帮助科学家寻找颗粒缠结软盘蛋白并加快发现速度

如今，机器学习在科学技术中无处不在。它在许多方面都优于传统的计算方法，例如，极大地加快了繁琐的过程并处理了大量的数据。在能源部的SLAC国家加速器实验室中，机器学习已经为开拓实验室的独特科学设施和研究开辟了新途径。

例如，SLAC科学家已经使用机器学习技术来更有效地操作加速器，加快发现新材料的速度，并发现由天文物体引起的时空扭曲，其速度比传统方法快一千万倍。

术语“机器学习”广义上是指使计算机通过从大量数据中推断出自己的结论而不是遵循预定的步骤或规则来“通过示例学习”的技术。为了利用这些技术，SLAC在2019年启动了一项机器学习计划，该计划几乎涵盖了实验室所有学科的研究人员。

丹尼尔·拉特纳(Daniel Ratner)是一位经过培训的加速器物理学家，多年来一直致力于将机器学习方法应用于SLAC的加速器，现在负责该计划。在本问答中，他讨论了机器学习可以做什么以及SLAC如何独特地装备以促进基础科学研究中机器学习的使用。

什么是机器学习?

机器学习程序通过查找示例中的模式来解决任务。这类似于人类学习的方式。因此，机器学习往往在人类擅长的任务上很有效，但是很难解释为什么。

例如，您可以通过示例来教您的少年如何驾驶汽车。但是很难写下一套有关如何在驾驶中可能遇到的各种情况下驾驶汽车的规则。这就是机器学习成功的情况。仅通过观察某人驾驶汽车足够长时间，机器学习模型就可以开始学习驾驶规则。

通常可以归结为通过观察足够的数据来学习如何做某事。

机器学习与传统方法有何不同?

这是解决问题的另一种概念方法。机器学习不是手动编写复杂的计算机程序来完成整个复杂的数据分析过程，而是将重点转移到开发示例数据集和评估解决方案的方法上。到那时，我可以将原始数据移交给机器学习模型，并对其进行训练，以预测新数据的解决方案，这是以前从未见过的。您可以将其视为通过提取隐藏在数据集中的规则来避免繁重而昂贵的编程的一种方式。