Agora os pesquisadores estão apresentando diretrizes sobre como a matéria ativa, como células e microrganismos, pode ser melhor estudado usando técnicas de aprendizado de máquina. As diretrizes podem ajudar outras pessoas a navegar no novo campo, que pode melhorar significativamente a pesquisa em matéria ativa.

O aprendizado de máquina tem se mostrado muito útil para o estudo da matéria ativa, um termo coletivo que se refere a coisas como células e microorganismos. O campo é bastante novo e está crescendo rapidamente. Na tentativa de inspirar mais pesquisadores a experimentarem os métodos, um grupo de cientistas publicou um artigo em publicação de prestígio Nature Machine Intelligence revisando o que foi realizado até agora - e o que está por vir.

"Damos um esboço de como o campo deve evoluir no futuro, oportunidades e desafios. Sempre há desafios associados à IA e ao aprendizado de máquina. Essencialmente, criamos um conjunto de diretrizes que podem poupar tempo às pessoas, e possível impedi-los de fazer coisas erradas em seu processo, "diz Giovanni Volpe, conferencista sênior do Departamento de Física, Universidade de Gotemburgo.

Essas diretrizes para a utilização de aprendizado de máquina em matéria ativa apresentadas são bastante práticas. Para iniciantes, os pesquisadores sugerem que todos os dados usados ​​devem ser pré-processados, e que deve-se ter muito cuidado ao aplicar um modelo de aprendizado de máquina fora do intervalo em que foi treinado.

"Finalmente, é importante usar modelos baseados na física. Isso pode significar, por exemplo, que você deve tentar fazer seu modelo economizar energia, "diz Giovanni Volpe.

Quando se trata dos benefícios de usar o aprendizado de máquina para estudar a matéria ativa, o grupo identificou uma série de vantagens. Uma é que, ao trabalhar com matéria ativa, você pode adquirir dados de muito boa qualidade em grandes quantidades, que você pode usar para treinar o modelo de aprendizado de máquina e entender como o modelo funciona. Outra vantagem é que você pode acompanhar a dinâmica de um sistema em vários comprimentos e escalas de tempo.

"Você pode seguir uma partícula em escalas de tempo de microssegundos a dias. Isso significa que você pode conectar a dinâmica microscópica a resultados em grande escala. Achamos que isso pode ser útil para criar modelos que podem inferir propriedades de longo prazo de algo muito pequeno , ou vice-versa. Você não pode fazer isso em outros sistemas, como sistemas econômicos, "diz Giovanni Volpe.