En vetenskaplig tävling ledde till förbättrade metoder för att analysera diffusion av partiklar
Genom att anordna en vetenskaplig tävling om att karakterisera anomal diffusion har forskare lärt sig hur de verktyg som används för att analysera diffusion av mikroskopiska partiklar kan förbättras. Det visar en ny studie som bland annat är skriven av forskare vid institutionen för fysik.
Metoder för att upptäcka anomal diffusion, det vill säga avvikelsen från Brownsk rörelse som kan hittas i till exempel biomolekyler inuti celler och system av aktiv materia, har utvecklats med hjälp av klassisk statistik. Nu, med hjälp av maskininlärning, finns möjligheter till mer förfinade verktyg.
Med syfte att granska tillgängliga metoder för att karakterisera anomal diffusion, och sporra uppfinnandet av nya tillvägagångssätt, lanserades en öppen vetenskaplig tävling, The Anomalous Diffusion (AnDi) Challenge.
– Den ursprungliga idén kommer från Carlo Manzo vid University of Vic. Jag anslöt under det inledande planeringsskedet efter att en student berättat om det, och jag tyckte att idén var oerhört intressant, säger Giovanni Volpe, professor vid institutionen för fysik.
Giovanni Volpe var medarrangör av tävlingen tillsammans med forskare från University of Vic – Central University of Catalunya, Institute of Photonic Sciences in Barcelona, University of Potsdam och Valencia Polytechnic University.
Syftade till att ge en objektiv bedömning av metoder
Utmaningen anordnades under mars–november 2020 och bestod av tre huvuduppgifter: anomalous exponent inference, model classification och trajectory segmentation. Målet var att ge en objektiv bedömning av metoders prestation för att karakterisera anomal diffusion från enstaka banor.
– Vi lät utvecklarna bygga och använda sina egna verktyg för att ge förutsägelser för ett gemensamt dataset. Även om det här valet begränsade metoderna som utvärderades till de som levererades av de tävlande, säkerställde det att dessa algoritmer tillämpades korrekt, säger Giovanni Volpe.
Aykut Argun, postdoktor vid institutionen för fysik och medförfattare till studien, bildade ett team som vann fem av de totalt nio uppgifterna i utmaningen. Totalt deltog omkring 20 lag.
Att använda maskininlärning förbättrar uppskattningen
Resultaten från tävlingen har lett till en studie som nu publiceras, som analyserar resultaten av den gemensamma insatsen och fastställer att maskininlärning avsevärt förbättrar uppskattningen av egenskaperna hos partiklars diffusion.
– Genom att anordna denna tävling har vi lärt oss att de verktyg som för närvarande används för att analysera diffusionen av mikroskopiska partiklar kan förbättras, speciellt genom att använda avancerade maskininlärningsverktyg. Vi kommer att utforska dessa frågor ytterligare i den andra upplagan av tävlingen som vi nu håller på att organisera, säger Giovanni Volpe.
Om forskningen
Titel: Objective comparison of methods to decode anomalous diffusion
Vetenskaplig tidskrift: Nature Communications