科学家探索利用深度学习解决科学大数据问题

据外媒报道，来自美国橡树岭国家实验室（Oak Ridge National Lab oratory）的研究团队在3年内从美国能源部（Department of Energy）获得了近200万美元的资金，探索机器学习改革科学数据分析的潜力。

“机器学习在提高对百万兆级（Exascale）及以上数量级数据的科学发现方面的优势(ASCEND)”项目旨在利用深度学习帮助研究人员理解世界上最尖端的科学设施所产生的大量数据集。深度学习是机器学习的一个领域，它使用人工神经网络来实现自我学习的设备和平台。

长期以来，深度学习一直用于相对简单数据的分类，比如照片，但如今的科学数据规模大、复杂性高，带来了更大的挑战。深度学习有望真正地改变研究人员使用海量数据集来解决跨学科领域的难题的方式。

例如，由橡树岭国家实验室的散裂中子源（Spallation Neutron Source）所收集的中子散射数据包含了关于研究材料的结构和动力学的丰富科学信息，深度学习可以帮助研究人员更好地理解实验数据与材料特性之间的关系。“这种理解有助于科学家建立和支持新的科学理论，设计出更好的材料。”研究人员说。

该研究团队的目标是改革现有的分析范式，通过深度学习识别科学数据中存在各种的模式，提醒科学家可能会有的新发现。他们的新型高性能计算方法将利用橡树岭国家实验室的泰坦（Titan）超级计算机——美国最强大的开放科学计算机。

该研究团队计划建立一个深度学习网络，能够破译源自成千上万的输入端的数据，例如传感器，并从传感器的实时读数构成的复杂矩阵中持续学习。橡树岭国家实验室有着机器学习研究的悠久历史，丰富的分析专业知识，以及世界级的计算资源(如泰坦超级计算机)，为此类研究创造了一个理想的环境。

最近，研究人员在《高性能计算环境下的机器学习研讨会论文集》（Proceedings of the Workshop on Machine Learning in High Performance Computing Environments）中发表了名为“关于高性能、神经形态量子计算机的复杂深度学习网络研究”的论文，概述了他们所提出的深度学习方法。

“我们揭示了传统计算架构无法实现的新功能。”研究人员说，“它使我们可能解决那些利用无法用当前的计算技术解决的复杂问题。”