Maskininlärning har visat sig vara mycket användbart för att studera aktiv materia som celler och mikroorganismer. Fältet är ganska nytt och växer snabbt.

För att inspirera fler att pröva metoderna har en grupp forskare, från Göteborg och Leipzig, nu publicerat en artikel i den ansedda vetenskapliga tidskriften Nature Machine Intelligence. Artikeln kartlägger vad som har åstadkommits hittills inom fältet och vad som väntar framöver.

Gruppen har identifierat ett antal fördelar med att använda maskininlärning för att studera aktiv materia. En är att det är enkelt att generera stora mängder data av mycket god kvalitet, som kan användas för att träna maskininlärningsmodellen och förstå hur modellen fungerar. En annan är att det går att följa dynamiken i ett system över många olika längd- och tidsskalor.

– Du kan följa en partikel under allt från en mikrosekund upp till under flera dagar. Det betyder att du kan knyta mikroskopisk dynamik till storskaliga resultat. Vi tror att det kan vara användbart för att skapa modeller som kan utläsa långsiktiga egenskaper från något mycket litet, eller vice versa. Det kan man inte göra i andra sammanhang, som till exempel ekonomiska system, säger Giovanni Volpe, universitetslektor vid institutionen för fysik, Göteborgs universitet..

De riktlinjer som forskargruppen presenterar är till stor del praktiska. Forskarna föreslår att all data som används bör förbehandlas, och uppmanar till försiktighet när en maskininlärningsmodell används utanför det dataområde som den tränades på.

– Vi ger en översikt över hur fältet ska utvecklas i framtiden, och redogör för både möjligheter och utmaningar. Det finns alltid utmaningar inom AI och maskininlärning. I grund och botten har vi skapat riktlinjer som kan spara tid för forskare och möjligen förhindra dem från att göra saker fel i sin process. Slutligen är det viktigt att använda modeller som beaktar den fysiska världen. Det kan till exempel innebära att du bör försöka få din modell att spara energi, säger Giovanni Volpe.