هوش مصنوعی مولد (AI) ممکن است بیشتر از طریق برنامه‌های ایجاد متن یا تصویر مانند ChatGPT یا Stable Diffusion شناخته شود. اما سودمندی آن فراتر از آن در زمینه های مختلف علمی هر روز بیشتر نشان داده می شود که یکی از این موارد شگفت انگیز،تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی است.

محققان مرکز درک سیستم های پیشرفته (CASUS) در Helmholtz-Zentrum Dresden-Rossendorf (HZDR) در کار اخیر خود که در سرور preprint arXiv ارسال شده و قرار است در کنفرانس بین المللی آتی در بازنمایی های یادگیری (ICLR) ارائه شود. با همکاری همکاران کالج لندن یک الگوریتم منبع باز جدید به نام مدل انتشار متغیر شرطی (CVDM) ارائه کرده اند.

این مدل بر اساس هوش مصنوعی مولد، کیفیت تصاویر را با بازسازی تصادفی آنها بهبود می بخشد که همان تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی را شامل می شود. علاوه بر این، CVDM از نظر محاسباتی ارزان‌تر از مدل‌های انتشار رایج است و می‌توان آن را به راحتی برای برنامه‌های مختلف تطبیق داد.

با ظهور کلان داده ها و روش های جدید ریاضی و علوم داده، هدف محققان کشف پدیده های غیرقابل توضیح در زیست شناسی، پزشکی یا علوم محیطی با استفاده از رویکردهای معکوس مسئله است. مشکلات معکوس با بازیابی عوامل علّی که منجر به مشاهدات خاص می شود، سروکار دارند. در تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی شما یک نسخه خاکستری از یک تصویر دارید و می خواهید رنگ ها را بازیابی کنید. معمولاً چندین راه حل معتبر در اینجا وجود دارد، به عنوان مثال، آبی روشن و قرمز روشن در تصویر خاکستری یکسان به نظر می رسند. بنابراین راه حل این مشکل معکوس می تواند تصویری با رنگ آبی روشن یا تصویری با زمینه قرمز روشن باشد.

تجزیه و تحلیل تصاویر میکروسکوپی نیز می تواند یک مشکل معکوس معمولی باشد. گابریل دلا ماگیورا، Ph.D. می گوید: “شما یک مشاهده دارید: تصویر میکروسکوپی خود. با اعمال برخی از محاسبات، می توانید در مورد نمونه خود بیشتر از آنچه در ابتدا به چشم می آید، از تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی بیاموزید.” دانشجوی CASUS و نویسنده اصلی مقاله ICLR.

نتایج می تواند تصاویری با وضوح بالاتر یا کیفیت بهتر باشد. با این حال، مسیر مشاهدات، به عنوان مثال، تصاویر میکروسکوپی، “ابر تصاویر” معمولا واضح نیست. علاوه بر این، داده های مشاهده ای اغلب پر سر و صدا، ناقص یا نامطمئن هستند. همه اینها به پیچیدگی حل مسائل معکوس می افزاید و آنها را به چالش های ریاضی هیجان انگیز تبدیل می کند.

تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی بیشتر بخوانید: کارت گرافیک دوگانه اینتل Arc B580؛ قدرتی نو در راه است؟

قدرت تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی مانند سورا

یکی از ابزارهای قدرتمند برای مقابله با مشکلات معکوس، هوش مصنوعی مولد است. مدل‌های هوش مصنوعی مولد به طور کلی توزیع زیربنایی داده‌ها را در مجموعه داده‌های آموزشی مشخص می‌آموزند. یک مثال معمولی تولید تصویر است. پس از مرحله آموزش، مدل‌های هوش مصنوعی تولیدی تصاویر کاملاً جدیدی تولید می‌کنند که با داده‌های آموزشی مطابقت دارند.

در میان انواع مختلف هوش مصنوعی مولد، مدل خاصی به نام مدل‌های انتشار اخیراً در بین محققان محبوبیت پیدا کرده است. با مدل‌های انتشار، یک فرآیند تولید داده تکراری از نویز اولیه شروع می‌شود، مفهومی که در نظریه اطلاعات برای تقلید از تأثیر بسیاری از فرآیندهای تصادفی که در طبیعت رخ می‌دهند، استفاده می‌شود.

در رابطه با تولید تصویر در تقویت وضوح فوق العاده میکروسکوپ با هوش مصنوعی مدل‌های انتشار آموخته‌اند که کدام آرایش پیکسل در تصاویر مجموعه داده آموزشی رایج و غیرمعمول است. آنها تصویر مورد نظر جدید را ذره ذره تولید می کنند تا زمانی که آرایش پیکسلی با ساختار زیربنایی داده های آموزشی مطابقت داشته باشد.

یک مثال خوب برای قدرت مدل‌های انتشار، مدل سورا (Sora) شرکت نرم‌افزاری OpenAI است. یک مؤلفه انتشار پیاده‌سازی شده به Sora توانایی تولید ویدیوهایی را می‌دهد که واقعی‌تر از هر چیزی که مدل‌های هوش مصنوعی قبلا ایجاد کرده‌اند، به نظر می‌رسند.

تالیف:
فروشگاه اینترنتی آ.اس.پ (اقتباس از مقاله‌ای از Techxplore)
در صورت استفاده از این مقاله، نام و آدرس فروشگاه اینترنتی آ.اس.پ را به عنوان منبع ذکر کنید.