Maskininlärning har slagit in på scenen under de senaste två decennierna och kommer att bli en avgörande teknik för framtiden. Det förändrar stora samhällssektorer, inklusive sjukvård, utbildning, transporter och livsmedels- och industriproduktion, och har en enorm inverkan på vetenskap och forskning.

En delmängd av artificiell intelligens, maskininlärning är en process som hjälper datorer att lära sig utan direkt instruktion och av erfarenhet. Den gör detta genom att använda algoritmer för att identifiera mönster i data, som sedan används för att skapa modeller som kan göra förutsägelser. Och data är nyckeln. Maskininlärning, och den ökande tillgängligheten av stora mängder data, lovar att revolutionera kunskapsproduktionen. Faktum är att dagens exponentiella och goda cykel av tillväxt inom djupinlärning, bland andra teknologier, har jämförts med den kambriska explosionen för en halv miljard år sedan när livet på jorden upplevde en kort period av mycket snabb diversifiering.

Professor James Larus, dekanus vid EPFL:s School of Computer and Communications Sciences (IC), håller med om att maskininlärning och AI kommer att ha en djupgående inverkan på hur vi lever och vi har ännu inte sett någonstans i närheten av dess fulla potential.

"För mig är maskininlärning ett mycket kraftfullt verktyg som fortfarande är mycket i sin linda och det är fortfarande något av en "mörk konst". Vi undervisar klasser i maskininlärning, den underliggande matematiken bakom det och kan ge eleverna exempel om hur det har tillämpats tidigare, men vi kan inte ge dem principer eftersom vi bokstavligen inte ens vet varför det fungerar så bra som det gör."

EPFL:s Lenka Zdeborová arbetar med denna grundläggande fråga. Docent i fysik, datavetenskap och kommunikationssystem i Statistical Physics of Computation Laboratory—en del av School of Basic Sciences (BS) och IC—hon brinner för att föra fram teorin om vad som är beräkningsbart och vad som är möjligt med maskininlärning och artificiell intelligens .

"Inom vetenskaper vill vi förstå de objekt vi studerar bättre, målet är inte fast. Vi måste komma med målet så att maskininlärningssystemet är användbart i den vetenskapliga strävan och titta på rollen som maskininlärning spelar i förändrar den mycket vetenskapliga metoden. Det är ett fascinerande område som har vuxit fram när maskininlärning har blivit mycket framgångsrik under det senaste decenniet."

Med kollegor från fysik, kemi, ingenjörsvetenskap och biovetenskap har Zdeborová precis lanserat en ny doktorandkursföreläsningsserie om vetenskaplig maskininlärning som kommer att utforska det senaste arbetet som utförs vid EPFL och globalt.

Ett annat EPFL-initiativ – Machine Learning 4 Science-projektkomponenten i maskininlärningskursen för IC-professorerna Martin Jaggi och Nicolas Flammarion – bygger samarbeten över campus, och matchar vetenskapsprojekt från laboratorier inom alla discipliner med studenter som kommer att tillföra sin maskininlärningsexpertis till nya fält. Mellan 2018 och 2020 deltog mer än 600 studenter i projekt som föreslagits av 77 laboratorier över hela EPFL, och även utanför institutioner inklusive CERN.

"Det är den största masterkursen på campus och studenter inom alla discipliner vill lära sig det här verktyget eftersom de vet att det kommer att vara användbart för deras framtida karriärer. De kan gå till vilket labb på campus som helst och göra ett praktiskt projekt, tillsammans i en tvärvetenskapligt sätt. Det är en riktig win-win och jag tycker att det är rättvist att säga att båda sidor känner att de drar nytta av strukturen, säger Jaggi.

Ett av projekten i den förra omgången med sitt ursprung i Cathrin Briskens labb på Skolan för biovetenskap (SV) gällde en maskininlärningsalgoritm för att särskilja musceller från mänskliga, särskilt användbar för cancerforskning. Onkologer studerar vanligtvis tumörer genom att ympa mänskliga celler på möss, men då är problemet att skilja de två typerna av celler isär. Det innebär vanligtvis flera omgångar av fluorescensfärgning och analys av många vävnadsprover innan man hittar de mänskliga cellerna. Emellertid, IC-student, Quentin Juppets program förenklar allt detta genom att automatisera cellklassificeringsprocessen. Det är så lovande att han gjorde det till en magisteruppsats med resultaten som nyligen publicerades i Journal of Mammary Gland Biology and Neoplasia .

En annan, som också har sitt ursprung i School of Life Sciences, involverade att använda maskininlärning för att kategorisera mutanta fenotyper från bilder av zebrafiskembryon. Professor Andrew Oates är dekanus för skolan och chef för Timing, Oscillations, Pattern Laboratory. "Mitt labb har deltagit två gånger och varje gång har vi engagerat oss med en riktigt speciell grupp studenter som har visat initiativ och kreativitet när det gäller att ta itu med ett verkligt vetenskapligt problem i labbet med hjälp av maskininlärning. Så vitt jag vet är detta projekt det första i embryologiområdet med implikationer för den mer effektiva användningen av zebrafisk som ett system för att modellera mänskliga genetiska sjukdomar. Vi skulle inte ha försökt detta arbete om vi inte hade chansen att gå med i Machine Learning 4 Science-programmet", säger han .

Annat arbete tittade på en otroligt mångsidig uppsättning forskningsfrågor:att förutsäga svårighetsgraden av stroke med hjälp av pacman-speldata; automatisk detektering av tillgängligt område för takinstallationer av solpaneler; lavinprognoser; musik bortom dur och moll; och förbättra mätningarna av sötvattenkvaliteten.

För James Larus är framtiden här och den kommer bara att bli mer fantastisk, "För närvarande är maskininlärning baserad på en modell som utvecklades på 1940-talet av hur hjärnan fungerar, och den var inte ens korrekt vid den tiden. Nu utforskar vi hjärninspirerad maskininlärning, vägledd av den senaste neurovetenskapen, för att utveckla mer sofistikerade och effektiva modeller och bygga nästa generations artificiell intelligenssystem. Så jag är verkligen hoppfull att det kommer att bli en lång period av framsteg inom maskininlärning och en enorm expansion i framgångsrika ansökningar. Det kommer att förändra vetenskapen för alltid."