显微镜即你所需要的一切
无序系统与神经网络
2022-10-14 v1 机器学习
摘要
我们提出，显微镜为开发和部署主动贝叶斯与强化学习方法提供了理想的真实世界实验环境。事实上，过去十年中机器学习 (ML) 和人工智能取得的巨大进展，很大程度上是通过利用静态数据集实现的，从典型的 MNIST 到用于训练 GPT3、DALLE 等大型模型的定制文本和图像数据语料库。然而，现在人们认识到，对最先进水平的持续微小改进并不一定转化为真实世界应用的进展。我们认为，ML 方法的一个有前景的发展路径是通过电子和扫描探针显微镜及化学成像等领域特定可部署算法的途径。这将既有益于基础物理研究，也可作为机器人和制造等更复杂自主系统的试验台。扫描和电子显微镜的有利环境特征包括低风险、大量可用的领域特定先验与奖励、外生变量影响相对较小，以及通常同时存在上游第一性原理和下游可学习的静态与动态物理模型。可编程接口、边缘计算以及便于显微镜控制的 API 的最近发展，都使得在运行中的显微镜上部署 ML 代码变得简便。我们讨论了这些考量，并希望这些论点能通过加速真实世界 ML 应用和科学进展，为 ML 社区创建一套新颖的发展目标。
引用
@article{arxiv.2210.06526,
title = {Microscopy is All You Need},
author = {Sergei V. Kalinin and Rama Vasudevan and Yongtao Liu and Ayana Ghosh and Kevin Roccapriore and Maxim Ziatdinov},
journal= {arXiv preprint arXiv:2210.06526},
year = {2022}
}