Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

La ricerca neurale dell'architettura automatizza lo sviluppo ai dei modelli basati imparare profondi per ricerca sul cancro

I ricercatori di Argonne hanno creato una ricerca neurale dell'architettura che automatizza lo sviluppo ai dei modelli premonitori basati a profonda per i dati del cancro.

Mentre le bande aumentanti dei dati raccolti ed i disgaggi crescenti di potenza di calcolo stanno contribuendo a migliorare la nostra comprensione del cancro, ulteriore elaborazione dai dei metodi guidati da dati per la diagnosi della malattia, la rilevazione e la prognosi è necessaria. C'è una necessità particolare di sviluppare l'profondo-apprendimento dei metodi -; cioè algoritmi di apprendimento automatico capaci di estrazione della scienza dai dati non strutturati.

I ricercatori dal Dipartimento per l'energia di Stati Uniti il laboratorio nazionale (DOE) del Argonne hanno avanzato a grandi passi verso l'accelerazione dei tali sforzi presentando un metodo per la generazione automatizzata di reti neurali.

Come descritto minutamente in un documento per la presentazione alla conferenza SC19, i ricercatori, utilizzanti le risorse dall'attrezzatura di calcolo della direzione di Argonne (ALCF), un ufficio della DAINA della funzione dell'utente di scienza, hanno stabilito una ricerca neurale dell'architettura (NAS) che, per classe A di dati rappresentativi del cancro, automatizza lo sviluppo ai dei modelli premonitori basati a profonda.

Che cosa stiamo facendo in questo lavoro è, invece di progettazione dell'una rete neurale, noi progetta un'altra rete neurale che costruisce i netti più neurali e può prepararle. Sulla base dell'accuratezza che è raggiunta, questa rete neurale impara lentamente come sviluppare le migliori reti neurali.„

Informatico di Prasanna Balaprakash, di Argonne e autore principale del documento

Cioè ha detto, è intelligenza artificiale per intelligenza artificiale.

Il NAS identifica le architetture di rete neurale profonde con meno parametri addestrabili, più breve tempo di addestramento ed accuratezza che abbina o che sorpassa quella delle loro controparti manualmente progettate.

Le applicazioni delle reti neurali profonde estendono molto al di là della classificazione semplice. Le mansioni complesse per le reti neurali utilizzate nella ricerca sul cancro potrebbero comprendere la determinazione come le combinazioni differenti di droghe interagiscono a vicenda ed il loro impatto sulle celle del tumore. Ma costruire queste reti per raggiungere tale complessità può provare un compito, quello progettato spesso con approssimazioni successive ingombranti e che richiede tempo.

Inoltre, la ricerca sul cancro e la scoperta richiedono i numerosi e diversi tipi di gruppi di dati, molti di cui sono non strutturati e non contengono le immagini o il testo. Da questo gran numero, la progettazione manuale delle reti neurali minaccia di trasformarsi in in un grave ostacolo mentre i ricercatori investono molti tempo ed energia che provano a abbinare un gruppo di dati dato con il giusto tipo di rete neurale per costruire i modelli premonitori.

“Se automatizziamo questo trattamento dell'accoppiamento,„ Balaprakash ha detto, “gli scienziati avranno la capacità di sviluppare un modello nel giro di poche ore come opposto a spendere le settimane che lavorano allo sviluppo manuale. Lo sviluppo del modello poi più non rischierà di trasformarsi in in un grave ostacolo e la tariffa più veloce di configurazione significa che possiamo dedicare più tempo a spingere i limiti scientifici con la modellistica premonitrice ecc.„

Le differenze fra progettazione automatizzata e manuale immediatamente direzione. Considerando che il modello manualmente progettato ha caratterizzato circa 10 milione parametri, il modello commputer-progettato ha raggiunto lo stesso grado di accuratezza con appena un milione di parametri. Un modello con un più piccolo numero dei parametri, mentre più robusto di un modello di molto-parametro, egualmente presenta il vantaggio di richiesta dei meno dati.

“Facendo uso del sistema del teta del ALCF, abbiamo mostrato quello con progettazione automatizzata, prepararci migliore da un fattore fra tre e quattro, in modo da significa che possiamo prepararci questo quattro volte di modello più velocemente di potremmo questo modello più ingombrante che ha molto più parametri,„ Balaprakash abbiamo detto. “Quel possiamo prepararlo più veloce significhiamo che possiamo sviluppare i modelli più velocemente; ciò, a sua volta, significa che possiamo spingere la conduttura di droga scoperta più velocemente.„

Effettivamente, il NAS presto comincerà a produrre gli impatti nel dominio di ricerca sul cancro.

“Supporti neurali di ricerca di architettura per accelerare drammaticamente la nostra capacità di sviluppare i modelli robusti di apprendimento automatico,„ ha detto Rick Stevens, Direttore del laboratorio del socio di Argonne per la computazione, ambiente e scienze biologiche e un co-author del documento. “Pianificazione presto integrare questa tecnologia nella nostra struttura exascale-ottimizzata di flusso di lavoro della CANDELA (ambiente di apprendimento distribuito Cancro) e siamo desiderosi di vedere questi risultati.„

La struttura della CANDELA permette a miliardi delle droghe virtuali di essere schermata determinato e nelle numerose combinazioni mentre predice i loro effetti sulle celle del tumore.

Le più vaste ramificazioni del documento per scienza di dati hanno potuto risultare essere altamente conseguenti. Di conseguenza, le pianificazioni per il NAS sviluppato non sono limitate agli studi del cancro. I ricercatori già stanno guardando per applicare il loro metodo ad altre discipline scientifiche, compreso previsioni del tempo, dinamica fluida, scienza dei materiali e chimica.

Le previsioni del tempo fanno via le simulazioni informaticamente costose -; funzionando sui modelli manualmente progettati -; quello rappresenta una vasta schiera dei parametri. I ricercatori, tuttavia, hanno sfruttato il loro NAS per generare di previsioni del tempo della dimensione del modello approssimativo un decimo delle sue controparti umano costruite ed hanno raggiunto uno speedup composto di dieci parti corrispondente tramite il confronto.

La scienza e la chimica dei materiali, nel frattempo, stanno per trarre giovamento dal NAS dovuto il loro ricorso ai dati non strutturati in cui le molecole ed altri componenti sono rappresentati dai grafici.

Con la sua entrata in vigore nella struttura di flusso di lavoro della CANDELA imminente e nell'era del exascale che tesse, è soltanto una questione di tempo prima che gli effetti del NAS siano feltro.

“L'ottimizzazione di hyperparameter e di NAS sarà vitale dalla alla scoperta scientifica guidata da dati produttiva e un carico di lavoro chiave sugli attuali e supercomputer futuri, compreso il prossimo sistema del exascale dell'aurora di Argonne,„ ha detto il cavo Venkat Vishwanath, un co-author del gruppo di scienza dell'informatico di Argonne e di dati di ALCF del documento. “Il laboratorio sta contribuendo ad aprire la strada per questi metodi con lo sviluppo di DeepHyper, un pacchetto evolutivo per l'ottimizzazione di hyperparameter e di NAS ed il servizio di flusso di lavoro del balsamo, che permette all'efficace esecuzione di DeepHyper sui sistemi in maniera massiccia paralleli.„

Il documento del gruppo, “a ricerca neurale Basata a rinforzo evolutiva dell'architettura della ricerca d'apprendimento profonda del Cancro,„ sarà presentato alla conferenza SC19 il 20 novembre 2019. Altri co-author di Argonne includono Romain Egele, Misha Salim, Stefan selvaggio, Fangfang Xia e Tom Brettin.