Робохроники ИИ: нейросеть поможет проанализировать горные породы и создать дешевые лекарства

В прошедшем месяце нейросети разбирали геном, роботы охраняли склад (привет-привет, «Черное зеркало»), а компьютерное зрение предвзято относилось к рабочим. Главное за сентябрь в свежем выпуске дайджеста от команды RDL by red_mad_robot.

Норвежские ученые представили автоматизированный инструмент с использованием глубокого обучения для сегментации цифровых горных пород.

Что было раньше? Из-за большого количества шумов и артефактов на изображениях, было сложно получать точную их сегментацию после компьютерной микротомографии (микро-КТ). Все методики были очень чувствительны к шуму и артефактам и для получения точных результатов требовали много времени и работы высококвалифицированных специалистов

Инструмент, который представили норвежские исследователи, способен на полную автоматизацию процесса сегментации за один шаг: с ним нет необходимости фильтровать шум или удалять артефакты.

Как это работает? Нейросеть обучают на высококачественных трехмерных изображениях микро-компьютерной томографии, полученных с различных сканеров. Для обучения используется расширенный конвейер для конкретной предметной области с различными типами шума, синтетическими артефактами и искажением изображения.

Для проверки исследователи применяют синтетический набор данных для измерения точности и анализа чувствительности к шуму и артефактам.

Ученые также сравнили сегментацию нового метода и работу пяти опытных специалистов на реальных изображениях горных пород. Оказалось, что большинство современных инструментов не могут уменьшить влияние локальных и глобальных шумов и артефактов. Выходит, новый метод более устойчив к помехам на изображении, превосходит человеческую сегментацию и дает стабильные результаты.

Зачем это нужно? Получение микроскопических свойств пористых пород и их взаимодействия с флюидами очень важно в вопросах, например, хранения углерода, добычи нефти и газа, и управления подземными водами.

Исследователи из Канзасского университета работают над ML-моделью для определения ферментов, с помощью которых можно создать более эффективные, экологически чистые и дешевые лекарственные препараты и промышленные продукты.

Как это работает? Модель MAHOMES (Metal Activity Heuristic of Metalloprotein and Enzymatic Sites) обучена различать ферментативные и неферментативные металлы в белках с точностью до 92,2%.

Ферменты — очень интересные белки, которые, по сути, и «делают» всю химию. Фермент вступает в химическую реакцию с другим веществом, чтобы преобразовать его. Яркий пример — наша пищеварительная система. С помощью ферментов организм расщепляет питательные вещества пищи на более простые компоненты.

Исследователям необходимо было отличить металлопротеины, которые не проводят химические реакции, от металлоферментов, которые как раз ей способствуют. Проблема заключалась в том, что металлопротеины и металлоферменты во многом идентичны.

Около 40% всех ферментов используют металлы для катализа, поэтому их белок связывает металл. И с помощью этих металлсвязывающих белков и металлоферментов можно научить ML-модель отличать ферментативные сайты (щель на поверхности белковой цепи, где связываются субстраты) от аналогичных, но неферментативных.

Ученые смогли найти тысячи уникальных активных и неактивных участков связывания металлов, а затем обучили модель MAHOMES различать их. Для этого она исследует щель в белковой цепи и предсказывает, может ли она вступить в реакцию. Так, изучая физико-химические особенности, MAHOMES достиг точности 92,2% и запоминаемости 90,1% в процессе обнаружения различий активных и неактивных участков.

Зачем это нужно? Подход, примененный командой Канзасского университета, поможет изменить синтез веществ: появятся, например, более дешевые промышленные товары и лекарства, производимые с меньшим влиянием на окружающую среду.

Ученые из Иллинойского университета в Урбане-Шампейне создали нейросеть, способную выделять ключевые участки генома растений и животных. Она может прогнозировать фенотипические результаты на основе данных об экспрессии генов и совершать функциональную проверку генов с предсказательной силой.

Как это работает? Исследователи использовали фенотипическое разнообразие в эффективности использования азота и эволюционно законсервированные ответы транскриптомов на обработку азотом у образцов резушки (семейство капустных) и кукурузы.

Такое использование эволюционно законсервированных генов, чувствительных к азоту, — биологически принципиальный подход к уменьшению размерности признаков в машинном обучении. Он позволил ученым улучшить предсказательную силу разработанных моделей «от гена к признаку».

Более того, применение этой модели к другим видам, даже к мышам, демонстрирует его возможности для выявления генов, влияющих на физиологические или клинические особенности. А это очень пригодится в биологии, сельском хозяйстве и медицине.

Зачем это нужно? Возможность использовать геномные данные для прогнозирования поведения организма в ответ на изменения в питании, токсинах и воздействии патогенов может помочь в улучшении сельскохозяйственных культур и предсказании болезней.

Другими словами, ИИ предскажет, например, какие сорта кукурузы будут активнее реагировать на удобрения. Что, в свою очередь, поможет агропромышленникам снизить расходы на выращивание и уменьшить выбросы парниковых газов.

• Как построить цифровую нефтяную компанию? CDTO «Газпром нефти» Андрей Белевцев рассказывает о коммерциализации технологий и цифровизации нефтяного бизнеса, в том числе благодаря применению ИИ.
• Если попросить человека взять ложку кофе или сложить ткань пополам, он сделает это интуитивно, без дополнительных знаний о кофе или ткани. Но как наделить роботов такой же способностью эффективно обрабатывать абстрактные семантические концепции? Так поступили исследователи из Вашингтона, что вышло в итоге — читайте в эксперименте CLIPORT: What and Where Pathways for Robotic Manipulation.
  
• Команда «ВКонтакте» рассказала, как работает их распознавание речи в соцсети: какие модели они используют, на каких данных обучают и какие оптимизации применяют.
  
• А исследователи из Facebook рассказывают о первой языковой модели, которая способна генерировать речь, обучаясь на необработанных аудиосигналах без меток или текста.
• Что бы такого еще почитать? Например, рассуждения издания VentureBeat о предвзятости компьютерного зрения в системах безопасности на рабочем месте с изрядным списком примеров.
  

• Google представила Supply Chain Twin — облачный инструмент для логистики и производства, который позволяет создавать цифрового двойника цепочки поставок. С помощью него можно будет получить более полное представление об операциях компании, помогая оптимизировать функции цепочки поставок от поиска и планирования до распределения и логистики.
• Исследователи Массачусетского технологического института работают над новым способом количественной оценки неопределенности молекулярной энергии с помощью нейросетей. Это первый случай, когда состязательные атаки используются для выборки молекулярной геометрии в PES.
  
• Hyundai Motor Group представила первый совместный с Boston Dynamics проект — роботов-охранников Factory Safety Service Robot. Их будут использовать для обнаружения рисков и обеспечения безопасности людей на промышленных объектах.
  
• Skoda и Технический университет Остравы VSB-TUO открывают ИИ-лабораторию AIM.Lab — «Лабораторию искусственного интеллекта в производстве».
  
• Sber AI и стартап CopyMonkey.ai представили сервис «AI-копирайтер» — он создан на основе ruGPT-3 и служит для создания уникальных описаний товаров для онлайн-магазинов и маркетплейсов.
  
• На учебно-тренировочном пожарном полигоне Калининской АЭС прошли испытания комплекса противопожарной защиты на базе ИИ.
  
• Австралийские промышленники разработали решение на основе расширенного машинного зрения для проверки важного промышленного оборудования, в том числе подводной нефтегазовой инфраструктуры.
  
• MEG Energy успешно развернула корпоративное ИИ-решение для максимального обнаружения и добычи нефти и газа.
  
• Исследователи из Израиля и Японии смогли обмануть системы распознавания лиц в общественных местах, используя маскировочный макияж, незаметный для окружающих.
  

• Розничная сеть «Магнит» тестирует нейросеть, которая распознает товары на прилавках.
• «Утконос» и ИТ-компания Rubbles запускают рекомендательную ИИ-систему — она функционирует на сайте и в приложении компании.
  

Краткое содержание книги от нейросети? Почему бы и да! OpenAI представила алгоритм на основе GPT-3 для генерации выжимок из книг. Он сочетает обучение с подкреплением на основе отзывов людей и рекурсивную декомпозицию задач.

Система разбивает сложную задачу на несколько более простых: в случае с книгами алгоритм анализирует небольшие части книги, а затем создает из полученных данных еще более краткое изложение.

Посмотреть, как это работает, и почитать свежеполученные краткие содержания известных и не очень книг, можно здесь.

Если понравилось или не понравилось, пишите в комментариях. Ведь без обратной связи робота не переобучить. Самые свежие новости про ИИ и не только в нашем Telegram-канале. Всем ИИ!

#red_mad_robot #rdl #робохроники #промышленность #медтех #ии