給人工智慧用的人工智慧:新式演算法有助於加快科學發現的腳步

作者 Jamie Beckett

深度學習展現出了奇蹟,從駕駛、辨識口說內容,再到創作音樂,深度學習讓這一切都自動運作。如今美國能源部橡樹嶺國家實驗室(ORNL)的科學家開發出新的軟體,日後深度學習將推動加快科學發現的腳步。

科學家團隊使用 ORNL 的 GPU 加速 Titan 超級電腦,開發出一種自動生成神經網路的演算法,它粗略模仿人腦內神經元的串連情況,會在深度學習裡進行「學習」。

用於深度學習的多節點進化神經網路(Multi-node Evolutionary Neural Networks for Deep Learning,MENNDL)會評估、測試及推薦用於獨特資料集的神經網路,就像是科學家收集的獨特資料集,加上 GPU 的加速運算能力,將原本要耗費數月的工作時間縮短到幾週便可完成。

ORNL 的 Nature Inspired Machine Learning 團隊研究科學家 Steven Young 說:「MENNDL 可以節省人們的寶貴時間,更早發現科學界的新知。」

供科學家使用的人工智慧

ORNL 的團隊雖為科學家開發出 MENNDL,它卻有可能更廣泛地改變人工智慧。研究團隊訓練神經網路,開發軟體來執行某些工作。ORNL 的軟體會自己建立神經網路,消除了配置神經網路所需的試錯過程。

演算法在 Titan 的18,688個 Tesla GPU 上進行運作,同時測試及訓練數千個潛在的神經網路,以預測最適合這項工作的神經網路。

在許多領域裡,研究人員利用現有的神經網路或資料集當成進行深度學習的起點,這對科學家來說卻是不可能的。他們使用科學儀器來收集資料,跟教導電腦辨識臉孔或理解口說內容的資料集,有極大的不同。

Young 說:「我們在實驗室裡使用從微中子探測器、電子顯微鏡或其他科學儀器取得的資料,那跟貓狗的照片相去甚遠。」

費米國立加速器實驗室(Fermi National Accelerator Laboratory)的 MINERvA 微中子探測器。

24小時運轉

MENNDL 已經加快了對微中子物理的研究。科學家認為可以通過微中子這項次原子粒子,揭開宇宙起源和物質性質等尚待解開的奧秘。

微中子的蹤跡極難以發現,美國能源部費米國立加速器實驗室(Fermilab)的科學家使用高強度光束來研究微中子與普通物質的反應。此舉產生了大量資料,研究人員必須加以分析,以精準找出發生相互作用的位置。

Young 表示以前 Fermilab 的團隊要花費數個月來測試,企求找到能解決問題的神經網路,而 MENNDL 只用了24個小時便做到了。

Young說:「科學家無需花上幾個月的時間去研究深度學習框架,MENNDL 只要一天的時間便能找出能處理其資料的神經網路。」

那使得研究人員能在更短時間內進行更多實驗,更快推動科學界的發展腳步。

如需更多資訊,請見 ORNL 的報告《Optimizing Deep Learning Hyper-Parameters Through an Evolutionary Algorithm》。

如要瞭解更多關於 ORNL 在深度學習和超級電腦方面的最新研究動態,請參加326日至29日在矽谷舉行的 GPU 科技大會。請立即報名

*本文主要圖片顯示了費米國家加速器實驗室 MiniBooNE 微中子探測器的內部。