Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

La recherche neurale d'architecture automatise le développement des modèles apprendre profonds pour la cancérologie

Les chercheurs d'Argonne ont produit une recherche neurale d'architecture qui automatise le développement des modèles prévisionnels basés sur profond pour des caractéristiques de cancer.

Tandis que les navires de type SWATH croissants des caractéristiques rassemblées et les écailles croissantes de calculer le pouvoir aident à améliorer notre compréhension de cancer, l'élaboration ultérieure des méthodes caractéristique caractéristique pour le diagnostic de la maladie, le dépistage et le pronostic est nécessaire. Il y a un besoin particulier de développer profond-apprendre des méthodes - ; c'est-à-dire, algorithmes d'apprentissage automatique capables d'extraire la science des caractéristiques non structurées.

Les chercheurs du ministère de l'énergie des États-Unis le laboratoire (DOE) national d'Argonne ont effectué des pas vers accélérer de tels efforts en présentant une méthode pour le rétablissement robotisé des réseaux neuronaux.

Comme détaillé dans un papier pour l'exposé à la conférence SC19, les chercheurs, utilisant des moyens du commandement d'Argonne calculant l'installation (ALCF), un bureau de DAINE d'installation d'usager de la Science, ont déterminé une recherche neurale d'architecture (NAS) qui, pour une classe des caractéristiques représentatives de cancer, automatise le développement des modèles prévisionnels basés sur profond.

Ce que nous faisons dans ce travail est, au lieu de concevoir un réseau neuronal, nous conçoivent un autre réseau neuronal qui construit des réseaux plus neuronaux et peut les former. Basé sur l'exactitude qui est réalisée, ce réseau neuronal apprend lentement comment établir de meilleurs réseaux neuronaux. »

Informaticien de Prasanna Balaprakash, d'Argonne et auteur important du papier

En d'autres termes, il a dit, il est artificial intelligence pour l'artificial intelligence.

Le NAS recense des architectures de réseau neuronal profondes avec moins paramètres orientables, temps de formation plus court, et exactitude appariant ou surpassant cela de leurs homologues manuellement conçues.

Les applications des réseaux neuronaux profonds s'étendent bien au-delà de la catégorie simple. Les tâches complexes pour des réseaux neuronaux utilisés dans la cancérologie pourraient comprendre déterminer comment les différentes combinaisons des médicaments agissent l'un sur l'autre les uns avec les autres et leur choc sur des cellules tumorales. Mais la construction de ces réseaux pour réaliser une telle complexité peut prouver une tâche encombrante et longue, une souvent conçue par le test et erreur.

D'ailleurs, la cancérologie et la découverte exigent nombreux et des divers types des ensembles de données, on dont soyez non structuré et ne contenez pas les images ou le texte. De cette multitude, le modèle manuel des réseaux neuronaux menace de devenir un goulot d'étranglement pendant que les chercheurs investissent beaucoup d'heure et d'énergie essayant d'apparier un ensemble de données donné avec le bon type de réseau neuronal afin de construire les modèles prévisionnels.

« Si nous automatisons ce procédé de couplage, » Balaprakash a dit, les « scientifiques auront la capacité d'établir un modèle en quelques heures en tant qu'opposé passer des semaines travaillant au développement manuel. Établir un modèle ne risquera alors plus de devenir un goulot d'étranglement, et la vitesse plus rapide de construction signifie que nous pouvons consacrer plus de temps à pousser des limites scientifiques avec la modélisation prévisionnelle et ainsi de suite. »

Les différences entre le modèle robotisé et manuel frappent immédiatement. Considérant que le modèle manuellement conçu a comporté environ 10 millions de paramètres, le modèle machine-conçu a réalisé le même degré d'exactitude avec juste un million de paramètres. Un modèle avec un plus petit numéro des paramètres, tandis que plus robuste qu'un modèle de beaucoup-paramètre, a également l'avantage d'exiger moins de caractéristiques.

« Utilisant le système du thêta de l'ALCF, nous avons montré cela avec le modèle robotisé, formation améliorée par un facteur entre trois et quatre, ainsi il signifie que nous pouvons nous exercer ce les quatre périodes modèles plus rapidement que nous pourrions ce modèle plus encombrant qui a bien plus de paramètres, » Balaprakash avons dit. « Ce nous pouvons le former plus rapide signifie que nous pouvons établir des modèles plus rapidement ; ceci, consécutivement, signifie que nous pouvons pousser le pipeline de découverte de médicaments plus rapidement. »

En effet, le NAS commencera bientôt à produire des chocs dans le domaine de la cancérologie.

« Gabarits neuraux de recherche d'architecture pour accélérer spectaculaire notre capacité d'établir les modèles robustes d'apprentissage automatique, » a dit Rick Stevens, le directeur de laboratoire de l'associé d'Argonne pour calculer, l'environnement et les sciences de la vie, et un co-auteur du papier. « Nous planification pour intégrer bientôt cette technologie dans notre cadre exascale-optimisé de flux de travail de BOUGIE (environnement apprenant distribué par cancer) et sommes désireux de voir ces résultats. »

Le cadre de BOUGIE permet à des milliards de médicaments virtuels d'être examinés individuellement et dans de nombreuses combinaisons tout en prévoyant leurs effets sur des cellules tumorales.

Les ramifications plus grandes du papier pour la science de caractéristiques ont pu s'avérer hautement consécutives. En conséquence, des régimes pour le NAS développé ne sont pas limités aux études de cancer. Les chercheurs examinent déjà pour s'appliquer leur méthode à d'autres domaines scientifiques, y compris la prévision météorologique, la dynamique des fluides, la science des matériaux et la chimie.

La prévision météorologique fait par l'intermédiaire des simulations de calcul chères - ; utilisation sur les modèles manuellement conçus - ; cela représentent un tableau immense de paramètres. Les chercheurs, cependant, ont armé leur NAS pour produire d'un dixième de la taille de modèle de prévision météorologique approximativement de ses homologues humaines humain et ont réalisé un speedup de dix fois correspondant par comparaison.

La science des matériaux et la chimie, en attendant, restent pour tirer bénéfice du NAS dû à leur confiance dans des caractéristiques non structurées où des molécules et d'autres constituants sont représentés par des graphiques.

Avec sa mise en place pendant le cadre de flux de travail de BOUGIE imminent et l'ère d'exascale apparaissant indistinctement, c'est seulement une question de temps avant que les effets du NAS soient feutre.

La « optimisation de NAS et de hyperparameter sera indispensable à la découverte scientifique caractéristique caractéristique productive et une charge de travail principale sur les superordinateurs actuels et futurs, y compris le prochain système d'exascale de l'aurore d'Argonne, » a dit le fil Venkat Vishwanath, un co-auteur de groupe de la Science d'informaticien d'Argonne et de caractéristiques d'ALCF du papier. « Le laboratoire aide à préparer le terrain pour ces méthodes par le développement de DeepHyper, un envoi évolutif pour l'optimisation de NAS et de hyperparameter, et le service de flux de travail d'oléorésine, qui active l'exécution efficace de DeepHyper sur les systèmes massivement parallèles. »

Le papier de l'équipe, « recherche neurale Basée sur renforcement évolutive d'architecture de recherche apprenante profonde de cancer, » sera présenté à la conférence SC19 le 20 novembre 2019. D'autres co-auteurs d'Argonne incluent Romain Egele, Misha Salim, Stefan sauvage, Fangfang Xia et Tom Brettin.