoofddocent bij de afdeling Natuurkunde, Universiteit van Göteborg.

Deze richtlijnen voor het gebruik van machine learning op actieve materie die worden gepresenteerd, zijn redelijk praktisch. Voor starters, de onderzoekers suggereren dat alle gebruikte gegevens vooraf moeten worden verwerkt, en dat men heel voorzichtig moet zijn bij het toepassen van een machine learning-model buiten het bereik waarop het is getraind.

"Eindelijk, het is belangrijk om fysica-geïnformeerde modellen te gebruiken. Dat zou kunnen betekenen, bijvoorbeeld, dat je moet proberen om je model energie te laten besparen, ', zegt Giovanni Volpe.

Als het gaat om de voordelen van het gebruik van machine learning om actieve materie te bestuderen, de groep heeft een aantal voordelen geïdentificeerd. Een daarvan is dat u bij het werken met actieve materie in grote hoeveelheden gegevens van zeer goede kwaliteit kunt verkrijgen, die u kunt gebruiken om het machine learning-model te trainen en te begrijpen hoe het model werkt. Een ander voordeel is dat je de dynamiek van een systeem over vele lengte- en tijdschalen kunt volgen.

"Je kunt een deeltje volgen voor tijdschalen van microseconden tot dagen. Dit betekent dat je microscopische dynamiek kunt verbinden met grootschalige resultaten. We denken dat dit nuttig kan zijn voor het maken van modellen die langetermijneigenschappen kunnen afleiden uit iets heel kleins , of vice versa. Dit kan niet in andere systemen, zoals economische systemen, ', zegt Giovanni Volpe.