来自美国橡树岭国家实验室(ORNL)的一个团队在三年内已获得美国能源部近200万美元的奖金,旨在探索机器学习在科学数据分析方面的潜力。
项目的目标是通过深度学习来帮助研究人员了解世界上最复杂的科学设备生产的大量数据集。 深度学习是机器学习的一个领域,它使用人工神经网络让设备和平台实现自学习。由ORNL的Thomas Potok领导团队包括Chris Patton, Chris Symons, Steven Young和Catherine Schuman
虽然长期以来一直使用深度学习来分类比较简单的数据,例如照片,但由于其大小和复杂性,今天的科学数据提出了更大的挑战。 深度学习提供了真正改变研究人员使用大量数据集解决科学领域挑战的方式。
例如,在ORNL的分散中子源中收集的中子散射数据包含有关材料的结构和动力学方面的丰富科学信息,深入学习可以帮助研究人员更好地了解实验数据和材料属性之间的联系。 ”这种联系可以帮助科学家建立和支持新的科学理论,并帮助设计更好的材料,” Potok说。
该团队旨在通过深度学习来识别科学数据中的模式来改变当前的分析范例,从而提醒科学家潜在的新发现。 他们新颖的高性能计算方法将利用ORNL的泰坦超级计算机。
Potok的团队计划构建一个能够从数十万个输入数据(如传感器)中解密数据的深度学习网络,并从随时间推移的传感器读数的复杂矩阵中学习。ORNL丰富的机器学习研究历史,广泛的分析经验和世界级的计算资源,如泰坦,就创造了这样理想的的研究环境。
研究人员最近在名为“A study of complex deep learning networks on high performance, neuromorphic, and quantum computers”论文中概述了他们的深度学习方法。
“我们发现了传统计算架构不可行的新功能。”Potok说,“这有可能使我们能够解决当前计算技术难以解决的复杂问题。”
更多信息可访问:http://science.energy.gov/.