ディープサイエンス：アルツハイマー病のスクリーニング、森林マッピングドローン、宇宙での機械学習など

テッククランチイベント

（正確な症状などが見つかることを期待して論文を読まないでください。さまざまな発話特徴は日常生活で実際に注意して見ることができる種類のものではありません。）

ソセルネットワーク

深層学習ネットワークが訓練環境外のデータにも汎化できるようにすることは、あらゆる真剣な機械学習研究の重要な部分です。しかし、モデルを全く未知のデータに自由に適用しようとする人はほとんどいません。もしかしたら、そうすべきかもしれません！

スウェーデンのウプサラ大学の研究者たちは、ソーシャルメディア上のグループやつながりを識別するために用いられるモデルを（もちろん、そのままではなく）組織スキャンに適用した。この組織は、mRNAを表す数千個の小さな点が生成される画像が生成されるように処理されていた。

通常、組織の種類や領域を表す異なる細胞群は、手作業で識別し、ラベル付けする必要があります。しかし、仮想空間における共通の関心事などの類似性に基づいて社会集団を識別するために開発されたグラフニューラルネットワークは、細胞に対しても同様のタスクを実行できることを実証しました。（上の画像を参照）

「私たちは最新のAI手法、具体的にはソーシャルネットワークを分析するために開発されたグラフニューラルネットワークを用いて、生物学的パターンと組織サンプルの連続的な変化を理解できるように適応させています。細胞は、ソーシャルネットワーク内で共有する活動に基づいて定義できる社会集団に相当します」と、ウプサラ大学のカロリーナ・ウェルビー氏は述べています。

これは、ニューラルネットワークの柔軟性だけでなく、あらゆるスケールやあらゆるコンテキストにおいて構造やアーキテクチャがどのように繰り返されるかを示す興味深い例です。いわば、外にあるものは内なるものと同じ、と言えるでしょう。

自然の中のドローン

国立公園や木材農園の広大な森林には無数の木々が生い茂っていますが、書類に「無数」と書くことはできません。様々な地域の樹木の成長状況、樹木の密度や種類、病気や山火事の範囲などを、実際に誰かが推定する必要があります。このプロセスは部分的にしか自動化されていません。航空写真やスキャンでは限られた情報しか得られず、地上観測は詳細ではあるものの、非常に時間がかかり、限界があるからです。

30億ドル規模のSBIRプログラム「アメリカのシードファンド」にアクセスする方法

Treeswiftは、ドローンに森林のナビゲーションと正確な計測に必要なセンサーを搭載することで、中道的なアプローチを目指しています。人間よりもはるかに高速に飛行することで、樹木の数を数え、問題の発生を監視し、大量の有用なデータを収集することができます。同社はペンシルベニア大学からスピンアウトし、NSFからSBIR助成金を獲得したばかりで、まだ非常に初期段階にあります。

「企業は気候変動対策として森林資源にますます注目していますが、そのニーズに応えられる人材が不足しています」と、Treeswiftの共同創業者兼CEOであり、ペンシルベニア大学工学部コンピュータ情報科学科（CIS）の博士課程に在籍するスティーブン・チェン氏は、ペンシルベニア大学のニュース記事で述べています。「私は、森林管理者一人ひとりがより効率的に業務を遂行できるよう支援したいと考えています。これらのロボットは人間の仕事を置き換えるものではありません。むしろ、森林管理に対する洞察力と情熱を持つ人々に、新たなツールを提供するのです。」

その夜、森が飛んだ

ドローンが多くの興味深い活躍を見せているもう一つの分野は水中です。海洋を航行する自律型潜水艇は、海底の地図作成、棚氷の追跡、クジラの追跡などに役立っています。しかし、これらの潜水艇には、定期的に回収、充電、そしてデータの取得が必要となるという弱点があります。

パデュー大学工学教授ニーナ・マフムディアン氏は、潜水艇が簡単に自動的に接続して電力やデータを交換できるドッキングシステムを開発した。

機体には特殊なノーズコーンが必要で、安全な接続を確立できるステーションを見つけて接続します。ステーションは自律型の船舶でも、どこかの恒久的な施設でも構いません。重要なのは、小型機が移動前に充電と情報収集のためにピットストップできることです。たとえ機体が行方不明になったとしても（海上では実際に危険な状況です）、データが失われることはありません。

セットアップの動作は以下で確認できます。

https://youtu.be/ kS0 -qc_r0

理論的には健全

ドローンも近い将来、都市生活に欠かせないものになるかもしれません。しかし、一部の人が考えているような自動運転の民間ヘリコプターが実現するまでには、まだ時間がかかるでしょう。しかし、ドローンハイウェイの真下に住むということは、常に騒音にさらされることを意味します。そのため、人々は常に、翼やプロペラから発生する乱気流や騒音を軽減する方法を模索しています。

キング・アブドラ科学技術大学の研究者たちは、こうした状況における気流をシミュレートする、より効率的な新しい方法を発見しました。流体力学は本質的に、計算能力を問題の適切な部分に投入することで複雑化するため、重要なのは計算能力を問題の適切な部分に投入することです。研究者たちは、理論上の航空機の表面付近の流れのみを高解像度でレンダリングすることに成功し、ある距離を超えると、何が起こっているのかを正確に知ることはほとんど意味がないことを突き止めました。現実のモデルを改良するということは、必ずしもあらゆる面で優れている必要はありません。結局のところ、重要なのは結果なのです。

宇宙での機械学習

コンピュータービジョンのアルゴリズムは大きく進歩し、効率性が向上するにつれて、データセンターではなくエッジコンピューティングに導入され始めています。実際、スマートフォンやIoTデバイスなどのカメラ付きデバイスが、画像に対してローカルな機械学習処理を実行することはかなり一般的になっています。しかし、宇宙では話は別です。

つい最近まで、宇宙で機械学習（ML）作業を行うことは、電力コストが高すぎて検討の余地すらありませんでした。その電力は、別の画像を撮影したり、データを地上に送信したりするために使えるはずのものです。HyperScout 2は宇宙でのML作業の可能性を探っており、その衛星は、撮影した画像にコンピュータービジョン技術を即座に適用し、送信し始めています（「こちらは雲、こちらはポルトガル、こちらは火山…」）。

現時点では実用的なメリットはほとんどありませんが、オブジェクト検出は他の機能と簡単に組み合わせることができ、関心のあるオブジェクトが存在しない場合に電力を節約したり、情報があればより効果的に機能する可能性のある他のツールにメタデータを渡したりといった新しいユースケースを作成できます。

古いものを取り入れ、新しいものを捨てる

機械学習モデルは知識に基づいた推測を行うのに優れており、未整理または文書化が不十分なデータが大量に蓄積されている分野では、大学院生が時間をより生産的に活用できるよう、AIに最初の処理を任せることが非常に有効です。米国議会図書館は古新聞でこれを実施しており、カーネギーメロン大学の図書館もこれに取り組み始めています。

数百万枚の歴史的な新聞画像が議会図書館で機械学習処理される

CMU の 100 万点の写真アーカイブは現在デジタル化が進められていますが、歴史家や好奇心旺盛な閲覧者に役立つようにするには、整理してタグ付けする必要があります。そのため、コンピューター ビジョン アルゴリズムを使用して、類似した画像をグループ化し、オブジェクトと場所を識別し、その他の貴重な基本的なカタログ作成タスクを実行しています。

「たとえ部分的に成功したプロジェクトでも、コレクションのメタデータは大幅に改善され、アーカイブがコレクション全体をデジタル化するための資金を調達できれば、メタデータ生成の可能なソリューションを提供できる可能性がある」とCMUのマット・リンカーン氏は述べた。

まったく異なるプロジェクトでありながら、何らかの関連性があるように思えるのが、ブラジルのペルナンブコ大学工科大学の学生による作品だ。この学生は、機械学習を使って古い地図を改良するという素晴らしいアイデアを思いついた。

彼らが使用したツールは、古い線画の地図を基に、敵対的生成ネットワーク (GAN) を使用して衛星画像のようなものを作成しようとします。GAN は本質的に、本物と区別がつかないコンテンツを作成するように自分自身を騙そうとします。

まあ、結果は完全に納得のいくものとは言い切れませんが、それでも期待は持てます。このような地図は正確であることは稀ですが、だからといって完全に抽象的というわけではありません。現代の地図作成技術を用いて地図を再現するのは、これらの場所がそれほど遠くないように感じられるようになるかもしれない、面白いアイデアです。