【人工智能】NIST应用AI

概述

NIST的多学科实验室和各个领域是开发和应用人工智能的理想环境。人工智能方法越来越成为新项目构思和执行的重要组成部分。各种人工智能技术正被用于支持NIST的科学家和工程师，利用ML和人工智能工具来更深入地理解和洞察他们的研究。与此同时，NIST实验室在人工智能方面的经验有助于更好地理解人工智能的能力和局限性。

结合人工智能和ML探索研究前沿

• NIST研究人员正在整个研究所以及与学术界、其他政府实验室和工业实体建立伙伴关系。他们正在将人工智能集成到NIST研究工作的设计、规划和优化中，包括计算机视觉、工程生物学和生物制造、图像和视频理解、医学成像、材料科学、制造业、抗灾能力、能源效率、自然语言处理、量子科学、机器人和先进通信技术。关键重点领域包括使用AI/ML技术的创新测量、使用AI/MI模型的预测系统，以及启用和减少自主测量平台的障碍。

生成训练数据、算法和其他工具

• NIST的技术人员正在研究数据表征、数据集文档的关键实践，以及更广泛的社区可以用来测试或训练人工智能系统的数据集。该机构正在扩大有针对性的测试或培训数据、算法和其他工具的可用性，用于特定领域的应用，包括先进材料、计算机视觉、设计、工业机器人、自然语言处理、频谱管理和视频处理。

NIST人工智能应用研究项目示例

• 基于子空间的纳米显微镜深度学习解决方案

NIST正在开发人工智能和机器学习方法，以提高NIST物理学家正在研究的新型纳米级显微镜技术的保真度。（阅读更多）

• 基于AI的成像测量

NIST通过基于网络的应用程序处理图像分析和基于人工智能的建模，简化了从TB大小的图像中得出的测量结果，并提高了基于图像的测量精度。（阅读更多）

• 用于MRI重建和分析的深度学习

该项目的目标是启动计量和标准基础设施的开发，以确保基于DL的医疗系统（1）根据经验证的基于物理的数据进行培训，（2）提供可靠性、准确性和可解释性。（阅读更多）

• 成像与人工智能（AI）评估组织质量

我们与Peter Bajcsy（NIT/ITL）和Kapil Bharti（NIH/NEI）合作，开发了一种非侵入性评估临床级组织工程人类视网膜色素上皮（RPE）质量的方法。该方法使用定量明场吸收成像（QBAM）和AI。吸收成像在Kapil Bharti的良好制造规范设施中实施，我们在那里无创地收集了临床级结构的明场图像。使用吸光度成像对构建体进行成像，并收集传统的RPE效价测试数据。RPE效力测试是测量血管内皮生长因子（VEGF）的极化分泌和跨上皮抵抗（TER）的测量。Peter Bajcsy的团队指导了图像处理、图像分析和人工智能方法的实现。人工智能算法被训练来从吸光度图像预测效力（VEGF和TER）。经过训练的人工智能算法对36个测试图像数据集中的35个做出了正确的预测。这项工作表明，如果仔细使用，花园显微镜可以对组织质量进行精确、可重复的测量。