Machine learning is de afgelopen twee decennia op het toneel verschenen en zal een bepalende technologie van de toekomst zijn. Het transformeert grote sectoren van de samenleving, waaronder gezondheidszorg, onderwijs, transport en voedsel- en industriële productie, en heeft een enorme impact op wetenschap en onderzoek.

Machine learning, een subset van kunstmatige intelligentie, is een proces dat computers helpt te leren zonder directe instructie en uit ervaring. Het doet dit door algoritmen te gebruiken om patronen in gegevens te identificeren, die vervolgens worden gebruikt om modellen te maken die voorspellingen kunnen doen. En data is de sleutel. Machine learning en de snel toenemende beschikbaarheid van enorme hoeveelheden gegevens, belooft een revolutie teweeg te brengen in de productie van kennis. De huidige exponentiële en deugdzame groeicyclus in onder meer deep learning is vergeleken met de Cambrische explosie van een half miljard jaar geleden, toen het leven op aarde een korte periode van zeer snelle diversificatie doormaakte.

Professor James Larus, decaan van EPFL's School of Computer and Communications Sciences (IC), is het ermee eens dat machine learning en AI een diepgaande invloed zullen hebben op hoe we leven en dat we het volledige potentieel ervan nog niet in de buurt hebben gezien.

"Voor mij is machine learning een zeer krachtige tool die nog in de kinderschoenen staat en nog steeds een beetje een 'duistere kunst' is. We geven lessen in machine learning, de onderliggende wiskunde erachter en kunnen studenten voorbeelden geven hoe het in het verleden is toegepast, maar we kunnen ze geen principes geven omdat we letterlijk niet eens weten waarom het zo goed werkt als het nu doet."

Lenka Zdeborová van EPFL werkt aan deze fundamentele vraag. Associate Professor of Physics, Computer Science and Communication Systems in the Statistical Physics of Computation Laboratory - onderdeel van de School of Basic Sciences (BS) en IC - ze is gepassioneerd over het bevorderen van de theorie van wat berekenbaar is en wat mogelijk is met machine learning en kunstmatige intelligentie .

"In de wetenschappen willen we de objecten die we bestuderen beter begrijpen, het doel staat niet vast. We moeten het doel bedenken zodat het machine learning-systeem nuttig is in de wetenschappelijke onderneming en kijken naar de rol die machine learning daarin speelt het veranderen van de zeer wetenschappelijke methode. Het is een fascinerend veld dat is ontstaan ​​doordat machine learning de afgelopen tien jaar zeer succesvol is geworden."

Met collega's uit de natuurkunde, scheikunde, techniek en biowetenschappen heeft Zdeborová zojuist een nieuwe doctoraatscursus-lezingenreeks over wetenschappelijke machine learning gelanceerd, waarin het nieuwste werk wordt onderzocht dat wordt uitgevoerd bij EPFL en wereldwijd.

Een ander EPFL-initiatief - het Machine Learning 4 Science-projectonderdeel van de Machine Learning-cursus van IC-hoogleraren Martin Jaggi en Nicolas Flammarion - bouwt campusoverschrijdende samenwerkingen op, waarbij wetenschappelijke projecten van laboratoria uit alle disciplines worden gecombineerd met studenten die hun expertise op het gebied van machine learning naar nieuwe velden. Tussen 2018 en 2020 namen meer dan 600 studenten deel aan projecten die werden voorgesteld door 77 laboratoria in EPFL en zelfs buiten instellingen, waaronder CERN.

"Het is de grootste cursus op masterniveau op de campus en studenten uit alle disciplines willen deze tool leren, omdat ze weten dat het nuttig zal zijn voor hun toekomstige loopbaan. Ze kunnen naar elk laboratorium op de campus gaan en een hands-on project doen, samen in een interdisciplinaire manier. Het is een echte win-win en ik denk dat het eerlijk is om te zeggen dat beide partijen het gevoel hebben dat ze baat hebben bij de structuur", zegt Jaggi.

Een van de projecten in de laatste ronde afkomstig uit het laboratorium van Cathrin Brisken in de School of Life Sciences (SV) had betrekking op een machine learning-algoritme om muiscellen te onderscheiden van menselijke, met name nuttig voor kankeronderzoek. Oncologen bestuderen typisch tumoren door menselijke cellen op muizen te enten, maar dan is het probleem om de twee soorten cellen van elkaar te onderscheiden. Dat omvat meestal verschillende rondes van fluorescentiekleuring en het analyseren van veel weefselmonsters voordat de menselijke cellen worden gevonden. Maar, IC-student, het programma van Quentin Juppet vereenvoudigt dat allemaal door het celclassificatieproces te automatiseren. Het is zo veelbelovend dat hij er een masterscriptie van heeft gemaakt met de resultaten die onlangs zijn gepubliceerd in het Journal of Mammary Gland Biology and Neoplasia .

Een andere, ook afkomstig van de School of Life Sciences, betrof het gebruik van machine learning om mutante fenotypen te categoriseren uit afbeeldingen van zebravisembryo's. Professor Andrew Oates is decaan van de school en hoofd van het Timing, Oscillations, Pattern Laboratory. "Mijn lab heeft twee keer deelgenomen en elke keer hebben we contact gehad met een heel speciale groep studenten die initiatief en creativiteit hebben getoond bij het aanpakken van een echt wetenschappelijk probleem in het lab met behulp van machine learning. Voor zover ik weet is dit project een primeur in de embryologie met implicaties voor een efficiënter gebruik van de zebravis als een systeem om menselijke genetische aandoeningen te modelleren. We zouden dit werk niet hebben geprobeerd als we niet de kans hadden gehad om mee te doen aan het Machine Learning 4 Science-programma, "zegt hij .

Ander werk keek naar een ongelooflijk diverse reeks onderzoeksvragen:het voorspellen van de ernst van een beroerte met behulp van pacman-spelgegevens; de automatische detectie van de beschikbare oppervlakte voor zonnepaneelinstallaties op het dak; lawinevoorspelling; muziek voorbij majeur en mineur; en het verbeteren van metingen van de zoetwaterkwaliteit.

Voor James Larus is de toekomst aangebroken en die zal alleen maar verbazingwekkender worden:"Momenteel is machinaal leren gebaseerd op een model dat in de jaren '40 is ontwikkeld over hoe het brein werkt, en dat was destijds niet eens nauwkeurig. Nu zijn we aan het onderzoeken door de hersenen geïnspireerde machine learning, geleid door de nieuwste neurowetenschap, om geavanceerdere en effectievere modellen te ontwikkelen en kunstmatige intelligentiesystemen van de volgende generatie te bouwen. Dus ik heb echt goede hoop dat er een lange periode van vooruitgang zal zijn in machine learning en een enorme uitbreiding in succesvolle toepassingen. Het zal de wetenschap voor altijd veranderen."