利用FAIR AI模型加速科学发现

煤油灯科技2024-11-06 13:18

将FAIR原则应用于人工智能模型,变革了科学研究,使研究结果更快、更可靠。

阿贡国家实验室的研究人员将人工智能与数据集相结合,极大地加速了材料分析,为先进的人工智能驱动的科学突破铺平了道路。

人工智能的FAIR原则

研究人员最初提出了FAIR原则,即可查找性(Findable)、可访问性(Accessible)、可互操作性(Interoperable)和可重用性(Reusable),旨在定义研究人员和机器最大化利用数据集的最佳实践。如今,这些原则已被用于科学数据集和研究软件,目的是提高研究的透明度、可重复性和可重用性,并鼓励软件重用而非重新开发。

人工智能(AI)模型集成了数据集、研究软件和先进计算等各种数字资产,如今也遵循这些原则。一篇新论文提出了一套实用、简洁且可衡量的、专门针对AI模型的FAIR原则。该论文进一步详细阐述了将FAIR AI模型与数据集相结合如何能够显著加速科学发现。

通过可查找、可访问、可交互和可再用的AI推动科学发现

本文为人工智能(AI)模型引入了FAIR原则的精确定义,并阐述了这些原则在一种特殊的高级显微镜中的应用。具体而言,本文展示了FAIR数据集与AI模型的集成,用于表征阿贡国家实验室(ANL)先进光子源的材料,其速度比传统方法快两个数量级。

该研究还强调了如何将阿贡国家实验室(ANL)的先进光子源与阿贡领导力计算设施相结合,以进一步提高科学发现的速度。该方法克服了硬件差异,促进了研究人员之间形成统一的AI语言,并推动了AI驱动的发现。实施这些针对AI模型的FAIR指南,将推动下一代AI技术的发展,并促进数据、AI模型与高性能计算之间建立新的联系。

FAIR 数据与人工智能模型的应用

在这项研究中,科学家们在阿贡国家实验室先进光子源上生成了一个未变形双晶金样品的布拉格衍射峰的FAIR实验数据集。该FAIR数据集已做好AI准备,并发布在材料数据平台上。

然后,研究人员使用这个数据集在阿贡领导力计算设施(ALCF)中训练了三种人工智能(AI)模型:一种使用开源应用程序接口PyTorch的传统AI模型;一种使用ThetaGPU超级计算机的传统PyTorch AI模型的NVIDIA TensorRT版本;以及一种在ALCF AI测试台的SambaNova DataScale™系统上训练的模型。这些AI模型采用了不确定性量化指标,可以明确指示AI预测何时可靠。

实施和验证FAIR人工智能模型

随后,根据研究人员提出的针对人工智能模型的FAIR原则,这三个不同的模型被发布在科学数据与学习中心(Data and Learning Hub for Science)。然后,他们将这些不同的资源、FAIR人工智能模型和数据集连接起来,并使用阿贡领导计算设施(Argonne Leadership Computing Facility)的ThetaGPU超级计算机进行可重复的人工智能驱动推理。

整个工作流程由Globus进行协调,并由Globus Compute执行。研究人员开发了软件来自动化这项工作,并请伊利诺伊大学的同事独立验证研究成果的可重复性。

参考文献:Nikil Ravi、Pranshu Chaturvedi、E. A. Huerta、郑春柳(Zhengchun Liu)、Ryan Chard、Aristana Scourtas、K. J. Schmidt、Kyle Chard、Ben Blaiszik和Ian Foster于2022年11月10日在《科学数据》(Scientific Data)上发表的“具有高能衍射显微镜加速实际应用的人工智能模型的FAIR原则”

本工作得到能源部(DOE)科学办公室高级科学计算研究(ASCR)FAIR数据项目和Braid项目的支持。它使用了阿贡领导力计算设施(ALCF,属DOE科学办公室用户设施)的资源。同时,本研究还得到了美国商务部国家标准与技术研究院(NIST)、美国国家科学基金会(NSF)、阿贡国家实验室定向研究与发展项目以及阿贡国家实验室先进光源(属DOE科学办公室用户设施)资源的支持。

你可能也喜欢这些文章

科技互联网,科技,资讯,动态,洞察,量子,计算,AI,人工智能,机器人,区块链,Web3,分布式,操作系统,OS,芯片,视频,深度,论文