Rivoluzione nella ricerca: l'IA rivela i segreti delle radici delle piante

RomeGli scienziati del Berkeley Lab hanno fatto progressi nella ricerca agricola. Hanno sviluppato RhizoNet, uno strumento AI che analizza le radici delle piante. La conoscenza delle radici è essenziale poiché esse aiutano nell'assorbimento di acqua e nutrienti.

I vecchi metodi richiedevano molto lavoro e spesso fornivano risultati sbagliati. RhizoNet utilizza il deep learning per automatizzare il processo con elevata precisione. Ecco cosa c'è da sapere:

• Sviluppato dai laboratori di Matematica Applicata, Ricerca Computazionale e Biologia dei Sistemi e Genomica Ambientale di Berkeley.
• Utilizza l'apprendimento profondo per analizzare le radici delle piante.
• Automatizza l'analisi delle immagini delle radici, migliorando la precisione.
• Adotta un'architettura Residual U-Net per la segmentazione.
• Permette di monitorare la crescita delle radici e la biomassa.

Uno studio pubblicato su Scientific Reports introduce RhizoNet. Daniela Ushizima, la principale ricercatrice, ha spiegato che RhizoNet standardizza la segmentazione e l'analisi delle radici.

EcoFAB: la nuova tecnologia che svela le radici delle piante

EcoFAB è uno strumento innovativo che ci permette di osservare chiaramente le radici delle piante. Sviluppato con il supporto del DOE Joint Genome Institute e della divisione Climate & Ecosystem Sciences, EcoFAB offre dati estremamente coerenti.

RhizoNet e EcoFAB assistono gli scienziati nell'analisi delle scansioni delle radici in ambienti nutrienti differenti. RhizoNet utilizza le scansioni a colori realizzate da EcoFAB e un modello Residual U-Net, che include connessioni aggiuntive per migliorare la segmentazione.

Leggi anche:

21 novembre 2024 · 15:27

Gli Stati Uniti dominano l'innovazione AI, la Cina insegue nel ranking di Stanford

Peter Andeer, uno degli scienziati del progetto, ha spiegato che EcoBOT facilita la raccolta di immagini, mentre RhizoNet si occupa automaticamente dell'analisi dei dati. Questo rende il lavoro più rapido e promuove lo sviluppo di laboratori automatizzati. Hanno utilizzato le risorse NERSC per addestrare RhizoNet e condurre test. Il sistema fornisce informazioni dettagliate e precise sulle dimensioni e sulla crescita delle radici delle piante.

Zineb Sordo, data scientist sul progetto, ha spiegato come abbiano sviluppato un nuovo modello di rete neurale convoluzionale per il loro lavoro. Questo modello risulta più preciso rispetto alle annotazioni manuali. Utilizzando parti più piccole delle immagini, il modello offre prestazioni migliori e riesce a cogliere dettagli più sottili.

Abbiamo valutato l'accuratezza del modello confrontando le previsioni della biomassa radicale con le misurazioni effettive. La regressione lineare ha mostrato una forte correlazione, dimostrando che RhizoNet è più preciso rispetto alle annotazioni manuali. Questi risultati confermano l'alta capacità di RhizoNet.

Le scoperte potrebbero portare a progressi nelle energie ecologiche e nei metodi per la cattura del carbonio. Ushizima e il suo team intendono migliorare RhizoNet per rilevare e analizzare i modelli di ramificazione più efficacemente. Pensano inoltre che gli algoritmi possano essere utili nello studio delle radici nel suolo e nell'esplorazione di nuove aree nella scienza dei materiali.

Peter Andeer, Trent Northen, Camille Catoulos e James Sethian fanno parte del team. Questo progetto rientra nell'iniziativa Twin Ecosystems. Utilizza software di visione artificiale e progettazione autonoma di esperimenti per studiare gli ecosistemi. Supporta anche l'iniziativa Carbon Negative Earthshot del DOE.