自動駕駛、語音識別、音樂創(chuàng)作等一系列的奇跡正在由深度學習創(chuàng)造。如今，美國能源部橡樹嶺國家實驗室 (ORNL) 的科學家開發(fā)出了一款新軟件，使得深度學習能夠進一步助力科學發(fā)現(xiàn)。

Fermi國家加速器實驗室MiniBooNE中微子探測器內(nèi)部

ORNL的團隊致力于研究GPU加速的Titan超級計算機，并開發(fā)出了一種可以自動生成神經(jīng)網(wǎng)絡的算法。這些神經(jīng)網(wǎng)絡以人腦中的連接為模型自由構建，并以深度學習的方式進行“學習”。

MENNDL（全稱Multi-node Evolutionary Neural Networks for Deep Learning，深度學習多節(jié)點進化神經(jīng)網(wǎng)絡），用于評估和測試科學家收集的獨特數(shù)據(jù)集等類別的神經(jīng)網(wǎng)絡，并為其提供建議。借助GPU的加速，其速度變得非常之快，可將之前需要幾個月才能完成的工作縮短到幾周。

“MENNDL可以節(jié)省人們的時間，提高科學發(fā)現(xiàn)的速度，”O(jiān)RNL 自然啟發(fā)機器學習（Nature Inspired Machine Learning）團隊研究科學家Steven Young說道。

面向科學家的AI

盡管ORNL團隊是為科學家創(chuàng)建的MENNDL，但AI的范圍由此可能得到更廣泛的拓展。通過訓練神經(jīng)網(wǎng)絡，研究人員創(chuàng)建了一款執(zhí)行特定任務的軟件。ORNL的軟件自身可以創(chuàng)建網(wǎng)絡，因此，取消了一般情況下配置網(wǎng)絡時所需的試驗和糾錯流程。

該算法可以在Titan的18,688個NVIDIA Tesla GPU中進行規(guī)模擴展，同時對幾千個潛在網(wǎng)絡進行測試和訓練，從而預測更適合相應工作的網(wǎng)絡。

在許多領域，研究人員使用現(xiàn)有的神經(jīng)網(wǎng)絡或數(shù)據(jù)集作為其進行深度學習研究的平臺。但是，這種方式并不適用于科學家，因為其數(shù)據(jù)來自科學儀器，并且與用來教計算機進行面部識別或語音識別的數(shù)據(jù)有很大不同。

“我們在實驗室使用的數(shù)據(jù)提取自中微子探測器、電子顯微鏡或一些其他科學儀器，”Young說，“這與貓貓狗狗的圖片有很大的區(qū)別。”

Fermi國家加速器實驗室的MINERvA中微子探測器

將工作周期縮短至24小時

MENNDL已經(jīng)加快了中微子物理的研究速度。中微子是亞原子微粒，科學家認為它們可以揭開宇宙起源和物質(zhì)本質(zhì)的未解之謎。

由于中微子探測起來極其困難，美國能源部Fermi國家加速器實驗室(Fermilab) 使用高強度光束來研究它們與普通物質(zhì)的相互作用的方式。這將生成海量數(shù)據(jù)，研究人員必須對這些數(shù)據(jù)進行分析，才能精確識別發(fā)生相互作用的位置。

Young指出，過去，F(xiàn)ermilab團隊需要花費好幾個月時間來測試神經(jīng)網(wǎng)絡，才能找出有助于解決問題的網(wǎng)絡，而MENNDL只需24小時即可完成。

“有了MENNDL，科學家不再需要花費幾個月時間來尋找合適的深度學習框架，只需一天時間即可找出有助于處理數(shù)據(jù)的網(wǎng)絡，”Young說道。

因此，研究人員將能夠在更短時間內(nèi)進行更多的試驗，更快地推動科學進步。