Maschinelles Lernen zur Stärkung der Forschung

Sep 04, 2023

Künstliche Intelligenz oder maschinelles Lernen kann komplexe Analysen unterstützen und die Qualität der Forschung vorantreiben, aber nur, wenn sie sorgfältig eingesetzt wird. John F. Wu gibt Ratschläge, wie maschinelles Lernen Forscher stärken kann

Sie können auch mögen

Beliebte Ressourcen

Künstliche Intelligenz (KI) – oder maschinelles Lernen – scheint heutzutage allgegenwärtig zu sein. Wenn Sie ein Forscher sind, sind Ihnen diese Begriffe wahrscheinlich immer häufiger in der wissenschaftlichen Literatur Ihres Fachgebiets aufgefallen. Doch wie viel davon ist tatsächlich nützlich? Sollten Sie auch maschinelles Lernen nutzen?

In diesem Artikel beschreibe ich einige Fälle, in denen maschinelles Lernen für die Forschung nützlich ist – und auch nicht – indem ich mich von meinem eigenen Fachgebiet der Astronomie inspirieren lasse.

Maschinelles Lernen bietet den größten Nutzen für „datengesteuerte“ Forschungsprobleme: wenn Sie über so viele Daten verfügen, dass Sie diese nicht manuell überprüfen können. In diesen Szenarien kann maschinelles Lernen Ihre Arbeitsbelastung verringern und es Ihnen ermöglichen, sich auf Ihr Forschungsgebiet zu konzentrieren. Allerdings ist die Einführung von maschinellem Lernen nicht ohne Tücken und versteckte Kosten.

Bei sorgfältiger Anwendung, durch die Linse eines Skeptikers, maschinelles Lernen kann Forschungsprogramme ermöglichen, die andernfalls nicht durchführbar wären. Im Großen und Ganzen kann maschinelles Lernen Forschern auf vier Arten helfen.

Manchmal möchten Sie wissen, ob Ihr Datensatz verwendet werden kann, um etwas anderes zu bestimmen. Sie haben beispielsweise vielleicht schon davon gehört, wie maschinelles Lernen in der Medizin Ärzten bei der Krebsvorsorge helfen kann. In meinem Fachgebiet der Astronomie ist es ziemlich einfach, Bilder von Millionen von Galaxien zu machen, aber traditionell mussten wir spezielle Beobachtungen machen und analysieren, um die Details der Entwicklung von Galaxien zu verstehen. Durch den Einsatz von maschinellem Lernen haben meine Mitarbeiter und ich herausgefunden, dass wir diese Galaxien tatsächlich ausschließlich anhand von Bildern untersuchen können.

Es ist einfach, neue Modelle dafür zu erstellen, wie sich Dinge verhalten sollten, aber der eigentliche Test eines jeden Modells besteht darin, ob es Vorhersagekraft hat. Indem Sie Verbindungen innerhalb Ihrer Daten identifizieren, können Sie ein Modell formulieren – und maschinelles Lernen kann dies auch. Wissenschaftler haben maschinelles Lernen genutzt, um diese Zusammenhänge in der Sprache der Mathematik zusammenzufassen und eine neue Formel zu entdecken, die die Verteilung der Materie auf kosmischen Skalen erklärt.

Wenn maschinelles Lernen verwendet werden kann, um die typischen Trends zu finden, dann ist es vielleicht nicht verwunderlich, dass maschinelles Lernen dies auch tut großartig darin, ungewöhnliche Dinge zu erkennen. Viele Forschungsbereiche können von einer gründlichen Untersuchung profitierenDie Untersuchung seltener Phänomene und maschinelles Lernen können Ihnen dabei helfen, die „Nadel im Heuhaufen“ zu erkennen.In der Astronomie wird maschinelles Lernen auch zur Erkennung seltener Phänomene wie Gravitationswellen eingesetztEreignisse, Supernovae, Galaxien mit Gravitationslinsen, falsch verarbeitete Daten und viel mehr. Eine Analyse von Ausreißergalaxien ergab viele interessante Phänomene(einschließlich vieler „Galaxien“, die überhaupt keine Galaxien waren).

Seien wir ehrlich: Manche Aspekte der Recherche sind langweilig und zeitaufwändig. In der Radioastronomie sind enorme Rechenressourcen und viel Zeit erforderlich, um künstliche Signale und beschädigte Daten zu entfernen. Durch maschinelles Lernen können diese Aufgaben mit einem Bruchteil der Kosten und Zeit erledigt werden.

Durch die Beschleunigung der langweiligen Teile der Forschung, maschinelles Lernen kann auch neuartige Analysen ermöglichen, die sonst nicht möglich wären. Bei vielen Forschungsproblemen geht es um das folgende Problem: Was sind bei einem beobachteten Ergebnis die Parameter für ein Modell, das zu einem solchen Ergebnis geführt hat? Diese sogenannten inversen Probleme können durch maschinelles Lernen effizient angegangen werden. Weitere Informationen finden Sie unter simulationsbasierte Inferenz.

Datensätze werden immer größer, aber es gibt viele Möglichkeiten, Funktionen in komprimierten Versionen zu kombinieren. Zu den Methoden zur Dimensionsreduktion gehören klassische Ansätze wie die Hauptkomponentenanalyse (PCA), die t-verteilte stochastische Nachbareinbettung (t-SNE) und die einheitliche Mannigfaltigkeitsnäherung und -projektion (UMAP) oder Techniken des maschinellen Lernens wie die Verwendung vorab trainierter neuronaler Netze oder ähnliches Algorithmen, um die Daten in zusammengefasste Versionen umzuwandeln.

Es ist auch hilfreich zu verstehen, welche Eingaben (oder Funktionen) für die Erstellung von Vorhersagen am wichtigsten sind. Verschiedene Algorithmen für maschinelles Lernen offenbaren die wichtigsten Merkmale auf unterschiedliche Weise; Beispielsweise können zufällige Gesamtstrukturen Features automatisch nach Wichtigkeit ordnen. Bei neuronalen Netzwerkmodellen können Sie mithilfe der Ausprägungszuordnung genau bestimmen, welche Pixel in einem Bild für die Erstellung einer Vorhersage am wichtigsten sind (z. B. Gradientengewichtete Klassenaktivierungszuordnung oder Grad-CAM). Diese Algorithmen bieten ein gewisses Maß an Interpretierbarkeit für maschinelles Lernen, das Ihrem Forschungsprogramm zugute kommen kann.

Denken Sie daran, dass nicht jedes Problem durch maschinelles Lernen gelöst werden kann oder sollte Methoden. Maschinelles Lernen stellt lediglich einen anderen Satz an Tools bereit, die Sie Ihrem Toolkit hinzufügen können. Durch die Kombination dieser neuartigen Tools mit domänenspezifischem Fachwissen können Sie hoffentlich erkennen, welche Tools für die Probleme, die Sie lösen möchten, am besten geeignet sind. Maschinelles Lernen kann besonders nützlich sein, wenn Sie über viele Daten verfügen und Ihre Forschung von der Suche nach Trends oder Ausreißern, der Beschleunigung des maschinellen Lernens, der Datenvisualisierung oder dem Ranking der Merkmalsbedeutung profitiert. In den kommenden Jahren können clevere Anwendungen des maschinellen Lernens möglicherweise die Art und Weise der Forschung verändern.

John F. Wu ist Assistenzastronom am Space Telescope Science Institute und außerordentlicher Forschungswissenschaftler an der Johns Hopkins University.

Wenn Sie dies interessant fanden und jede Woche Ratschläge und Einblicke von Wissenschaftlern und Universitätsmitarbeitern direkt in Ihren Posteingang erhalten möchten, abonnieren Sie den THE Campus-Newsletter.