Lancer le défi scientifique d’évaluer les méthodes de diffusion anormale
Près de 80 ans après que le botaniste écossais Robert Brown a décrit le mouvement aléatoire continu de particules microscopiques dans un fluide, Albert Einstein a fourni une base théorique à cette observation. Depuis lors, les scientifiques ont découvert des systèmes qui s’écartent considérablement des lois du mouvement brownien. De telles déviations sont appelées diffusion anormale et se produisent dans un large éventail de systèmes, allant du transport de molécules dans le noyau aux stratégies de recherche de nourriture des animaux, jusqu’aux fluctuations du marché boursier. Au fil du temps, les scientifiques ont développé diverses méthodes pour comprendre la diffusion anormale à l’aide de statistiques classiques. Cependant, les avancées de l’apprentissage automatique ont récemment donné naissance à des outils plus sophistiqués, avec des méthodes basées sur les données qui caractérisent la diffusion anormale à partir de trajectoires uniques. Aujourd’hui, des chercheurs soutenus par les projets NOQIA, OPTOlogic et ComplexSwimmers, financés par l’UE, ont effectué la première comparaison objective des méthodes traditionnelles et nouvelles utilisées pour décoder la diffusion anormale dans diverses conditions réalistes. Les résultats ont été publiés dans la revue «Nature Communications».
Le défi
Pour comparer les différentes méthodes, l’équipe de recherche a réuni la communauté scientifique et organisé un concours ouvert appelé défi Anomalous Diffusion (AnDi). Les équipes participantes ont appliqué leurs algorithmes à un ensemble de données commun, comprenant diverses conditions. Le défi AnDi comprenait trois tâches. La première tâche consistait à déduire l’exposant de diffusion anormale, la deuxième demandait aux participants de classer le modèle de diffusion sous-jacent et la dernière concernait la segmentation de la trajectoire. Chaque tâche a ensuite été divisée en trois sous-tâches correspondant aux dimensions de la trajectoire: 1D, 2D et 3D. Selon l’étude, bien qu’aucune méthode particulière n’ait généré les meilleurs résultats dans tous les scénarios, les approches basées sur l’apprentissage automatique ont surpassé les méthodes conventionnelles pour toutes les tâches. «Pour chaque dimension, nous avons pu identifier un groupe de méthodes aux performances comparables qui améliorent considérablement la précision de l’exposant de diffusion anormale par rapport à la base de référence fournie par l’estimation classique du MSD», écrivent les auteurs de l’étude. MSD est l’abréviation de déplacement quadratique moyen. «Ces approches étaient toutes fondées sur l’apprentissage automatique, nous pouvons donc en déduire que les méthodes basées sur l’apprentissage automatique peuvent aller au-delà des statistiques classiques, probablement parce qu’elles peuvent extraire des trajectoires de modèles complexes certaines informations qui ne sont pas facilement évaluées par les statistiques classiques.» Les résultats de l’étude soulignent l’importance des efforts communautaires dans la quête de progrès scientifiques. Dans l’espoir que leur effort soit étendu pour parvenir à un consensus plus large, l’équipe de recherche a développé un outil interactif pour stocker les ensembles de données et les résultats du défi. Les scientifiques peuvent évaluer les nouvelles méthodes selon les règles du défi et comparer leurs résultats avec ceux des autres participants. Le défi AnDi restera ouvert en permanence, avec des mises à jour continues des améliorations de performance sur demande. L’auteur principal de l’étude, le Dr Carlo Manzo, a commenté les résultats de l’étude dans un communiqué de presse publié sur «EurekAlert!»: «Les résultats de cette étude soulignent davantage le rôle central que joue la diffusion anormale dans la définition des fonctions biologiques à de multiples échelles, tout en révélant un aperçu de l’état actuel du domaine et en fournissant un point de référence pour les futurs développeurs.» Le Dr Manzo est un visiteur scientifique de l’Institut des sciences photoniques de Barcelone, coordinateur des projets NOQIA (NOvel Quantum simulators - connectIng Areas) et OPTOlogic (Optical Topologic Logic). Le projet ComplexSwimmers (Biocompatible and Interactive Artificial Micro- and Nanoswimmers and Their Applications) est coordonné par l’Université de Göteborg en Suède. Pour plus d’informations, veuillez consulter: projet NOQUIA site web du projet OPTOlogic projet ComplexSwimmers
Mots‑clés
NOQIA, OPTOlogic, ComplexSwimmers, diffusion anormale, mouvement brownien, apprentissage automatique, défi AnDi