深度科学：阿尔茨海默氏症筛查、森林测绘无人机、太空机器学习等

本周，一家使用无人机绘制森林地图的初创公司，看看机器学习如何绘制社交媒体网络地图，预测阿尔茨海默氏症，改善天基传感器的计算机视觉，以及其他有关最近技术进步的新闻。

机器学习工具正被用来在许多方面帮助诊断，因为它们对人类难以检测的模式很敏感。IBM的研究人员潜在地在讲话中发现了这样的模式，可以预测说话者会患上阿尔茨海默氏症。

在临床环境中，该系统只需要几分钟的普通语音。研究小组使用了1948年的大量数据(弗雷明翰心脏研究)，可以识别出后来患上阿尔茨海默氏症的人的言语模式。对于那些掌握更多统计信息的人来说，准确率约为71%，即曲线下0.74个区域。这还远不是一件确定的事情，但目前的基本测试在提前这么远的时间预测疾病方面几乎不比抛硬币更好。

这一点非常重要，因为越早发现阿尔茨海默氏症，就越能更好地管理它。目前还没有治愈的方法，但有一些有希望的治疗方法和做法可以延缓或缓解最严重的症状。像这样对井人的非侵入性、快速测试可能是一种强大的新筛查工具，当然，也是这一技术领域的有用之处的极好例证。

(别指望能找到确切的症状或诸如此类的东西--一系列的语音特征并不是你在日常生活中能真正注意到的。)。

确保您的深度学习网络概括到其训练环境之外的数据，这是任何严肃的ML研究的关键部分。但很少有人尝试在完全陌生的数据上建立一个模型。也许他们应该这么做！

瑞典乌普萨拉大学(Uppsala University)的研究人员采用了一种用于识别社交媒体中的群体和联系的模型，并将其(当然不是未经修改的)应用于组织扫描。这些组织经过处理后，最终的图像产生了数千个代表mRNA的小点。

正常情况下，需要手动识别和标记代表组织类型和区域的不同细胞组。但是，图形神经网络是为了根据虚拟空间中的共同兴趣等相似性来识别社会群体而创建的，它证明了它可以在细胞上执行类似的任务。(请参见上图。)

“我们正在使用最新的人工智能方法-具体地说，就是为分析社会网络而开发的图形神经网络-并对它们进行调整，以了解组织样本中的生物模式和连续变化。Uppsala的Carolina Wählby说：“这些细胞可以与可以根据他们在社交网络中分享的活动来定义的社会群体相媲美。”

这不仅是神经网络灵活性的有趣例证，也是结构和体系结构如何在所有规模和所有上下文中重复的有趣例证。如果你愿意，就像在外面，也在里面。

我们国家公园和木材农场的广袤森林里有数不清的树，但你不能在文书上写上“数不清”。必须有人对不同地区的生长情况、树木的密度和类型、疾病或野火的范围等做出实际估计。这个过程只有部分自动化，因为航空摄影和扫描只能揭示这么多，而地面观察是详细的，但极其缓慢和有限。

Treeswift的目标是走一条中间道路，为无人机配备导航和准确测量森林所需的传感器。通过比行走的人快得多的飞行速度，他们可以数树，观察问题，通常还可以收集大量有用的数据。该公司仍处于非常早期的阶段，已经从宾夕法尼亚大学剥离出来，并从NSF获得了SBIR拨款。

Treeswift的联合创始人兼首席执行官、宾夕法尼亚大学工程学院(Penn Engineering)计算机与信息科学(CIS)博士生史蒂文·陈(Steven Chen)在宾夕法尼亚大学的一篇新闻报道中表示：“公司越来越多地将目光投向森林资源，以应对气候变化，但你没有足够的人才来满足这一需求。”“我想帮助每一位林农更高效地做他们该做的事。这些机器人不会取代人类的工作。相反，他们正在为那些有洞察力和激情管理我们的森林的人提供新的工具。“。

无人机进行许多有趣动作的另一个区域是水下。远洋自动潜水器正在帮助绘制海底地图，追踪冰架，并跟踪鲸鱼。但它们都有一个致命弱点，那就是它们需要定期被捡起来，充电，并检索它们的数据。

普渡大学工程学教授尼娜·马哈茂迪安创造了一种对接系统，通过该系统，潜水器可以方便地自动连接以进行电力和数据交换。

这艘飞船需要一个特殊的鼻锥，它可以找到并插入建立安全连接的空间站。空间站可以是一艘自主船艇本身，也可以是某个地方的永久性特征-重要的是，较小的船艇可以在继续前进之前停下来充电和汇报情况。如果它丢失了(海上真正的危险)，它的数据不会随之丢失。

无人机可能很快也会成为城市生活的固定设备，尽管我们可能距离一些人似乎认为即将到来的自动私人直升机还有一些距离。但是，生活在无人机高速公路下意味着持续不断的噪音-所以人们总是在寻找减少湍流和机翼和螺旋桨产生的声音的方法。

阿卜杜拉国王科技大学(King Abdullah University Of Science And Technology)的研究人员发现了一种新的、更有效的方法来模拟这些情况下的气流；流体动力学本质上和你做的一样复杂，所以诀窍是将你的计算能力应用到问题的正确部分。他们能够以高分辨率只渲染理论飞机表面附近的流动，发现超过一定距离后，几乎没有什么意义知道到底发生了什么。对现实模型的改进并不总是需要在各个方面都更好-毕竟，结果才是最重要的。

计算机视觉算法已经取得了长足的进步，随着效率的提高，它们正开始部署在边缘，而不是数据中心。事实上，手机和物联网设备等携带相机的物体在图像上进行一些本地ML工作已经变得相当常见。但在太空中则是另一回事。

直到最近，在太空中执行ML工作在电力方面还是太昂贵了，甚至不能考虑。这是一种可以用来捕捉另一张图像、将数据传输到地表等的能力。HyperScout 2正在探索ML在太空工作的可能性，它的卫星已经开始立即将计算机视觉技术应用到它收集的图像上，然后再将它们发送到地面。(“这里是云-这里是葡萄牙-这里是火山…”)。

目前几乎没有什么实际好处，但是对象检测可以很容易地与其他功能相结合，以创建新的用例，从在没有感兴趣的对象时节省能源，到将元数据传递给其他工具，这些工具在知情的情况下可能工作得更好。

机器学习模型非常擅长进行有根据的猜测，在积压了大量未排序或文档不足的数据的学科中，让人工智能进行第一次通过可能非常有用，这样研究生就可以更有效地利用时间。国会图书馆正在用旧报纸做这件事，现在卡内基梅隆大学的图书馆也开始融入到这一精神中来。

CMU拥有百万件物品的照片档案正在数字化的过程中，但为了使其对历史学家和好奇的浏览器有用，需要对其进行组织和标记-因此，正在使用计算机视觉算法对类似图像进行分组，识别物体和位置，以及执行其他有价值的基本编目任务。

CMU的马特·林肯(Matt Lincoln)说：“即使是一个部分成功的项目也会极大地改善收藏元数据，如果档案被资助将整个收藏品数字化，那么它可能会为元数据的生成提供一个可能的解决方案。”

巴西伯南布哥理工大学(Escola Politécnica da University de伯南布哥)的一名学生做了一个非常不同的项目，但似乎有某种联系。他有一个聪明的想法，试图用机器学习来美化一些旧地图。

他们使用的工具采用了旧的线条画地图，并试图使用一个生成性的对抗性网络在这些地图的基础上创建一种卫星图像；甘斯本质上是试图欺骗自己创造出他们无法从真实事物中区分出来的内容。

嗯，结果可能不是你所说的完全令人信服，但它仍然是有希望的。这类地图很少是准确的，但这并不意味着它们是完全抽象的-在现代地图技术的背景下重建它们是一个有趣的想法，可能会帮助这些地点看起来不那么遥远。