來源：ScienceAI

編輯：蘿卜皮

目錄

• 研究人員使用機器學習來加快微塑料的計數

• 科學家利用人工智能增強 X 射線數據分析

• 從顯微鏡圖像中提取特征的弱監督機器學習模型

• 兩體微透鏡系統中普遍存在的統一簡并

研究人員使用機器學習來加快微塑料的計數

微塑料無處不在——在我們喝的水、吃的食物和呼吸的空氣中。但在研究人員能夠了解這些粒子對健康的真正影響之前，他們需要更快、更有效的方法來量化分析這些粒子。

多倫多大學應用科學與工程學院的研究人員最近進行的兩項研究提出了使用機器學習使微塑料計數和分類過程更容易、更快、更實惠的新方法。

首先，研究人員應用機器學習建立了一個預測模型，該模型采用訓練有素的算法，可以從總體質量測量中估計微塑料計數。其優勢在于允許研究人員僅手動處理收集到的樣本的一小部分，并使用算法預測其余樣本的數量，而不會引入額外的誤差或方差。

該研究以「Efficient Prediction of Microplastic Counts from Mass Measurements」為題，于 2022 年 1 月25 日發布在《ACS ES&T Water》。

論文鏈接：

https://pubs.acs.org/doi/10.1021/acsestwater.1c00316

另外，2022 年 6 月15 日發表在《Science of The Total Environment》的文章「Automatic quantification and classification of microplastics in scanning electron micrographs via deep learning」，采用深度學習模型對微塑料進行自動定量和分類。

Shi使用掃描電子顯微鏡對微塑料的圖像進行分割并對其形狀進行分類。與視覺篩選方法相比，這種方法提供了更大的景深和更精細的表面細節，可以防止錯誤識別小而透明的塑料顆粒。

研究人員使用掃描電子顯微鏡來分割微塑料的圖像并對其形狀進行分類。與視覺篩選方法相比，這種方法提供了更大的景深和更精細的表面細節，可以防止錯誤識別小的透明塑料顆粒。

論文鏈接：

https://www.sciencedirect.com/science/article/pii/S0048969722009950?via%3Dihub

相關報道：

https://phys.org/news/2022-04-machine-microplastics.html  

科學家利用人工智能增強 X 射線數據分析

人工智能正在改變從生物學到材料科學的每一個科學領域。當涉及到某些類型的 X 射線實驗時，新的人工智能方法使研究人員能夠對他們的樣本進行更準確的分析，并在更短的時間內完成。

美國能源部阿貢國家實驗室的一組研究人員，正在利用人工智能來執行分析高能 X 射線實驗數據的研究。借助一種基于神經網絡的方法 BraggNN，Argonne 團隊可以更精確地識別布拉格峰——指示微小單個晶體位置和方向的數據點——只需花費過去的一小部分時間。

該研究以「BraggNN: fast X-ray Bragg peak analysis using deep learning」為題，于年月日發布在《IUCrJ》。

論文鏈接：

https://journals.iucr.org/m/issues/2022/01/00/fs5198/index.html

相關報道：

https://phys.org/news/2022-05-scientists-x-ray-analysis-artificial-intelligence.html

從顯微鏡圖像中提取特征的弱監督機器學習模型

深度學習模型已被證明是用于分析大量圖像的非常有前途的工具。在過去十年左右的時間里，它們已被引入各種環境，包括研究實驗室。

在生物學領域，深度學習模型可能有助于對顯微鏡圖像進行定量分析，使研究人員能夠從這些圖像中提取有意義的信息并解釋他們的觀察結果。然而，要做到這一點的訓練模型可能非常具有挑戰性，因為它通常需要從顯微鏡圖像中提取特征（即細胞數量、細胞面積等）并手動注釋訓練數據。

CERVO 大腦研究中心、智能與數據研究所和加拿大拉瓦爾大學的研究人員最近開發了一種人工神經網絡 MICRA-Net，該網絡可以使用更簡單的圖像級注釋對顯微鏡圖像進行深入分析。

該研究以「Microscopy analysis neural network to solve detection, enumeration and segmentation from image-level annotations」為題，于年月日發布在《Nature Machine Intelligence》。

論文鏈接：

https://www.nature.com/articles/s42256-022-00472-w

相關報道：

https://techxplore.com/news/2022-05-weakly-machine-features-microscopy-images.html

兩體微透鏡系統中普遍存在的統一簡并

根據實際天文觀測訓練的人工智能算法現在在篩選大量數據以發現新的爆炸恒星、識別新類型的星系和檢測大質量恒星的合并方面優于天文學家，從而加快了世界上最古老科學的新發現速度。

人工智能，可以揭示更深層次的東西，加州大學伯克利分校的天文學家發現：廣義相對論產生的復雜數學中隱藏著意想不到的聯系——特別是該理論如何應用于尋找其他恒星周圍的新行星。

該團隊描述了一種人工智能算法是如何發展起來的，當此類行星系統經過背景恒星前并短暫地使其變亮時，該算法可以更快地檢測出系外行星，這一過程被稱為引力微透鏡（gravitation microlensing），它揭示了現在用來解釋這些觀測的幾十年前的理論是多么的不完整。

該研究以「A ubiquitous unifying degeneracy in two-body microlensing systems」為題，于年月日發布在《Nature Astronomy》。

論文鏈接：

https://www.nature.com/articles/s41550-022-01671-6

相關報道：

https://phys.org/news/2022-05-ai-reveals-unsuspected-math-underlying.html