Ухаживание паука расшифровано с помощью машинного обучения

Использование машинного обучения для отсеивания нежелательных звуков и выделения сигналов, издаваемых тремя видами пауков-волков, не только способствовало пониманию поведения ухаживания арахнидов, но и ускорило развитие новой дисциплины - экологии звуковых ландшафтов.

Будучи статистиком, или, в современной терминологии, специалистом по изучению данных, вы время от времени получаете возможность сотрудничать с проектами, выходящими далеко за пределы вашей собственной области знаний. Звуковая экология - слишком новая дисциплина, чтобы ко мне обращались за помощью, но все чаще исследователи, не имеющие ни математического, ни компьютерного образования, могут воспользоваться преимуществами машинного обучения для работы практически с любым типом данных, собранных практически по любому сценарию.

В случае исследования, о котором здесь сообщается, сценарием был лиственный лес, а данными - аудиосигналы, в частности вибрационные сигналы, передаваемые по субстрату. Исследование, анализ полученных виброкартин, о котором сообщается в недавнем выпуске журнала Communications Biology, относится к новой области "экологии звуковых ландшафтов", которая использует технологию звукозаписи для сбора и количественной оценки биологических, геофизических и антропогенных звуков в природных сообществах.

До сих пор экология звуковых ландшафтов была сосредоточена преимущественно на сборе и классификации воздушных звуков и упускала из виду акустическую среду на субстрате, пишет Нури Чой, один из авторов статьи:

Такая узкая направленность значительно ограничивает наше понимание экологии звуковых ландшафтов, поскольку игнорирует наиболее разнообразные и представительные виды в сообществе. Например, многие членистоногие - основная таксономическая группа большинства экосистем - общаются преимущественно с помощью вибраций, передающихся по субстрату. Такие сигналы, к сожалению, не улавливаются большинством воздушных датчиков звука.

Чтобы исправить ситуацию, Чой, в то время докторант Университета Небраски-Линкольна, отправился изучать три вида пауков-волков - Schizocosa stridulans, S. uetzi и S. duplex. Для этого нужно было установить 25 крошечных дешевых контактных микрофонов и 20 ловушек на участках лесной подстилки площадью 1 000 квадратных футов в Северном Миссисипи и ждать, пока накопится информация. Затем Линкольну пришлось просеять 39 000 часов данных, включая более 17 000 серий вибраций. Первоначальный анализ привел Чоя к записи:

"Виброскейп - более оживленное сигнальное пространство, чем мы ожидали, поскольку он включает в себя как вибрации, передающиеся по воздуху, так и вибрации, передающиеся по субстрату".

К счастью, Чою не пришлось прибегать к ручному труду, чтобы отделить звуки других насекомых и птиц, ветра, взаимодействующего с ветвями деревьев, и антропогенного шумового загрязнения от пролетающих над головой самолетов. Вместо этого он разработал программу машинного обучения, способную отфильтровывать нежелательные звуки и изолировать вибрации трех отдельных видов пауков-волков: Schizocosa stridulans, S. uetzi и S. duplex. Это позволило ему идентифицировать песни ухаживания трех видов наземных пауков-волков и получить новые сведения о поведении арахнидов, в частности, о совпадении акустических частот, времени и пространства для сигналов между видами-братьями S. stridulans и S. uetzi, включая обнаружение того, что оба вида ограничивают свои сигналы, когда они находятся на листовой подстилке, а не на сосновых обломках.

Комментируя использование Чоем машинного обучения для анализа виброскафов, его научный руководитель Эйлин Хебетс, профессор биологических наук Джорджа Холмса в Университете Небраски, сказала:

"Это 100% новинка. Я думаю, что это откроет направления исследований, которые люди пытались изучить на протяжении многих лет, но так и не смогли открыть дверь. И я думаю, что Нури полностью открыл ее, поставил ограничитель, и теперь все могут пройти через нее".

С учетом того, что машинное обучение и генеративный ИИ становятся все более доступными, мы, вероятно, увидим, как это настроение будет часто повторяться в ближайшие месяцы и годы.