El análisis de microfósiles siempre ha sido una tarea desalentadora por varias razones. Sin embargo, estudiarlos es crucial porque ayudan a mapear las estructuras del subsuelo y proporcionan información sobre períodos geológicos pasados.
Actualmente, los geólogos dedican una cantidad significativa de tiempo a contar manualmente los microfósiles extraídos de rocas sedimentarias debajo del fondo marino para obtener información precisa.
Pero ha surgido una nueva solución para abordar este desafío, gracias a los avances en inteligencia artificial. Los investigadores han aprovechado soluciones de inteligencia artificial para analizar microfósiles directamente a partir de imágenes microscópicas.
Vale la pena señalar que la aplicación de la visión por computadora al análisis de microfósiles presenta desafíos importantes. El gran volumen de datos, con aproximadamente 3 mil millones de fósiles individuales por analizar, puede resultar abrumador. Además, la extrema escasez de datos etiquetados para entrenar modelos de aprendizaje automático aumenta la complejidad de la tarea.
Un método avanzado de inteligencia artificial mejora la detección y análisis de microfósiles
recién Estancia Publicado en la revista Inteligencia artificial en las ciencias de la tierra Presentado un método avanzado para la detección y análisis automático de microfósiles. El equipo de investigación está formado por miembros del Grupo de Aprendizaje Automático de la Universidad de Tromsø (UiT), la Universidad Ártica de Noruega.
Desarrollaron un sistema para extraer información fósil de imágenes de portaobjetos de microscopio. Descubrieron que las técnicas de aprendizaje profundo superan a los métodos tradicionales de procesamiento de imágenes y que la autosupervisión se puede utilizar de forma eficaz para extraer características.
Además, los modelos entrenados específicamente en microfósiles superaron a los modelos de referencia estándar.
Los modelos de aprendizaje profundo abordan los desafíos en la clasificación de imágenes de microfósiles
Los investigadores señalan que clasificar o agrupar imágenes según el contenido mediante algoritmos automáticos es una tarea tediosa. Incluso las tareas de clasificación de imágenes aparentemente simples con temas bien definidos pueden plantear desafíos.
Además, las imágenes suelen contener información redundante almacenada en los píxeles que rodean el objeto de interés. En todos estos casos, los modelos de aprendizaje profundo han demostrado ser muy eficaces.
Los métodos de aprendizaje profundo sobresalen en modelar relaciones complejas dentro de los datos. Para lograr resultados precisos, las redes neuronales convolucionales (CNN) están diseñadas para extraer información significativa de las imágenes.
Los investigadores explicaron: «Las CNN han evolucionado significativamente en los últimos diez a quince años y hasta hace poco eran lo último en modelado de imágenes, con estudios que informaron excelentes resultados en la clasificación de datos de imágenes etiquetadas, como imágenes naturales».
Explicaron que, además de las CNN, los transformadores de visión (ViT), inspirados en grandes modelos de lenguaje, se han convertido en un fuerte competidor para la clasificación de imágenes.
«Hoy en día, tanto las CNN como las ViT se utilizan comúnmente para la clasificación de imágenes, y no existe un ganador claro ni la mejor arquitectura para esta tarea. Por lo tanto, es habitual probar y comparar ambas arquitecturas, y eso es lo que hacemos aquí».
Los resultados del estudio destacan la eficacia de la inteligencia artificial en el análisis de microfósiles
Los resultados del estudio muestran que el enfoque más prometedor para futuras investigaciones consiste en obtener una formación autosupervisada. Los investigadores confirmaron que la inteligencia artificial ayuda enormemente en la detección e identificación automática de fósiles.
En su trabajo utilizaron inteligencia artificial para detectar fósiles y lograron los resultados esperados. Utilizando métodos de aprendizaje profundo de última generación, pudieron extraer de manera eficiente características para tareas como identificar, ensamblar y contar microfósiles.
«Nuestros resultados de un conjunto de datos etiquetados muestran que el entrenamiento autosupervisado de modelos de aprendizaje profundo en microfósiles conduce a una mejora significativa con respecto a los modelos estándar actuales», concluye el informe.
Según los investigadores, este enfoque se puede aplicar a otros escenarios que implican extraer e identificar muchos patrones o formas a partir de imágenes de gran tamaño, como el análisis de foraminíferos y otros microfósiles en registros geológicos.
El equipo cree que su trabajo beneficiará enormemente al campo de la geología, tanto en la industria como en el mundo académico.
Sobre el editor
Jerrica Mitra Gairika es una nerd tecnológica, introvertida y ávida lectora. Enciérrala en una habitación llena de libros y nunca la oirás quejarse.
More Stories
El jefe de la Agencia Espacial de EE.UU. quiere hablar con China sobre la basura espacial
Búsqueda de gemas: caracterización de seis planetas gigantes que orbitan enanas frías
La Administración Federal de Aviación de EE. UU. ha puesto en tierra los cohetes Falcon 9 de SpaceX en espera de una investigación sobre un raro accidente de aterrizaje frente a la costa.