Ora i ricercatori stanno presentando linee guida su come la materia attiva, come cellule e microrganismi, possono essere studiati al meglio utilizzando tecniche di apprendimento automatico. Le linee guida possono aiutare gli altri a navigare nel nuovo campo, che può migliorare significativamente la ricerca in materia attiva.

L'apprendimento automatico si è dimostrato molto utile per lo studio della materia attiva, un termine collettivo che si riferisce a cose come cellule e microrganismi. Il campo è abbastanza nuovo e in rapida crescita. Nel tentativo di ispirare più ricercatori a provare i metodi, un gruppo di scienziati ha pubblicato un articolo in una prestigiosa pubblicazione Intelligenza della macchina della natura rivedere ciò che è stato realizzato finora e ciò che ci aspetta.

"Diamo uno schema di come il campo dovrebbe evolversi in futuro, sia opportunità che sfide. Ci sono sempre sfide associate all'intelligenza artificiale e all'apprendimento automatico. Essenzialmente, abbiamo creato una serie di linee guida che potrebbero far risparmiare tempo alle persone, e possibile impedire loro di fare cose sbagliate nel loro processo, "dice Giovanni Volpe, docente presso il Dipartimento di Fisica, Università di Göteborg.

Queste linee guida per l'utilizzo dell'apprendimento automatico sulla materia attiva presentate sono abbastanza pratiche. Per i principianti, i ricercatori suggeriscono che tutti i dati utilizzati dovrebbero essere pre-elaborati, e che si dovrebbe stare molto attenti quando si applica un modello di apprendimento automatico al di fuori dell'intervallo su cui è stato addestrato.

"Finalmente, è importante utilizzare modelli basati sulla fisica. Questo potrebbe significare, Per esempio, che dovresti cercare di far risparmiare energia al tuo modello, "dice Giovanni Volpe.

Quando si tratta dei vantaggi dell'utilizzo dell'apprendimento automatico per studiare la materia attiva, il gruppo ha individuato una serie di vantaggi. Uno è che quando si lavora con la materia attiva è possibile acquisire dati di ottima qualità a grandi quantità, che puoi usare per addestrare il modello di machine learning e capire come funziona il modello. Un altro vantaggio è che puoi seguire le dinamiche di un sistema su molte lunghezze e scale temporali.

"Puoi seguire una particella per scale temporali da microsecondi fino a giorni. Ciò significa che puoi collegare la dinamica microscopica a risultati su larga scala. Pensiamo che questo possa essere utile per creare modelli in grado di dedurre proprietà a lungo termine da qualcosa di molto piccolo , o vice versa. Non puoi farlo in altri sistemi, come sistemi economici, "dice Giovanni Volpe.