Para enseñar a una neuronet a cumplir tal o cual tarea es fundamental, como explican los científicos, «alimentarla» con un lote masivo de ya resueltas. Estas muestras educativas suelen ser realizadas por personas, los llamados etiquetadores de datos. Se necesitan decenas de miles de fotos etiquetadas «para enseñar» a la red a analizar imágenes, lo que, dicen los investigadores, es bastante problemático para una serie de tareas científicas muy especializadas.
Uno de esos dominios es el análisis de datos sobre microscopía de nanopartículas, sin que hasta ahora haya existido ninguna herramienta conveniente. La investigación realizada por científicos de la Universidad Nacional de Investigación Nuclear MEPhI mostró que, en efecto, es posible «enseñar» a las neuronas a analizar imágenes de un microscopio electrónico de barrido (SEM) sin etiquetar las microfotografías reales a mano, sino generar imágenes que las imiten en una computadora.
«Un SEM, que se basa en un grupo de electrones en lugar de luz visible, se utiliza para estudiar nanopartículas, sintetizadas con fines médicos y otros. El análisis de las instantáneas SEM consiste en la detección de partículas y su distribución de acuerdo con su tamaño. Los enfoques de Neuronet están poco desarrollados en este ámbito, los métodos convencionales de procesamiento de imágenes no brindan la calidad necesaria ”, explicó Alexander Kharin, especialista del Instituto de Ingeniería Física para Biomedicina, MEPhI.
Ambos, el análisis de microfotografías y su etiquetado para redes neuronales, generalmente se realizan de forma manual: un científico rodea cada partícula y la mide. Puede haber varios miles de ellos en una instantánea. Las arquitecturas existentes de redes neuronales permiten analizar este tipo de imágenes, por lo que el problema es, según los científicos, la cantidad insuficiente de datos etiquetados.
Según los investigadores del MEPhI, se descubrió que es posible dibujar nanopartículas, teniendo en cuenta su textura en microfotografías reales, a partir de bases de datos de código abierto de fotografías realizadas con un microscopio electrónico de barrido. En este caso, se sabrá con certeza dónde se encuentran las partículas en cada imagen generada y qué tamaño tienen.
«Este enfoque se utilizó para resolver ciertas tareas, por ejemplo, para ‘enseñar’ automóviles no tripulados; sin embargo, resultó que no es tan fácil dibujar imágenes fotorrealistas y suficientemente variables. Sin embargo, si se aplica al SEM, tal El enfoque está totalmente justificado: una red neuronal ‘enseñada’ a través de imágenes dibujadas, también funciona de manera eficiente en instantáneas reales «, agregó Kharin.
Los resultados de la investigación permitirán automatizar el procesamiento de instantáneas con un SEM, habiendo provocado una revolución en los métodos estándar de búsqueda de nuevos materiales, creen los científicos. Esto ayudará no solo a reducir el tiempo de investigación, sino a aumentar la cantidad de partículas analizadas, de cientos a decenas de miles.
A lo largo de la investigación se utilizó una neuronet con la arquitectura RetinaNet. Más adelante, la comunidad científica utilizará el mismo enfoque para clasificar las nanopartículas en términos de su forma. También es un trabajo completamente manual hasta ahora.