В мире науки произошел важный прорыв: команда исследователей создала модель машинного обучения, способную классифицировать ископаемую пыльцу, что открывает новые горизонты в изучении эволюционных связей между вымершими организмами. Эта работа может стать основой для более глубокого понимания биологического разнообразия на других планетах.
Проблема классификации ископаемых организмов всегда была сложной задачей для палеонтологов. Часто они сталкиваются с трудностями в определении ключевых характеристик из-за состояния окаменелостей. Однако новая модель, основанная на нейронных сетях, обещает значительно упростить этот процесс. Она была обучена распознавать и оценивать особенности организмов на основе известных филогенетических данных, что позволяет точно размещать новые организмы, включая вымершие, на эволюционных деревьях.
Исследователи применили свою модель к классификации пыльцы и спор, которые являются древними и распространенными элементами в ископаемых находках. Они собрали оптические изображения современных и ископаемых образцов пыльцы и обучили модель на данных о 30 живых видах Podocarpus. В процессе обучения модель выделила важные характеристики для классификации пыльцы, которые затем были использованы для создания филогенетически обоснованной функции расстояния.
Для проверки эффективности модели исследователи протестировали её на ископаемой пыльце из Панамы, Перу и Колумбии. Результаты показали, что модель почти полностью совпадала с классификациями, сделанными палеоэкологами, что подтверждает её способность точно определять филогенетические связи.
Команда планирует расширить свою работу, сотрудничая с коллегами из Смитсоновского института, чтобы применить модель к более широкому набору данных о ископаемой пыльце. Они уверены, что использование глубокого обучения и компьютерного зрения позволит значительно улучшить анализ и интерпретацию ископаемых данных.
В будущем исследователи намерены повысить точность и адаптивность своей модели, увеличив объем обучающих данных и интегрируя новые достижения в области машинного обучения. Эта работа не только открывает новые возможности для палеонтологии, но и может быть применена к классификации других ископаемых организмов, что делает её универсальным инструментом для изучения биологического разнообразия.