Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A busca neural da arquitetura automatiza a revelação de modelos aprender-baseados profundos para a investigação do cancro

Os pesquisadores de Argonne criaram uma busca neural da arquitetura que automatizasse a revelação de modelos com carácter de previsão profundo-aprender-baseados para dados do cancro.

Quando as áreas crescentes de dados recolhidos e as escalas crescentes da potência informática ajudarem a melhorar nossa compreensão do cancro, uma revelação mais adicional de métodos dados-conduzidos para o diagnóstico da doença, a detecção e o prognóstico é necessária. Há uma necessidade particular de desenvolver a profundo-aprendizagem de métodos -; isto é, algoritmos de aprendizagem da máquina capazes de extrair a ciência dos dados não organizados.

Os pesquisadores do Ministério de E.U. do laboratório (DOE) nacional do Argonne da Energia fizeram passos para a aceleração de tais esforços apresentando um método para a geração automatizada de redes neurais.

Como detalhado em um papel para a apresentação na conferência SC19, os pesquisadores, utilizando recursos da facilidade de computação da liderança de Argonne (ALCF), um escritório da GAMA da facilidade do usuário da ciência, estabeleceram uma busca neural da arquitetura (NAS) que, para uma classe de dados representativos do cancro, automatizasse a revelação de modelos com carácter de previsão profundo-aprender-baseados.

O que nós estamos fazendo neste trabalho é, em vez de projetar uma rede neural, nós projecta uma outra rede neural que construa umas redes mais neurais e possa as treinar. Baseado na precisão que é conseguida, esta rede neural aprende lentamente como construir melhores redes neurais.”

Cientista de computador de Prasanna Balaprakash, de Argonne e autor principal do papel

Ou seja disse, ele é inteligência artificial para a inteligência artificial.

O NAS identifica arquiteturas de rede neural profundas com menos parâmetros orientáveis, tempo de treinamento mais curto, e precisão que combina ou que ultrapassa aquela de suas contrapartes manualmente projetadas.

As aplicações de redes neurais profundas estendem para além da classificação simples. As tarefas complexas para as redes neurais usadas na investigação do cancro puderam incluir a determinação de como as combinações diferentes de drogas interagem um com o otro e seu impacto em pilhas do tumor. Mas construir estas redes para conseguir tal complexidade pode provar uma tarefa incómoda e demorada, uma projetada frequentemente com a tentativa e erro.

Além disso, a investigação do cancro e a descoberta exigem tipos numerosos e diversos de conjunto de dados, muitos de que seja não organizado e não contenha imagens ou texto. Desta multidão, o projecto manual de redes neurais ameaça transformar-se um gargalo enquanto os pesquisadores investem muitas hora e energia que tentam combinar um conjunto de dados dado com o tipo direito de rede neural a fim construir modelos com carácter de previsão.

“Se nós automatizamos este processo do acoplamento,” Balaprakash disse, os “cientistas terão a capacidade para construir em questão de horas um modelo como opor passar as semanas que trabalham na revelação manual. Construir um modelo então já não arriscará transformar-se um gargalo, e a taxa mais rápida da construção significa que nós podemos devotar mais tempo a empurrar limites científicos com modelagem com carácter de previsão e assim por diante.”

As diferenças entre o projecto automatizado e manual estão golpeando imediatamente. Considerando que o modelo manualmente projetado caracterizou uns 10 milhão parâmetros, o modelo máquina-projetado conseguiu o mesmo grau de precisão com apenas um milhão de parâmetros. Um modelo com um número menor de parâmetros, quando mais robusto do que um modelo do muito-parâmetro, igualmente tem a vantagem de exigir menos dados.

“Usando o sistema da teta do ALCF, nós mostramos aquele com projecto automatizado, treinar melhorada por um factor entre três e quatro, assim que significa que nós podemos treinar este as quatro épocas modelo mais rapidamente do que nós poderíamos este modelo mais volumoso que tem distante mais parâmetros,” Balaprakash dissemos. “Esse nós podemos treiná-lo mais rápido significamos que nós podemos construir modelos mais rapidamente; isto, por sua vez, significa que nós podemos empurrar o encanamento da droga-descoberta mais rapidamente.”

Certamente, o NAS começará logo a produzir impactos no domínio da investigação do cancro.

“Suportes neurais da busca da arquitetura para acelerar dramàtica nossa capacidade para construir modelos robustos da aprendizagem de máquina,” disse Rick Stevens, director do laboratório do associado de Argonne para computar, ambiente e ciências da vida, e um co-autor do papel. “Nós planeamos integrar logo esta tecnologia em nossa estrutura exascale-aperfeiçoada dos trabalhos da VELA (ambiente de aprendizagem distribuído cancro) e estamos ansiosos para ver estes resultados.”

A estrutura da VELA permite biliões de drogas virtuais de ser seleccionada individualmente e em combinações numerosas ao prever seus efeitos em pilhas do tumor.

As ramificação mais largas do papel para a ciência dos dados podiam provar ser altamente consequentes. Em conformidade, os planos para o NAS desenvolvido não são limitados aos estudos do cancro. Os pesquisadores já estão olhando para aplicar seu método a outras disciplinas científicas, incluindo a previsão de tempo, a dinâmica de fluidos, a ciência de materiais e a química.

A previsão de tempo é realizada através das simulações computacionalmente caras -; ser executado em modelos manualmente projetados -; isso esclarece uma disposição vasta de parâmetros. Os pesquisadores, contudo, aproveitaram seu NAS para gerar um décimo do tamanho do modelo de previsão do tempo um aproximadamente de suas contrapartes humano-construídas e conseguiram uma correspondência decuplamente aceleração pela comparação.

A ciência e a química de materiais, entrementes, estão para tirar proveito do NAS devido a sua confiança em dados não organizados onde as moléculas e outros componentes são representados por gráficos.

Com sua aplicação na estrutura dos trabalhos da VELA iminente e na era do exascale que aparece, é somente uma questão de tempo antes que os efeitos do NAS estejam feltro.

Do “a optimização NAS e do hyperparameter será vital à descoberta científica dados-conduzida produtiva e uma carga de trabalho chave nos super-computadores actuais e futuros, incluindo o sistema próximo do exascale da Aurora de Argonne,” disse o chumbo Venkat Vishwanath do grupo da ciência do cientista de computador de Argonne e dos dados de ALCF, um co-autor do papel. “O laboratório está ajudando a pavimentar a maneira para estes métodos com a revelação de DeepHyper, um pacote evolutivo para a optimização do NAS e do hyperparameter, e o serviço dos trabalhos do bálsamo, que permite a execução eficaz de DeepHyper em sistemas maciça paralelos.”

O papel da equipe, “busca neural Reforço-Aprender-Baseada evolutiva da arquitetura para a pesquisa de aprendizagem profunda do cancro,” será apresentado na conferência SC19 o 20 de novembro de 2019. Outros co-autores de Argonne incluem Romano Egele, Misha Salim, Stefan selvagem, Fangfang Xia e Tom Brettin.