自监督人工智能学习物理学以从全息图中重建微观图像

加州大学洛杉矶分校萨穆埃利工程学院的研究人员推出了一种基于人工智能的计算成像和显微镜模型，无需使用实验对象或真实数据进行训练。

在最近发表在《自然机器智能》上的一篇论文中，加州大学洛杉矶分校的 Volgenau 工程创新教授 Aydogan Ozcan 和他的研究团队介绍了一种绰号为 GedankenNet 的自我监督，该模型可以从物理定律和思想实验中学习。

人工智能彻底改变了从摄影到传感等各个领域的成像过程。然而，人工智能在显微镜中的应用仍然面临持续的挑战。其一，现有的严重依赖人类监督和大规模、预先标记的数据集，需要对大量样本进行费力且昂贵的实验。此外，这些方法通常难以处理新型样品或实验装置。

凭借 GedankenNet，加州大学洛杉矶分校团队受到阿尔伯特·爱因斯坦标志性的 Gedanken 实验(德语“思想实验”)方法的启发，该方法使用可视化、概念性的思想实验来创建相对论。

研究人员只了解普遍控制电磁波在太空中传播的物理定律，教他们的仅使用随机的人工全息图来重建微观图像——完全由“想象”合成，而不依赖于任何现实世界的实验、实际情况。样本相似性或真实数据。

在 GedankenNet 的“思维训练”之后，该团队使用新实验装置捕获的人体组织样本的 3D 全息图像测试了 AI 模型。在第一次尝试中，GedankenNet 成功地从全息图中重建了人体组织样本和子宫颈抹片的显微图像。

与基于使用大规模实验数据的监督学习的最先进的显微图像重建方法相比，GedankenNet 在不依赖任何实验数据或样本先验信息的情况下，对未见过的样本表现出优异的泛化能力。除了提供更好的微观图像重建之外，GedankenNet 还生成与波动方程物理一致的输出光波，准确地表示空间中的 3D 光传播。

“这些发现说明了自我监督的人工智能有潜力像科学家一样从思想实验中学习，”在加州大学洛杉矶分校萨穆埃利分校电气和计算机工程系以及生物工程系任教的奥兹坎说。“它为开发物理兼容、易于训练和广泛推广的神经网络模型开辟了新的机会，作为目前在各种计算成像任务中使用的标准、有监督的深度学习方法的替代方案。”

论文的其他作者是研究生 Luzhe Huang(第一作者)和 Hanlong Chen，以及加州大学洛杉矶分校电气与计算机工程系的博士后学者 Tairan Liu。奥兹坎还担任加州大学洛杉矶分校大卫格芬医学院的教职，并且是加州纳米系统研究所的副所长。