新的机器学习技术可能会彻底改变对 5 亿年前微化石的研究

孢粉形态无处不在，可以帮助研究人员更多地了解我们古老的星球。现在，研究人员有了一种新方法可以让研究变得更容易。

孢粉形态很小，非常古老，几乎随处可见。他们可以告诉研究人员很多关于地球历史的信息，但与他们合作却充满挑战。

图片来源：Yuris C. Hassan/Shutterstock。 

您是否听说过孢粉形态，即几乎随处可见的“微化石”？它们是出现在世界各地沉积岩中的微观化石，对于研究地球进化历史的地质学家和古生物学家来说具有无价的价值。然而，它们的微小尺寸和庞大的数量可能是一个挑战，因此研究人员现在创建了一种新的机器学习技术，使这项原本艰巨的任务变得更容易管理。

孢粉型确实很小。它们的尺寸范围为 5 至 500 微米。如果您考虑人类头发的直径在 17 至 181 微米之间，那么您就会知道它们到底有多小。即使是花粉粒也往往比最小的孢粉形态更大。

这些微小碎片由对大多数形式的腐烂具有极强抵抗力的化合物组成，因为它们通常由孢子花粉、地孢菌素或类似化合物组成。它们形成于几百万年前到五亿多年前之间的任何时间点。因此，它们对于研究岩层年龄或重建早已消失的环境（例如该岩层是在水下形成还是陆地特征）的研究人员来说非常有价值。

对这种变化的分析可以告诉我们很多关于地球如何变化的信息，还可以深入了解过去的气候条件和地质事件。

以前，科学家们会花费繁琐的时间通过盯着显微镜对这些微化石进行手动分类，在显微镜下他们可能会在多张载玻片上看到数十亿个样本。这是一个艰苦而令人沮丧的过程，但人工智能辅助技术的新进展可能会让这个过程变得更加容易。

由挪威特罗姆瑟大学的一个团队领导的研究人员推出了一种两级人工智能驱动的系统，可以从显微镜图像中检测和分类微化石。

“我们提出了一种自动管道，用于从原始显微镜图片中提取和分类微化石。该方法快速高效，不需要密集的计算能力”，该团队写道。

“我们表明，我们的方法提高了化石提取的最先进水平。通过机器学习识别个体物种是一种新颖且有前途的方法。 ”

该团队分阶段实现了这一目标。首先，他们使用预先训练的对象检测模型 - YOLOv5 - 从幻灯片图像中检查、识别和提取单个孢粉形态。这个过程会创建出现在每个微化石周围的边界框，从而节省了数十个小时的工作时间。

然后，在第二阶段，团队使用了自我监督学习系统（SSL），这是一种相对较新的学习范式，越来越流行。该技术本质上可以被训练为从其处理的样本中提取特定特征。它依靠自监督模型从非结构化数据生成隐式标签。

在这项研究中，该团队比较了两个 SSL 框架 - SimCLR 和 DINO - 发现这两个框架对于加速分类过程都是非常宝贵的手段。

该研究的第一作者、共同通讯作者艾弗·马丁森 (Iver Martinsen) 在一份声明中表示：“这项工作表明，人工智能在这一领域的应用具有巨大潜力。” “通过使用人工智能自动检测和识别化石，地质学家可能拥有一种工具可以帮助他们更好地利用井眼样本提供的大量信息”。

该团队利用挪威近海管理局从挪威大陆架获得的数据，利用人工智能来检测孢粉形态。为了测试其准确性，该团队随后通过对同一口井中的数百个先前标记的化石进行分类来测试该模型。

“我们对我们的结果非常满意。我们的模型超过了以前的基准。我们希望目前的工作对工业界和学术界的地质学家都有好处，”马丁森补充道。

该论文发表在《地球科学中的人工智能》上。