by CODIS
信用:ICFO/通用
穆尼奥斯 在苏格兰植物学家罗伯特·布朗描述流体中微观粒子的连续随机运动近80年后，阿尔伯特·爱因斯坦为这一观察提供了理论基础
从那以后，科学家们发现了大量偏离布朗运动定律的系统
这种偏差被称为异常扩散，发生在广泛的系统中，从细胞核中分子的运输到动物觅食策略和股票市场波动
随着时间的推移，科学家们开发了各种方法来理解使用经典统计的异常扩散
然而，机器学习的进步最近产生了更复杂的工具，基于数据的方法表征了来自单个轨迹的异常扩散
现在，由EU-资助的NOQIA、OPTOlogic和ComplexSwimmers项目支持的研究人员已经对用于解码各种现实条件下异常扩散的传统方法和新方法进行了首次客观比较
研究结果发表在《自然通讯》杂志上
挑战 为了比较不同的方法，研究团队聚集了科学界，组织了一场名为“异常扩散(AnDi)挑战”的公开竞赛
参与的团队将他们的算法应用于一个公共数据集，包括不同的条件
AnDi挑战包括三项任务
第一项任务需要推断异常扩散指数，第二项任务需要参与者对底层扩散模型进行分类，最后一项任务涉及轨迹分割
然后，每个任务被分成三个子任务，分别对应于轨迹维度:1D、2D和3D
根据这项研究，尽管没有一种特定的方法在所有场景下表现最佳，但基于机器学习的方法在所有任务上都超过了传统方法
研究作者写道:“对于每一个维度，我们都可以识别出一组性能相当的方法，这些方法大大提高了异常扩散指数相对于MSD经典估计提供的基线的精度。”
MSD代表均方位移
“这些方法都是基于机器学习的，因此我们可以推断，基于机器学习的方法可以超越经典统计，可能是因为它们可以从复杂模型的轨迹中提取一些经典统计不容易评估的信息
" 这项研究的成果突出了以社区为基础的努力在推动科学发展中的重要性
希望他们的努力能够扩大到达成更大的共识，研究团队已经建立了一个交互式工具来存储数据集和挑战的结果
科学家可以根据挑战赛的规则对新方法进行基准测试，并将分数与其他挑战赛参与者的分数进行比较
AnDi挑战将永久开放，根据需求不断更新性能改进
资深作者博士
Carlo Manzo在一份新闻稿中评论了这项研究的发现:“这项研究的结果进一步突出了异常扩散在多尺度定义生物功能方面的核心作用，同时揭示了对该领域当前状态的洞察，并为未来的开发者提供了一个基准
“博士
Manzo是NOQIA(新型量子模拟器—连接区域)和OPTOlogic(光学拓扑逻辑)项目协调员巴塞罗那光子科学研究所的访问科学家
复杂游泳者(生物相容性和交互式人工微型和纳米游泳者及其应用)项目由瑞典哥德堡大学协调
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
