RIML (Recursive Built-in Machine Studying) ist ein grundlegendes Konzept für die Anwendung von KI in der regenerativen Medizin.
Nachfolgend finden Sie eine Tabelle, die dieses Konzept veranschaulicht:
In RIML werden mehrere Skalen definiert und für jede Skala optimale Modelle für maschinelles Lernen erstellt. Dieses Diagramm definiert drei Skalen: Atomskala, Aminosäureskala und Polypeptidkettenskala.
Jede Skala verfügt über eine eigene Analysetheorie und Messdaten, die aus unabhängigen Analysen oder Experimenten stammen. Es wird jedoch erwartet, dass die höheren Skalen von den Theorien der niedrigeren Skalen beeinflusst werden.
Wenn man jedoch versucht, die Theorien auf der niedrigeren Skala (Atomskala) für Berechnungen auf der höheren Skala (Aminosäurenskala) zu nutzen, erfordert dies im Allgemeinen einen erheblichen Rechenaufwand und beinhaltet oft die Vernachlässigung bestimmter Faktoren.
Auch wenn dies wie ein vernünftiger Ansatz erscheint, kann er zu Diskrepanzen zwischen Theorie und experimentellen Ergebnissen führen und die experimentellen Ergebnisse begünstigen.
In RIML werden auf der niedrigeren Skala (Atomskala) gewonnene Erkenntnisse als Modelle für maschinelles Lernen auf der höheren Skala (Aminosäureskala) bereitgestellt und so die Lücke zwischen diesen Theorien und experimentellen Ergebnissen geschlossen.
Zusätzlich zu Theorien und experimentellen Ergebnissen werden KI-Modelle auf der niedrigeren Skala (Atomskala) als Trainingsdaten verwendet, um KI-Modelle auf der entsprechenden Skala (Aminosäureskala) zu konstruieren, und die Informationen aus diesen KI-Modellen werden weiter angewendet, um die zu verbessern Genauigkeit von Modellen auf der höheren Skala (Polypeptidkettenskala) in einem kaskadierenden Ansatz.
Darüber hinaus kann es Fälle geben, in denen die auf der höheren Ebene erhaltenen Vorhersagemodelle Korrekturen für die Modelle auf der niedrigeren Ebene liefern können. Dies ergibt sich möglicherweise nicht unbedingt aus der Theorie, sondern könnte durch Rauschen oder Fehler beeinflusst werden, kann jedoch als wertvolle Trainingsdaten für die Modelle im unteren Maßstab dienen. Daher ist es wichtig, Suggestions-Mechanismen in diese Architektur zu integrieren.
Die KI-Modelle in jedem Maßstab müssen nicht unbedingt die gleiche Architektur haben; Sie sollten auf der Grundlage der für jede Skala spezifischen Beobachtungsdaten und Theorien optimiert werden. Um eine solche Rückmeldung zwischen den Skalen zu erreichen, sind jedoch einige Überlegungen für eine gemeinsame Schnittstelle erforderlich. Da Daten in jedem Maßstab auf unterschiedliche Weise gewonnen werden sollten, wird außerdem davon ausgegangen, dass die KI-Modelle bis zu einem gewissen Grad multimodal sein werden.
