Ricercatori dell’UCLA introducono GedankenNet un modello di intelligenza artificiale auto-supervisionata che apprende dalle leggi della fisica e dagli esperimenti mentali per avanzare nell’imaging computazionale

GedankenNet un modello di IA auto-supervisionata che apprende dalla fisica e dagli esperimenti mentali per l'imaging computazionale.

Gli avanzamenti recenti nel deep learning hanno avuto un impatto significativo nei campi dell’elaborazione computazionale delle immagini, della microscopia e dell’olografia. Queste tecnologie hanno applicazioni in diverse aree, come l’imaging biomedico, il sensing, la diagnostica e la visualizzazione 3D. I modelli di deep learning hanno dimostrato una notevole flessibilità ed efficacia in compiti come la traduzione, l’ottimizzazione, la super risoluzione, la riduzione del rumore e la colorazione virtuale delle immagini. Sono stati applicati con successo in diverse modalità di imaging, tra cui la microscopia a campo chiaro e a fluorescenza; l’integrazione del deep learning sta ridefinendo la nostra comprensione e le nostre capacità di visualizzare il mondo intricato a scala microscopica.

Nell’elaborazione computazionale delle immagini, le tecniche predominanti utilizzano principalmente modelli di apprendimento supervisionato, richiedendo una quantità considerevole di dati di addestramento con annotazioni o immagini sperimentali di riferimento. Spesso, questi modelli si basano su dati di addestramento etichettati acquisiti attraverso vari metodi, come algoritmi classici o coppie di immagini registrate da diverse modalità di imaging. Tuttavia, questi approcci presentano limitazioni, tra cui l’acquisizione, l’allineamento e la pre-elaborazione laboriosi delle immagini di addestramento e la potenziale introduzione di un bias inferenziale. Nonostante gli sforzi per affrontare queste sfide mediante l’apprendimento non supervisionato e auto-supervisionato, dipendenza dalle misurazioni sperimentali o dalle etichette dei campioni persiste. Mentre alcuni tentativi hanno utilizzato dati simulati etichettati per l’addestramento, la rappresentazione accurata delle distribuzioni dei campioni sperimentali rimane complessa e richiede una conoscenza preventiva delle caratteristiche dei campioni e delle configurazioni di imaging.

Per affrontare queste problematiche intrinseche, i ricercatori della UCLA Samueli School of Engineering hanno introdotto un approccio innovativo chiamato GedankenNet, che, d’altra parte, presenta una rivoluzionaria struttura di apprendimento auto-supervisionato. Questo approccio elimina la necessità di dati di addestramento etichettati o sperimentali e di qualsiasi somiglianza con campioni del mondo reale. Addestrando sulla base della coerenza fisica e di immagini casuali artificiali, GedankenNet supera le sfide poste dai metodi esistenti. Essa stabilisce un nuovo paradigma nella ricostruzione di ologrammi, offrendo una soluzione promettente ai limiti degli approcci di apprendimento supervisionato comunemente utilizzati in vari compiti di microscopia, olografia ed elaborazione computazionale delle immagini.

L’architettura di GedankenNet comprende una serie di blocchi di Trasformazione di Fourier Spaziale (SPAF), interconnessi da connessioni residue, che catturano efficacemente informazioni nel dominio spaziale e delle frequenze. Incorporando una funzione di perdita di coerenza fisica, il modello impone l’aderenza all’equazione d’onda durante la ricostruzione dell’ologramma, ottenendo risultati di campo complesso accurati dal punto di vista fisico. Questa strategia di addestramento unica consente a GedankenNet di generalizzare eccezionalmente bene a ologrammi sintetici e sperimentali, anche quando si confronta con campioni non visti, defocalizzazione assiale e variazioni nella lunghezza d’onda dell’illuminazione.

a) Illustrazioni che rappresentano le tecniche tradizionali di ricostruzione dell’ologramma iterativo, la rete neurale profonda auto-supervisionata GedankenNet e le reti neurali profonde supervisionate preesistenti. | b) Il processo di addestramento auto-supervisionato di GedankenNet per la ricostruzione dell’ologramma.

L’analisi delle prestazioni dimostra la notevole competenza di GedankenNet nella ricostruzione dell’ologramma. Attraverso metriche quantitative come l’Indice di Similarità Strutturale (SSIM), l’Errore Quadratico Medio (RMSE) e il Coefficiente di Correzione dell’Errore (ECC), GedankenNet supera costantemente le tecniche supervisionate tradizionali su un insieme diversificato di ologrammi. In particolare, la perdita di coerenza fisica di GedankenNet mitiga efficacemente gli artefatti non fisici, producendo ricostruzioni più nitide e accurate. La compatibilità del modello con l’equazione d’onda migliora ulteriormente le sue prestazioni, consentendo di recuperare campi di oggetti di alta qualità da ologrammi sfocati attraverso una corretta propagazione dell’onda. Questi risultati sottolineano la superiorità di GedankenNet nella generalizzazione esterna, consentendo di gestire dati sperimentali nuovi e campioni con solo fase con una fedeltà eccezionale.

Nel complesso, GedankenNet del team di ricerca della UCLA rappresenta un passo pionieristico nell’elaborazione computazionale delle immagini e nella microscopia. Abbracciando il potere dell’apprendimento auto-supervisionato e degli esperimenti mentali basati sulla fisica, GedankenNet offre un approccio fresco all’addestramento dei modelli di reti neurali. Questo metodo innovativo non solo supera i limiti delle attuali tecniche di apprendimento supervisionato, ma fornisce anche una via verso modelli di Deep Learning più versatili, compatibili con la fisica e facilmente addestrabili per vari compiti di elaborazione computazionale delle immagini. Questa scoperta potrebbe accelerare significativamente i progressi nella microscopia, promuovendo applicazioni più ampie e una comprensione più profonda del mondo microscopico.