به نقل از اینترستینگ اینجینرینگ، تجزیه و تحلیل میکروفسیل‌ها به دلایل مختلف همیشه یک کار دشوار بوده است. با این حال، مطالعه آنها بسیار مهم است، زیرا آنها به ترسیم ساختار‌های زیرسطحی کمک می‌کنند و بینش‌هایی را در مورد دوره‌های زمین شناسی گذشته ارائه می‌دهند.

اکنون، زمین‌شناسان زمان قابل توجهی را صرف شمارش دستی میکروفسیل‌های استخراج شده از سنگ‌های رسوبی در زیر بستر دریا می‌کنند تا اطلاعات دقیقی به دست آورند؛ اما به لطف پیشرفت‌های هوش مصنوعی (AI) راه حل جدیدی برای مقابله با این چالش پدیدار شده است. محققان از راه حل‌های هوش مصنوعی برای تجزیه و تحلیل میکروفسیل‌ها به طور مستقیم از تصاویر میکروسکوپ استفاده کرده اند.

همچنین باید متذکر شد که استفاده از بینایی کامپیوتری برای تجزیه و تحلیل میکروفسیل چالش‌های مهمی را به همراه دارد. حجم انبوه داده ها، با تخمین ۳ میلیارد فسیل فردی برای تجزیه و تحلیل، می‌تواند بسیار زیاد باشد. علاوه بر این، کمبود شدید داده‌های برچسب‌گذاری شده برای آموزش مدل‌های یادگیری ماشین، کار را پیچیده‌تر می‌کند.

تشخیص و تجزیه و تحلیل میکروفسیل‌ها با هوش مصنوعی

مطالعه‌ای که به تازگی در مجله هوش مصنوعی علوم زمین منتشر شده است، روشی پیشرفته برای تشخیص و تجزیه و تحلیل خودکار میکروفسیل‌ها معرفی کرده است. این گروه تحقیقاتی متشکل از اعضای گروه یادگیری ماشین در دانشگاه ترومسو (UiT) دانشگاه قطب شمال نروژ است.  

محققان برای این کار خط لوله‌ای برای استخراج اطلاعات فسیلی از تصاویر اسلاید میکروسکوپ ایجاد کرده اند. آنها دریافتند که تکنیک‌های یادگیری عمیق از روش‌های سنتی پردازش تصویر بهتر عمل می‌کنند.

علاوه بر این، مدل‌هایی که به طور خاص روی میکروفسیل‌ها آموزش داده شده‌اند، از مدل‌های پایه معیار پیشی گرفته اند.

یادگیری عمیق چالش‌های طبقه‌بندی تصاویر میکروفسیلی را برطرف می‌کنند

محققان خاطرنشان کردند که طبقه‌بندی یا گروه‌بندی تصاویر بر اساس محتوا با استفاده از الگوریتم‌های خودکار کار سختی است. حتی کار‌های به ظاهر ساده طبقه بندی تصاویر با موضوعات کاملاً مشخص می‌تواند چالش‌هایی ایجاد کند.

علاوه بر این، تصاویر اغلب حاوی اطلاعات اضافی ذخیره شده در پیکسل‌های اطراف شی مورد نظر هستند. در تمام این موارد، مدل‌های یادگیری عمیق بسیار مؤثر هستند.

روش‌های یادگیری عمیق در مدل سازی روابط پیچیده درون داده‌ها برتری دارند. برای دستیابی به نتایج دقیق، شبکه‌های عصبی کانولوشن (CNN) برای استخراج اطلاعات معنی دار از تصاویر طراحی شده‌اند.

محققان توضیح دادند: شبکه‌های عصبی کانولوشن در ۱۰ تا ۱۵ سال گذشته بسیار تکامل یافته‌اند، و تا همین اواخر در مدل‌سازی تصویر، پیشرفته‌ترین فناوری بودند.  

آنها توضیح دادند که علاوه بر شبکه‌های عصبی کانولوشن ها، ترانسفورماتور‌های بینایی (ViTs) که از مدل‌های زبان بزرگ الهام گرفته شده‌اند، به یک رقیب قوی برای طبقه بندی تصاویر تبدیل شده‌اند.

امروزه، شبکه‌های عصبی کانولوشن و ترانسفورماتور‌های بینایی معمولاً برای طبقه‌بندی تصاویر استفاده می‌شوند و هیچ برنده یا بهترین معماری مشخصی برای این کار وجود ندارد، بنابراین، آزمایش و مقایسه هر دو معماری استاندارد است، و این کاری است که ما در اینجا انجام می‌دهیم.»

شناسایی خودکار فسیل‌ها با هوش مصنوعی

یافته‌های این مطالعه نشان می‌دهد که امیدوارکننده‌ترین رویکرد برای تحقیقات بیشتر شامل دریافت آموزش‌های خود نظارتی است. محققان تاکید کردند که هوش مصنوعی به طور قابل توجهی به شناسایی خودکار فسیل‌ها کمک می‌کند.

آنها در کار خود از هوش مصنوعی برای شناسایی فسیل‌ها استفاده کردند و به نتایج مورد انتظار دست یافتند. با استفاده از روش‌های پیشرفته یادگیری عمیق، آنها توانستند ویژگی‌هایی را برای کار‌هایی مانند شناسایی، گروه‌بندی و شمارش ریزفسیل‌ها استخراج کنند.

به گفته محققان، این رویکرد را می‌توان در سناریو‌های دیگری که شامل استخراج و شناسایی الگو‌ها یا اشکال متعدد از تصاویر بزرگ، مانند تجزیه و تحلیل روزن داران و سایر ریزفسیل‌ها در سوابق زمین شناسی می‌شود، اعمال کرد.

این تیم بر این باور است که کار آنها به نفع زمین شناسی، صنعت و دانشگاه خواهد بود.