lswcap
机器学习以多种方式使用，包括人工智能和图像识别技术。然而，近年来，在美国，通过利用机器学习，它成功地找到了比以前快200倍的金属玻璃复合图案。
金属玻璃（金属玻璃）是即使在元素排列没有规律性的非晶态金属中也会引起玻璃化转变的材料。它具有高耐腐蚀性和耐磨性，是下一代材料之一，有望实现比钢更高的刚性和更轻的材料。然而，金属玻璃由于其发现后50年的有限组合而难以商业化。这些金属有数百万种组合，因此要对所有优秀的候选人进行试验并不容易。
然而，西北大学和美国国家标准与技术研究院的斯坦福线性加速器中心已经引入了金属玻璃生产的机器学习，并成功地快速创建和检查了数百个样品，这些样品已经发现了三种新的金属玻璃：科学进展。
曾经有过使用机器学习来预测生产的情况。但是，该公告与测量结果的不同之处在于，它可以快速预测并反映下一次机器学习过程或实验中的结果。首先，我们使用机器学习算法收集了超过50年收集的6,000个金属玻璃生产数据样本。在了解了这一点之后，我们以两种方式制造样品合金，并对这些合金进行X射线检测。收集结果并用于机器学习和其他样品。通过这个过程，现在可以在300到400个数据中每两个或三个金属玻璃找到一个金属玻璃。据说，机器学习的引入提高了发现金属玻璃所需的速度，比以前快了200倍。
本实验中使用的机器学习算法具有可以应用于其他研究的优点，因为它不需要理解现有理论。在过去，人类可以在人类必须进行的非创造性实验过程中得到解放，这样人类就可以专注于需要直觉和创造力的其他任务。
除了这些领域，机器学习也有望用于医学领域。去年，麻省理工学院的研究人员还试图将机器学习应用于医学领域。 2014年被诊断患有乳腺癌的Regina Barzilay教授发现，她缺乏医疗领域的信息，以寻找有关她的疾病治疗的信息。医生将从患者获得的信息写入并基于基本统计分析处理相关性。但是这个过程在计算机科学方面可以说是原始的。
在美国，每年只有170万人被诊断患有癌症。只有3％的临床试验已经注册。目前，医学研究仅依赖于通过它获得的数据。为了治疗癌症，需要对剩余的97％的患者进行治疗相关信息的分析。
Basilay教授通过将机器学习与医学数据相结合，致力于癌症治疗。该研究团队使用自然语言处理工具从108,000份癌症治疗病理报告中提取临床信息和数据库。数据库的准确率高达98％，这意味着它可以有效地管理大量的工作，这些工作无法通过人的力量完成。此数据库中的信息是尝试创建可通过机器学习推断出的模型。此外，我们正试图通过机器学习将其应用于预防医学。通过将深度学习与难以用眼睛解读的信息相结合，找到导致乳腺癌的迹象。预计它将帮助那些无法通过医生眼睛识别的早期乳腺癌患者，并预测容易复发癌症的患者。通过机器学习为医生提供数据和数据分析技术有望改善医疗保健并使更多患者受益。
事实上，在2016年，谷歌的研究人员报告称，他们不仅通过机器学习在早期发现糖尿病相关眼病方面做了很多工作。糖尿病并发症引起的糖尿病性视网膜病变也是成人失明的首要原因。如果不治疗则存在失明的风险，但可以通过早期检测来治疗。尽快发现疾病以避免失明是很重要的。
当然，眼科医生可以通过观察视网膜状态来检测糖尿病视网膜病变的发作，但问题是专家的数量还不够。该团队与54名美国眼科医生合作，通过深度运行128,000个视网膜图像来尝试糖尿病视网膜病变。结果，通过深度学习调查了9,963人，谷歌算法显示了0.95的指数，这是特异性和检测灵敏度的组合。这高于眼科医生的平均得分0.91。当然，这一发现只是检测糖尿病视网膜病变的一种方法。还需要在眼科医生中进行额外的临床工作，例如结合其他方法。尽管如此，将机器学习技术与新材料（如新材料的合成和医疗保健）相结合，可以帮助减轻非创造性工作的重要部分，同时有助于扩大医疗效益并及早发现医疗中的患者领域值得注意。
Add comment