Искусственные нейронные сети могут помочь в работе с коллекциями естественной истории

Миллионы, если не миллиарды, образцов хранятся в мировых коллекциях естественной истории, но большинство из них не изучались тщательно или даже не рассматривались десятилетиями. Хотя они содержат критически важные данные для многих научных исследований, большинство объектов просто тихо лежат в своих маленьких кабинетах редкостей.

Массовая оцифровка таких коллекций стала важной целью музеев по всему миру. Эти инициативы, объединившие биологов, кураторов, волонтёров и гражданских учёных, уже создали большие наборы данных и предоставили беспрецедентную информацию.

Исследование, недавно опубликованное в открытом доступе в Biodiversity Data Journal, предполагает, что последние достижения в оцифровке и машинном обучении вместе могут помочь музейным кураторам в их работе с этим невероятным глобальным ресурсом.

Команда исследователей из Смитсоновского отдела ботаники, Лаборатории науки о данных и Офиса программы оцифровки сотрудничала с NVIDIA в пилотном проекте по использованию методов глубокого обучения для анализа оцифрованных гербарных образцов.

Их работа — одна из первых, описывающих использование методов глубокого обучения для расширения нашего понимания оцифрованных коллекционных образцов. Она также первой демонстрирует, что глубокая свёрточная нейронная сеть — вычислительная система, смоделированная по активности нейронов в мозге животных, которая может учиться самостоятельно — может эффективно различать похожие растения с удивительной точностью, близкой к 100%.

В статье учёные описывают две разные нейронные сети, которые они обучили выполнять задачи на оцифрованной части (в настоящее время 1,2 миллиона образцов) Национального гербария США.

Сначала команда обучила сеть автоматически распознавать гербарные листы, окрашенные кристаллами ртути, поскольку ртуть исторически использовалась для защиты коллекций от повреждения насекомыми. Вторая сеть была обучена различать два семейства растений, имеющих поразительно схожий внешний вид.

Обученные нейронные сети показали точность 90% и 96% соответственно (или 94% и 99%, если отбросить наиболее сложные образцы), что подтверждает полезность и важность глубокого обучения для будущего анализа оцифрованных музейных коллекций.

«Результаты могут быть использованы как для улучшения кураторской работы, так и для открытия новых направлений исследований», — заключают учёные.

«Эта исследовательская статья — прекрасное доказательство концепции. Теперь мы знаем, что можем применять машинное обучение к оцифрованным образцам естественной истории для решения кураторских и идентификационных задач. Будущее — за использованием этих инструментов в сочетании с большими общими наборами данных для проверки фундаментальных гипотез об эволюции и распространении растений и животных», — говорит доктор Лоуренс Дж. Дорр, глава Смитсоновского отдела ботаники и соавтор исследования.