10 نوامبر 2022 – توسط جارد ساگوف، آزمایشگاه ملی آرگون
تجسم علمی اوج پراش براگ در یک تکه پیکسلی 15×15 از یک نمونه طلای دوبلور تغییر شکل نیافته. ارتفاع نشان دهنده تعداد فوتون ها است. این داده ها در Advanced Photon Source به دست آمد و در ابررایانه ThetaGPU پردازش شد. اعتبار: آزمایشگاه ملی Argonne/Eliu Huerta.
معمولاً از نانوایان مشتاق خواسته می شود تا دستور العمل های برنده جایزه را بر اساس چیدمان های مختلف آشپزخانه تطبیق دهند. به عنوان مثال، ممکن است شخصی برای تهیه کوکی های شکلاتی برنده جایزه به جای همزن از تخم مرغ کوب استفاده کند.
توانایی بازتولید یک دستور غذا در موقعیت‌های مختلف و با تنظیمات مختلف، هم برای سرآشپزهای با استعداد و هم برای دانشمندان محاسباتی حیاتی است، که دومی با مشکل مشابهی در تطبیق و بازتولید “دستور العمل‌های” خود در هنگام تلاش برای اعتبارسنجی و کار با جدید مواجه هستند. مدل های هوش مصنوعی این مدل ها در زمینه های علمی از تجزیه و تحلیل آب و هوا گرفته تا تحقیقات مغزی کاربرد دارند.
Eliu Huerta، دانشمند و سرپرست Translational AI در آزمایشگاه ملی Argonne وزارت انرژی ایالات متحده (DOE) می گوید: «وقتی در مورد داده صحبت می کنیم، درک عملی از دارایی های دیجیتالی داریم که با آنها سروکار داریم. با یک مدل هوش مصنوعی، کمی واضح است؛ آیا ما در مورد داده‌هایی که به روشی هوشمند ساختار یافته صحبت می‌کنیم، یا محاسبات، نرم‌افزار یا ترکیبی؟
در یک مطالعه جدید، Huerta و همکارانش مجموعه جدیدی از استانداردها را برای مدیریت مدل های هوش مصنوعی بیان کرده اند. اقتباس از تحقیقات اخیر در مورد مدیریت خودکار داده ها، این استانداردها FAIR نامیده می شوند که مخفف عبارت های قابل یافتن، قابل دسترس، قابل استفاده و قابل استفاده مجدد است.
بن بلیزیک، دانشمند محاسباتی Argonne، گفت: با عادلانه ساختن مدل‌های هوش مصنوعی، دیگر مجبور نیستیم هر بار هر سیستم را از پایه بسازیم. استفاده مجدد از مفاهیم گروه های مختلف آسان تر می شود و به ایجاد توسعه متقابل در بین تیم ها کمک می کند.
به گفته Huerta، این واقعیت که بسیاری از مدل‌های هوش مصنوعی در حال حاضر عادلانه نیستند، اکتشافات علمی را با چالش مواجه می‌کند. او گفت: «برای بسیاری از مطالعاتی که تا به امروز انجام شده است، دسترسی به مدل‌های هوش مصنوعی و بازتولید آنها که در ادبیات به آنها اشاره شده است، دشوار است. با ایجاد و به اشتراک گذاری مدل‌های هوش مصنوعی عادلانه، می‌توانیم میزان تلاش‌های تکراری را کاهش دهیم و بهترین شیوه‌ها را برای نحوه استفاده از این مدل‌ها برای فعال کردن علم عالی به اشتراک بگذاریم.»
برای پاسخگویی به نیازهای یک جامعه متنوع از کاربران، Huerta و همکارانش مجموعه منحصربه‌فردی از مدیریت داده‌ها و پلت‌فرم‌های محاسباتی با کارایی بالا را برای ایجاد یک پروتکل FAIR و تعیین کمیت «عادلانه بودن» مدل‌های هوش مصنوعی ترکیب کردند. محققان داده‌های FAIR منتشر شده در یک مخزن آنلاین به نام Materials Data Facility را با مدل‌های FAIR AI منتشر شده در مخزن آنلاین دیگری به نام Data and Learning Hub for Science و همچنین با منابع هوش مصنوعی و ابر محاسباتی در Argonne Leadership Computing Facility (ALCF) جفت کردند.
به این ترتیب، محققان توانستند یک چارچوب محاسباتی ایجاد کنند که می‌تواند به پل زدن سخت‌افزارها و نرم‌افزارهای مختلف کمک کند و مدل‌های هوش مصنوعی را ایجاد کنند که می‌توانند به طور مشابه در پلتفرم‌ها اجرا شوند و نتایج قابل تکراری را به همراه داشته باشند. ALCF یک تسهیلات کاربر دفتر علوم DOE است.
دو کلید برای ایجاد این چارچوب، پلتفرم‌هایی به نام‌های funcX و Globus هستند که به محققان اجازه می‌دهند مستقیماً از لپ‌تاپ خود به منابع محاسباتی با کارایی بالا دسترسی داشته باشند. ایان فاستر، مدیر بخش علم و یادگیری داده Argonne، یکی از نویسندگان این مقاله می گوید: FuncX و Globus می توانند به فراتر رفتن از تفاوت ها در معماری سخت افزار کمک کنند. . اگر کسی از یک معماری محاسباتی استفاده می کند و شخص دیگری از معماری دیگر استفاده می کند، ما اکنون راهی برای صحبت کردن به یک زبان هوش مصنوعی مشترک داریم. این بخش بزرگی در ایجاد قابلیت تعامل بیشتر هوش مصنوعی است.
در این مطالعه، محققان از مجموعه داده‌ای نمونه از یک مدل هوش مصنوعی استفاده کردند که از داده‌های پراش از منبع فوتون پیشرفته Argonne استفاده می‌کرد که همچنین یکی از امکانات کاربر دفتر علوم DOE است. برای انجام محاسبات، تیم از سیستم SambaNova ALCF AI Testbed و GPUهای NVIDIA (واحدهای پردازش گرافیکی) ابررایانه Theta استفاده کردند.
مارک همیلتون، معاون NVIDIA در بخش معماری و مهندسی راه حل ها گفت: “ما از دیدن مزایای بهره وری FAIR از مدل و به اشتراک گذاری داده ها برای دسترسی بیشتر محققان به منابع محاسباتی با کارایی بالا هیجان زده ایم.” ما با هم از جهان در حال گسترش محاسبات با کارایی بالا حمایت می کنیم که داده های تجربی و عملکرد ابزار را در لبه با هوش مصنوعی ترکیب می کند تا سرعت اکتشافات علمی را افزایش دهد.
جنیفر گلور، معاون مهندسی مشتری در SambaNova Systems افزود: “SambaNova از شراکت با محققان در آزمایشگاه ملی Argonne برای دنبال کردن نوآوری در رابط هوش مصنوعی و معماری‌های سخت‌افزاری جدید هیجان‌زده است.” “هوش مصنوعی نقش مهمی در آینده محاسبات علمی خواهد داشت و توسعه اصول FAIR برای مدل‌های هوش مصنوعی همراه با ابزارهای جدید، محققان را قادر می‌سازد تا اکتشافات مستقل را در مقیاس انجام دهند. ما مشتاقانه منتظر ادامه همکاری و توسعه در بستر آزمایشی هوش مصنوعی ALCF هستیم..”
مقاله‌ای بر اساس این مطالعه، «اصول عادلانه برای مدل‌های هوش مصنوعی، با کاربرد عملی برای میکروسکوپ پراش انرژی پرشتاب،» در Science Data در 10 نوامبر 2022 منتشر شد.
