共计 1111 个字符，预计需要花费 3 分钟才能阅读完成。
随着人类探索新世界的步伐加快，理解并绘制生命形式的代谢和基因组系统变得至关重要。这不仅涉及外星生物群的功能，还包括它们的进化过程。提升原位分析能力，可以在现场或返回地球后进行更多的初步分析。
图片来源：Petter Bjørklund，SFI 视觉智能与挪威北极大学通讯官
在进行其他世界探索时，进行原位检查和记录将非常重要。这不仅减少了将物品送回地球的后勤负担，还允许以光速传回数据。它还使宇航员 / 机器人团队能够进行实证探索——从他们的发现中学习，以完善和优化他们的持续搜索。
随着对一个世界的持续探索，将积累大量数据，这些数据经过处理以形成一个生命形式的初始目录。随着它们被识别和命名，包含在 AI 中的目录将越来越能够识别和区分后续遇到的生命形式——并在现场快速进行，从而增强人类探索者及其机器人伙伴理解新世界生物群的能力。
有孔虫（forams）是带壳的微生物，在地球的海底大量存在。分析不同种类的有孔虫提供了关于气候变化、海洋环境状况以及适合碳捕获和储存区域的重要信息。
过去的研究试图通过深度学习（DL）方法自动化这些分类任务——通常是一个费时费力的手动过程。几项研究显示出显著的前景，但很少有研究关注方法分类的不确定性。
“不确定性估计对于避免可能忽视稀有且具有生态意义的物种的错误分类至关重要，”挪威北极大学和 SFI 视觉智能（VI）的博士生 Iver Martinsen 表示。“开发能够准确计算其预测不确定性的 DL 方法非常重要。”
在最近发表在《人工智能在地球科学中的应用》上的一项研究中，Martinsen 和 UiT、VI、Nofima 和 NSE 的研究人员展示了深度学习如何在分类有孔虫时实现人类水平的不确定性估计。“使用 260 张有孔虫和沉积物颗粒的图像，我们训练了 DL 方法来检测和分类这些微生物，”Martinsen 说。
评估此类方法的性能仍然具有挑战性。为了解决这个问题，研究人员创建了一组基于四位资深地球科学家分类任务响应的人类不确定性估计。
“地球科学家们被提供了相同的 260 张图像，并被要求对每一张进行分类，并说明他们的置信水平。这形成了一个比较基线，使我们能够评估模型与人类专家的估计，”Martinsen 解释道。
他还补充说，研究还展示了人类不确定性估计如何为比较提供相关且有价值的基线。结果显示，DL 方法的估计可以与专家地球科学家相匹配——有时甚至更好。
“我们获得了关于这些方法的估计与彼此和人类专家相比的宝贵见解。我们相信这项研究是朝着使这些自动化工具在现实世界中更加可靠、可信和适用迈出的一大步，”Martinsen 说。
量化有孔虫分类中的不确定性：深度学习方法与人类专家的比较 ，《人工智能在地球科学中的应用》（开放获取）
