Ahora los investigadores están presentando pautas sobre cómo la materia activa, como células y microorganismos, se puede estudiar mejor utilizando técnicas de aprendizaje automático. Las pautas pueden ayudar a otros a navegar por el nuevo campo, que puede mejorar significativamente la investigación en materia activa.

El aprendizaje automático ha demostrado ser muy útil para el estudio de la materia activa, un término colectivo que se refiere a cosas como células y microorganismos. El campo es bastante nuevo y está creciendo rápidamente. En un intento por inspirar a más investigadores a probar los métodos, un grupo de científicos ha publicado un artículo en una prestigiosa publicación. Inteligencia de la máquina de la naturaleza revisar lo que se ha logrado hasta ahora y lo que queda por delante.

"Damos un resumen de cómo debería evolucionar el campo en el futuro, tanto oportunidades como desafíos. Siempre hay desafíos asociados con la inteligencia artificial y el aprendizaje automático. Esencialmente, Creamos un conjunto de pautas que podrían ahorrarle tiempo a las personas, y posiblemente evitar que hagan las cosas mal en su proceso, "dice Giovanni Volpe, profesor titular del Departamento de Física, Universidad de Gotemburgo.

Estas pautas para utilizar el aprendizaje automático en materia activa presentadas son bastante prácticas. Para principiantes, los investigadores sugieren que todos los datos utilizados deben procesarse previamente, y que se debe tener mucho cuidado al aplicar un modelo de aprendizaje automático fuera del rango en el que fue entrenado.

"Finalmente, es importante utilizar modelos basados ​​en la física. Eso podría significar por ejemplo, que deberías intentar que tu modelo conserve energía, "dice Giovanni Volpe.

Cuando se trata de los beneficios de utilizar el aprendizaje automático para estudiar la materia activa, el grupo ha identificado una serie de ventajas. Una es que cuando se trabaja con materia activa se pueden adquirir datos de muy buena calidad en grandes cantidades, que puede usar para entrenar el modelo de aprendizaje automático y comprender cómo funciona. Otra ventaja es que puede seguir la dinámica de un sistema en muchas longitudes y escalas de tiempo.

"Puede seguir una partícula para escalas de tiempo desde microsegundos hasta días. Esto significa que puede conectar la dinámica microscópica con resultados a gran escala. Creemos que esto puede ser útil para crear modelos que puedan inferir propiedades a largo plazo de algo muy pequeño , o viceversa. No puedes hacer esto en otros sistemas, como sistemas económicos, "dice Giovanni Volpe.