AI将有助于全息技术来达到一个新的水平

<在两项新的研究，科学家们从加利福尼亚大学洛杉矶(加州大学洛杉矶分校)使用神经网络，用于重建的全息图。 两者的工作不仅证明的发展水平的全息技术，但也承诺要打开这门技术在医学，在那里他们将能够产生真正的革命。

<<跨id="更286481">

<在第一次研究，其结果是所描述的在该杂志的光：科学与#038；应用程序，研究人员使用的技术，称为深度学习，以创建图像的生物标本，血液涂片检查、巴氏测试和其他一些生物样品。

<研究证明，使用神经网络大大加速和简化的进程创建全息图像、比较传统的方法建立类似的图像，需要重建的测试对象的初步计算和物理手册的计算机输入数据。

<在第二项研究中，小组使用它们的框架，深入学习提高分辨率和质量的显微图片，帮助医生来确定最小的，几乎没有明显的异常大的血样和细胞组织。

<一个问题与当前的全息方法的过程中呈现的全息图可能会失去的一些信息，而这又可能导致"的文物"在最终的图像。 有时这些损失是非常重要的。 例如，图像可能出现黑点，医生错误可能是癌细胞的生长。 这样的文物都往往过程中发现的放射扫描，特别是如果患者开始移动的同时，扫描仪不工作。

<深学习系统在加利福尼亚大学已经证明有效解决这一问题。 一旦该系统是适当的训练，神经网络将能够单独的空间特征的一个真正的图像，从任何外部干扰(其中经常出现轻).

<多层次的人工神经网络允许深入学习的算法来分析数据离线。 该技术已经证明了其有效性的例子翻译的语音从一种语文到另一个在真正的时间，捕获的图像，以及许多其他任务之前必须处理的个人，顺便说一下，失去的算法，甚至在的速度，这些任务。

<由于机学习系统获得的能力，整理和分析大量信息的速度大大快于人，这是不奇怪的是，这些技术正在开始显示出它们有兴趣在各种领域，包括医药。 算法找到自己的应用程序，例如，在诊断放射学，在那里，他们证明其有效性在阅读的x射线图像，以及寻找癌细胞，可能会错过了，医生在扫描。

<全息技术被认为现在不如以前，当他们被认为是相当的对象是科幻小说比一个实用的工具。 现在，科学家们都相信的前景，这个方向。

<方法的深度学习，反过来，可以帮助在这个方向，说Aydogan Ozcan，导致研究员。 在他看来，这些技术将打开新的可能性的可视化。 在发表新闻稿的加利福尼亚大学厄兹坎指出，这种技术甚至可能导致发展一个全新的行相干成像系统。 科学家认为这一做法在加利福尼亚大学洛杉矶分校可以用于进一步改进的技术，并介绍其支持的其他部分电磁频谱，例如x-射线和光辐射。

<如果我们期望一个未来，我们可以看到在科幻小说的过去40至50年间，全息图将发挥正不会持续作用。 加州大学洛杉矶分校的研究在这个方向的，反过来，不只是试着支持这梦幻般的技术，它们提供一个真正的环境对于其应用。