“鹰眼机器学习算法优于人类专家”

人工智能现在很聪明，所以硅的大脑经常超过人们。

电脑正在学习操作自动驾驶车，从脸书上的照片中选择朋友的脸，同时一般承担委托人类专家的工作。

威斯康星大学麦迪逊分校和橡树岭国家实验室的研究人员训练了计算机，以便迅速一致地检测和拆除反应堆中考虑的材料的微观辐射损伤。 计算机在这个艰巨的任务中打败了人类。

机器学习具有很大的潜力，可以改变目前以人类为中心的显微镜图像分解方法，wei li表示，他今年从威斯康辛大学麦迪逊分校获得了材料科学与工程硕士学位。

材料科学中的许多问题都是基于图像的，但是很少有研究者有关于机器视觉的专业信息:图像的识别和分解成为了首要的研究瓶颈。 作为一个学生，li认识到他可以利用最新的计算技术训练来弥补人工智能和材料科学研究的差距。

李、橡树岭职工科学家凯文·菲尔德和威斯康星大学麦迪逊分校的材料科学与工程教授戴恩·摩根在分解潜在反应堆材料的破坏时，利用机器学习使人工智能优于经验丰富的人。 合作者在7月18日发表在npjcomputational materials期刊上的论文中说明了他们的做法。

机器学习采用统计方法，指导计算机在不接受任何人的确定指导的情况下改善其在任务中的表现。 本质上，机器学习是教计算机自学的。

将来，我相信来自多个乐器的图像会被机器学习算法初步分解，然后再被人类考虑。 李的研究生顾问摩根说。

研究人员将机器学习作为快速筛选暴露于放射线的材料的电镜图像的手段，明确特定类型的损伤是一项困难的任务。 因为这些照片可能类似月球表面的凹坑和飞散帆布。

对于这种安全核材料的开发绝对重要的员工，也许可以使耗时的过程更加高效、高效。

人的检测和认识容易出错，不一致，效率低下。 最重要的可能是没有扩展性，摩根说。 新的成像技术超出了我们分解能生成的数据的能力。

过去，图像求解算法依赖于人的程序员来提供对象识别特征的决策描述。 让电脑识别停车标志之类的简单东西，可能与描述红色八角形物体的代码行有关。

但是，更复杂的是，要弄清猫等所有可能发出信号的视觉线索。 模糊的耳朵？ 锋利的牙齿？ 威？ 每个生物都有同样的特征。

机器学习现在用的是完全不同的方法。

这是思想的真正变化。 你不制定规则。 摩根说。

当今用于图像分析的机器学习方法通常采用一种叫做神经互联网的程序，这些程序似乎模仿了人脑显著的分层模式识别能力。 为了教会神经互联网识别猫，科学家们通过提供各种猫品种的准确标记图像集合来训练程序。 神经互联网将从中继承，并为最重要的特征确立和完善自己的指导方针。

同样，morgan及其同事教授神经互联网，识别出一种非常特殊类型的辐射损伤，称为位错环。 这是最常见但具有挑战性的缺陷，对几十年经验的人来说也是如此。

利用270幅图像进行训练后，神经互联网结合另一种叫做级联对象检测器的机器学习算法，用一组测试图像正确识别和分类了约86%的位错环。 相比之下，人类专家发现了80%的缺陷。

我们得到最终结果的时候，所有人都很惊讶。 菲尔德说，这不仅取决于做法的准确性，还取决于速度。 我们现在可以像人类一样像家用电脑一样，用标准的一小部分时间检测这些循环了。

毕业后，李先生在谷歌工作，但研究正在进行。 morgan和field正在努力扩展训练数据集，教授一种新的神经互联网来识别不同类型的辐射缺陷。 最终，他们设想为世界各地的材料科学家创建巨大的基于云的资源，让图像进入并进行几乎即时的分解。

摩根说。 机器学习工具有助于建立互联网基础设施，可以用科学家刚开始了解的方法加以利用。