Анализируем корни растений вместе с ИИ

Корни для растений - это не просто их часть, это один из важнейших кусочков пазла, дающего живым существам доступ к воде и пище. В общем, обязательная деталь организма.

А для людей корни растений важны развитием гидропонного направления (т.е. питания растений в условиях отсутствия нормальной почвы), что позитивно скажется на росте растений, следовательно, на количестве пищи для человечества.

Так что, очевидно, что исследователи из Национальной лаборатории имени Лоуренса в Беркли (а именно - из отделов Прикладной Математики и Вычислительных Исследований, а также Экологической Геномики и Системной Биологии), целились именно в улучшение урожайности и созданию культур, менее восприимчивых к окружающему климату.

Продвигаться они решили с помощью Искусственного Интеллекта. Пока традиционные методы сложны, запутаны (как и корни растений местами), и в них легче допустить ошибку (ведь всё вычисляет человек, а не машина), проблемы машин лишь в их настройке и ошибке на этом этапе. Но при правильных установках, ИИ больше ничего не потребуется, чтобы дальше автономно собирать и анализировать информацию.

RhizoNet использует современный подход глубокого обучения, позволяющий исследователям с точностью отслеживать рост корней и их биомассу. Он разделяет (сегментирует) корни семантически (по их смыслу) для всесторонней оценки биомассы. Возможно, скоро у нас действительно будут целиком автономные лаборатории по изучению и сбору материала. Ведь даже сейчас он анализирует тысячи изображений, для чего человеку потребовалось бы больше времени и усидчивости, а также памяти.

Но если теперь мы так быстро можем изучать растения, как же это делалось раньше? Неужели человечество словно игралось в песочнице до этого момента уже приближающейся точки сингулярности?

Ну, в целом, да. Использовались плоские сканеры и методы ручной сегментации. Тепловой аспект также мешал - капли, пузырьки, отражения и тени, всё это шакалило изображение. Не стоит забывать, что на фотографиях также присутствуют и шумы, а человек - не машина, глаза и мозг не могут работать идеально (а RhizoNet может и удаляет шумы). И чем меньше объект, тем больше была возможность ошибиться.

Также в исследовании (источник внутри источника, зря, что ли, ссылки оставляют?) рассказывается, как RhizoNet использовался для изучения корней Трахинии двуколосковой (маленькая небольшая трава), и того, как они менялись в условиях лишения питательных веществ на протяжении пяти недель. Изображения делались каждые 3-7 дней и дали учёным множество общей информации, которую человек с трудом бы смог высчитать.

В качестве примера, RhizoNet - это как Экселевская таблица, где есть формула подсчёта суммы вместо ручного счёта в голове. Только цифры он тоже сам находит и подставляет.

Источник: vk.com

Комментарии: