Преобразование науки улучшение жизни благодаря искусственному интеллекту

Приверженность развитию искусственного интеллекта (ИИ) в качестве национальной исследовательской стратегии в Соединенных Штатах, возможно, однозначно определила 2019 год как Год ИИ, особенно на федеральном уровне, в частности, во всем Министерстве энергетики США и его национальном лабораторном комплексе.

В феврале Белый дом издал Указ о сохранении американского лидерства в области искусственного интеллекта (Американская инициатива по искусственному интеллекту), чтобы расширить ведущую роль страны в исследованиях искусственного интеллекта.

Его цели - стимулировать экономический рост, укреплять национальную безопасность и улучшать качество жизни. Эта инициатива привносит значительные и крайне необходимые исследовательские средства в федеральные учреждения на всей территории Соединенных Штатов, содействуя технологическим достижениям и инновациям, а также расширяет сотрудничество с неправительственными партнерами и союзниками за рубежом.

В ответ Министерство энергетики сделало ИИ - наряду с суперкомпьютерными вычислениями и квантовыми вычислениями - основным элементом своего бюджета на научные исследования и разработки в размере 5,5 миллиардов долларов и создало Бюро по искусственному интеллекту и технологиям , которое будет координировать работу по ИИ, выполняемую во всем МЭ.

В учреждениях Министерства энергетики, таких как Аргоннская национальная лаборатория, исследователи уже начали использовать ИИ для разработки более совершенных материалов и процессов, защиты энергосистемы страны, ускорения лечения травм и рака головного мозга, а также разработки микроэлектроники следующего поколения для применения в устройствах с ИИ. За последние два года Argonne добился значительных успехов в реализации собственной инициативы ИИ.

Используя широкие возможности лаборатории и возможности мирового класса, она приступила к изучению и расширению новых методов искусственного интеллекта: поощрять сотрудничество; автоматизировать традиционные методы исследования, а также лабораторные установки и поиск дисков.

Конференция AI forScience

В июле здесь проходила конференция AI for Science - первое из четырех таких мероприятий, в которых также участвовали национальные лаборатории Ок-Риджа и Лоуренса Беркли и Управление науки Министерства энергетики. Привлекая около 350 членов сообщества ИИ, конференция послужила стимулом для разговоров о расширении разработки и использования ИИ, одновременно решая критические проблемы с помощью структуры инициативы под названием «ИИ для науки».

«ИИ для науки требует новых исследований и инфраструктуры, где мы должны перемещать большое количество данных и отслеживать тысячи моделей», - говорит Рик Стивенс, заместитель директора лаборатории Argonne по вычислительной технике, окружающей среде и науке о жизни (CELS) и профессор компьютерных наук в Чикагском университете. «Как мы можем распространить эту производственную возможность среди тысяч людей?

Для оптимизации рабочих процессов нам необходимо иметь системное программное обеспечение с другими возможностями для ИИ, чем для программного обеспечения для моделирования. И это только некоторые из вопросов, которые мы должны начать рассматривать». Разговор только начался и продолжается в ходе бесед и мероприятий, таких как недавний семинар «ИИ для науки», направленный на повышение интереса к возможностям ИИ посредством технических практических занятий.

Argonne также проведет у себя в Чикаго саммит искусственного интеллекта по инновациям XLab в DOE, призванный продемонстрировать преимущества и возможности национальных лабораторий и облегчить обмен информацией и идеями между промышленностью, университетами, инвесторами и конечными потребителями с новаторами и экспертами Lab.

Что такое ИИ?

Попросите любого ученого определить, что же такое ИИ, и вы непременно получите - ну, во-первых, долгую неловкую паузу и, возможно, смешок - диапазон ответов от более традиционного «использования вычислений для имитации того, как человек интерпретирует данные» к«технологии, которая пытается скопировать человеческий мозг».

В совокупности ИИ вполне можно рассматривать как многокомпонентный набор инструментов, который позволяет компьютерам изучать, распознавать шаблоны, решать задачи, исследовать сложные наборы данных и адаптироваться к изменяющимся условиям - во многом как люди, но однажды, может быть, и лучше.

Хотя определения и инструменты могут различаться, цели остаются теми же: использовать или разрабатывать самые передовые технологии искусственного интеллекта для более эффективного решения самых насущных проблем в науке, медицине и технике и ускорения открытий в этих областях.

В Argonne ИИ стал критически важным инструментом для моделирования и прогнозирования практически во всех областях, где лаборатория обладает значительным опытом в областях: химии, материаловедения, фотоники, экологии и производственных наук, биомедицины, геномики и космологии. Ключевым компонентом набора инструментов Argonne's AI является метод, называемый машинным обучением и его производными, такими как глубокое обучение.

Последний построен на нейронных сетях, состоящих из множества слоев искусственных нейронов, которые изучают внутренние представления данных, имитируя человеческие системы сбора и обработки информации, такие как мозг. «Глубокое обучение - это использование многоуровневых нейронных сетей для машинного обучения, программа, которая становится умнее или точнее, поскольку она получает больше данных для изучения.

Такие программы очень быстро учатся выполнять требуемые от них задачи», - говорит Стивенс. Будучи убежденным сторонником искусственного интеллекта, особенно глубокого обучения, Стивенс является главным исследователем межведомственной работы по разработке приложения CANDLE для глубокой нейронной сети (CANcer Distributed Learning Environment), которое объединяет глубокое обучение с новыми данными, методами моделирования и симуляции для ускорения исследования рака.

Применение ИИ в науке

В сочетании с мощью будущего компьютера Arurone Aurora, который способен обеспечивать миллиард миллиардов вычислений в секунду, среда CANDLE позволит применять более персонализированный и эффективный подход к лечению рака. И это только небольшой пример потенциала ИИ в науке. В настоящее время во всей Argonne исследователи участвуют в более чем 60 исследованиях, связанных с ИИ, многие из которых основаны на машинном обучении.

Работа выдающегося научного сотрудника Argonne Валери Тейлор рассматривает, как приложения выполняются на компьютерах и в крупномасштабных высокопроизводительных вычислительных системах. Используя машинное обучение, она и ее коллеги моделируют поведение выполнения, а затем используют эту модель, чтобы предоставить обратную связь о том, как наилучшим образом изменить приложение для повышения производительности.

«Улучшая производительность мы увеличиваем скорость выполнения операция, хотя общая мощность и может снизиться», - говорит Тейлор, директор подразделения Argonne по математике и информатике (MCS). «Мы используем статистический анализ для разработки моделей и определения подсказок о том, как изменить приложение». Ученые-материаловеды изучают использование машинного обучения для оптимизации моделей сложных свойств материалов при открытии и разработке новых материалов, которые могли бы помочь в накоплении энергии, электронике, создании возобновляемых источников энергии, и это лишь некоторые из областей.

И все же все больше проектов решают сложные проблемы транспорта и эффективности транспортных средств, улучшая конструкцию двигателя, сводя к минимуму пробки на дорогах, повышая энергоэффективность и безопасность. «Улучшая производительность мы увеличиваем скорость выполнения операция, хотя общая мощность и может снизиться. Мы используем статистический анализ для разработки моделей и определения подсказок о том, как модифицировать приложение». - Валери Тейлор, директор отделения математики и компьютерных наук (MCS) Аргонна

Насколько же обширна эта область?

Помимо глубокого изучения, есть много поддиапазонов ИИ, над которыми люди работали годами, отмечает Стивенс. «И, хотя в настоящее время доминирует машинное обучение, вскоре определенно появится что-то что будет конкурировать с ним». «К примеру, обработка естественного языка коммерчески узнаваема как технология, активируемая голосом», - считают создатели Siri.

Превышение этих показателей - это возможность просматривать, анализировать и обобщать информацию по заданной теме из журнальных статей, отчетов и других публикаций, а также извлекать и объединять избранную информацию из массивных и разрозненных наборов данных.

Иммерсивная визуализация может поместить нас в трехмерные миры нашего собственного сознания, внедрить объекты или данные в нашу текущую реальность или улучшить распознавание человеческих образов. Исследователи Argonne нашли применение виртуальной и дополненной реальности в трехмерной визуализации сложных наборов данных и обнаружении недостатков или нестабильностей в механических системах.

Робототехника – еще одно важное направление

И, конечно же, есть робототехника - тема, изучаемая в Argonneв конце 1940-х годов и перезапущенная в 1999 году, - которая только начинает использовать преимущества расширяющегося инструментария искусственного интеллекта Argonne, будь то для проведения исследований в определенной области или для улучшения его более утилитарного использования.

До недавнего времени, согласно Стивенсу, ИИ представлял собой набор методов, использующих совершенно разные базовые механизмы, и люди, использующие их, не обязательно сообщали друг другу о своих достижениях. Но с федеральной инициативой и видением всей Лаборатории все вскоре измениться. Среди тех, кто пытается найти новые способы сотрудничества и объединения этих различных методов искусственного интеллекта, - Мариус Стэн, ученый в области вычислительной техники в Аргоннском отделе прикладных материалов (AMD) и старший научный сотрудник Консорциума передовых наук и инженерии Чикагского университета и Северо-Западного университета.

Стэн возглавляет область исследований под названием «Интеллектуальное проектирование материалов», в которой основное внимание уделяется объединению различных элементов ИИ для обнаружения и разработки новых материалов, а также для оптимизации и управления сложными процессами синтеза и производства. Работа над последним привела к сотрудничеству между Стэном и его коллегами из подразделений прикладных материалов и энергетических систем и Аргоннского вычислительного центра лидерства (ALCF), Пользовательского центра Министерства науки.

Объединяя машинное обучение и компьютерное зрение с технологией Flame Spray Pyrolysis в Исследовательском центре материаловедения Argonne, команда разработала «интеллектуальное программное обеспечение» для ИИ, которое в реальном времени может оптимизировать производственный процесс.

Как ИИ еще может нам помочь?

Независимо от того, согласны ученые с этим определением или нет, большинство исследователей подтвердят то, что стимулом для эскалации ИИ в научных исследованиях стал приток огромных массивов данных и вычислительная мощность для их анализа и сортировки. Толчок исходил не только от крупных корпораций, полных пользовательских данных, но и инструментов, стимулирующих исследования в других направлениях, становясь все более обширными - большие и лучшие телескопы и ускорители и, конечно, суперкомпьютеры, на которых они могли запускать большие многомасштабные симуляции. «Размеры симуляций, которые мы проводим, настолько велики, что проблемы, которые мы пытаемся решить, становятся все больше, так что эти методы искусственного интеллекта больше нельзя рассматривать как роскошь, а как обязательную технологию», - отмечает Прасанна Балапракаш. Размер данных и вычислений также способствовал сближению более традиционных методов, таких как моделирование и анализ данных, с машинным и глубоким обучением. Если анализ данных, сгенерированных с помощью моделирования, в конечном итоге приведет к изменениям в базовой модели, эти данные теперь возвращаются в модели машинного обучения и используются для более точного моделирования. «Более или менее любой, кто занимается крупномасштабными вычислениями, применяет подход, который ставит машинное обучение в центр этого сложного вычислительного процесса, и ИИ будет продолжать интегрироваться с моделированием по-новому», - говорит Стивенс. «И там, где большинство пользователей занимаются теоретическим моделированием, имитацией, они будут интегрированы с экспериментаторами в области интенсивной работы с данными. Таким образом, общество людей, которые будут участвовать в этой инициативе, будет более разнообразным». Но хотя ИИ приводит к более быстрому времени решения и более точным результатам, количество точек данных, параметров и итераций, необходимых для достижения этих результатов, все еще может оказаться огромным. Ориентируясь на автоматизированное проектирование и разработку масштабируемых алгоритмов, Балапракаш и его коллеги из Argonne разрабатывают новые типы алгоритмов и методов ИИ для более эффективного решения крупномасштабных задач, связанных с различными диапазонами данных. Эти дополнения предназначены для улучшения масштабирования существующих систем на суперкомпьютерах, подобных тем, которые размещены в ALCF. «Размеры симуляций, которые мы проводим, настолько велики, что проблемы, которые мы пытаемся решить, становятся все больше, так что эти методы искусственного интеллекта нужно рассматривать не как роскошь, а как обязательную технологию», - Прасанна Балапракаш, ученый в MCS и ALCF. «Мы разрабатываем автоматизированную систему машинного обучения для широкого спектра научных применений, от анализа данных лекарств от рака до моделирования климата», - говорит Балапракаш. «Один из способов ускорить моделирование - заменить вычислительно дорогостоящую деталь прогнозирующей моделью на основе ИИ, которая может ускорить процесс».

Поддержка промышленности

Методы искусственного интеллекта, которые, как ожидается, будут способствовать открытию, настолько же хороши, насколько и технологии, которые ими управляют, что делает необходимым сотрудничество между промышленностью и национальными лабораториями. «Промышленность вкладывает огромные средства в создание инструментов ИИ», - говорит Тейлор. «Их усилия не должны дублироваться, но они должны быть использованы. Кроме того, из-за столкновения различных мнений будет разрабатываться более надежный ИИ». Argonne уже давно поддерживает отношения с производителями компьютеров, чтобы поставлять целую серию все более мощных машин, способных справляться с экспоненциальным ростом объема данных и масштабов моделирования. Их последняя сделка заключается в том, что с производителем полупроводниковых микросхем Intel и производителем суперкомпьютеров Cray разрабатываются расширительные машины Aurora. Но лаборатория также сотрудничает с множеством других промышленных партнеров в разработке или предоставлении всего, от чип-дизайна до видеокамер с глубоким обучением.

Сотрудники Argonne

Один из них, Cerebras, работает с Argonne над тестированием первого в своем роде ускорителя ИИ, который обеспечивает улучшение в 100–500 раз по сравнению с существующими ускорителями ИИ. В качестве своего первого клиента в США, Argonne развернет Cerebras CS-1 для улучшения научных моделей искусственного интеллекта для рака, космологии, визуализации мозга и материаловедения, среди прочих. Arrayof Things, финансируемое Национальным научным фондом, является партнерством между Argonne и Чикагским университетом, активно ищет коммерческих поставщиков технологий для своей новейшей вычислительной сети программируемых мультисенсорных устройств. Но Аргонн и другие национальные лаборатории не единственные, кто извлекает выгоду из этого сотрудничества. По словам Балапракаша, компании понимают ценность работы с такими организациями, признавая, что инструменты ИИ, разработанные лабораториями, в сочетании с масштабными задачами, которые они стремятся решить, предлагают уникальные отраслевые преимущества с точки зрения трансформации бизнеса и экономического роста. «Компании заинтересованы в сотрудничестве с нами из-за типа научных приложений, которые у нас есть для машинного обучения», - добавляет он. - «То, что у нас есть, настолько разнообразно, что заставляет их гораздо сложнее задуматься о том, как создать чип или разработать программное обеспечение для этих типов рабочих нагрузок и научных приложений. Это беспроигрышный вариант для всех сторон».

Наше будущее зависит от ИИ

«Есть только одна область, где я не вижу, чтобы ИИ превосходил людей в ближайшее время, и это формулировка гипотез», - говорит Стэн, - «потому что это требует творческого подхода. Люди предлагают интересные проекты, и для этого нужно быть креативным, делать корреляции, предлагать что-то необычное. Это все еще человеческая территория, но вскоре машины и тут могут перехватить инициативу». Тем временем исследователи Аргонны продолжают расширять границы существующих методов искусственного интеллекта и создавать новые компоненты для набора инструментов ИИ. Методы глубокого обучения, такие как нейроморфные алгоритмы, которые демонстрируют адаптивную природу насекомых в столь же небольшом вычислительном пространстве, могут использоваться на «краю» - там, где мало вычислительных ресурсов, как в сотовых телефонах. Оптимизирующая нейронная сеть, называемая поиском нейронной архитектуры, в которой одна нейросетевая система улучшает другую, помогает автоматизировать разработку прогностической модели на основе глубокого обучения в нескольких научных и инженерных областях, таких как обнаружение лекарств от рака и прогнозирование погоды с использованием суперкомпьютеров. Подобно тому, как большие данные и более совершенные вычислительные инструменты способствовали сближению симуляции, анализа данных и визуализации, внедрение превосходного компьютера Aurora в аргоннский комплекс инструментов и экспертов класса лидерства будет только способствовать ускорению развития ИИ. Все к тому времени может поменяться, но ИИ здесь, чтобы оставаться неотъемлемой частью многих научных подходов и нашей жизни.