Nu presenterar forskare riktlinjer för hur aktivt material, såsom celler och mikroorganismer, kan bäst studeras med hjälp av maskininlärningstekniker. Riktlinjerna kan hjälpa andra att navigera i det nya fältet, som avsevärt kan förbättra forskningen inom aktivt material.

Maskininlärning har visat sig vara mycket användbart för studier av aktivt material, ett samlingsbegrepp som hänvisar till saker som celler och mikroorganismer. Fältet är ganska nytt och växer snabbt. I ett försök att inspirera fler forskare att testa metoderna har en grupp forskare publicerat en uppsats i prestigefylld publikation Nature Machine Intelligence granska vad som åstadkommits hittills - och vad som väntar.

"Vi ger en översikt över hur fältet ska utvecklas i framtiden, både möjligheter och utmaningar. Det finns alltid utmaningar i samband med AI och maskininlärning. Väsentligen, vi har skapat en uppsättning riktlinjer som kan spara människor lite tid, och möjligt hindra dem från att göra saker fel i sin process, "säger Giovanni Volpe, universitetslektor vid Institutionen för fysik, Göteborgs universitet.

Dessa riktlinjer för att använda maskininlärning om aktiva ämnen som presenteras är ganska praktiska. Till att börja, forskarna föreslår att all data som används bör förbehandlas, och att man bör vara mycket försiktig när man tillämpar en maskininlärningsmodell utanför det område som den utbildades på.

"Till sist, Det är viktigt att använda fysikinformerade modeller. Det kan betyda, till exempel, att du ska försöka få din modell att spara energi, säger Giovanni Volpe.

När det gäller fördelarna med att använda maskininlärning för att studera aktiv materia, gruppen har identifierat ett antal fördelar. Det ena är att när du arbetar med aktivt material kan du få mycket god kvalitetsdata i stora mängder, som du kan använda för att träna maskininlärningsmodellen och förstå hur modellen fungerar. En annan fördel är att du kan följa dynamiken i ett system över många längder och tidsskalor.

"Du kan följa en partikel för tidsskalor från mikrosekunder upp till dagar. Detta innebär att du kan ansluta mikroskopisk dynamik till storskaliga resultat. Vi tror att detta kan vara användbart för att skapa modeller som kan utläsa långsiktiga egenskaper från något väldigt litet , eller tvärtom. Du kan inte göra detta i andra system, som ekonomiska system, säger Giovanni Volpe.