Dyb læring til elektronmikroskopi

At finde defekter i elektronmikroskopibilleder tager måneder. Nu, der er en hurtigere vej. Det hedder MENNDL, Multinode Evolutionary Neural Networks for Deep Learning. Det skaber kunstige neurale netværk - beregningssystemer, der løst efterligner den menneskelige hjerne - der driller defekter ud af dynamiske data. Den kører på alle tilgængelige noder på Summit supercomputeren, udfører 152 tusind millioner millioner beregninger i sekundet.

På få timer, videnskabsmænd, der brugte MENNDL, skabte et neuralt netværk, der fungerede lige så godt som en menneskelig ekspert. Det reducerer tiden til at analysere elektronmikroskopibilleder med måneder. MENNDL er den første kendte tilgang til automatisk at identificere strukturel information på atomniveau i scanning af transmissionselektronmikroskopidata. I 2018, MENNDL modtog en R&D 100-pris, betragtes som innovationens Oscars. Det er også en finalist til Gordon Bell-prisen.

MENNDL, et kunstig intelligens system, designet automatisk et optimalt deep learning-netværk til at udtrække strukturel information fra rå atomopløsningsmikroskopidata. For at designe netværket, MENNDL brugte 18, 000 GPU'er på alle de tilgængelige 3000 noder på Summit-supercomputeren. Om et par timer, MENNDL opretter og evaluerer millioner af netværk ved hjælp af en skalerbar, parallel, asynkron genetisk algoritme udvidet med en understøttende vektormaskine til automatisk at finde en overlegen deep learning netværkstopologi og hyper-parametersæt. Dette arbejde er langt hurtigere, end det kunne udføres af en menneskelig ekspert. Til anvendelse af elektronmikroskopi, systemet fremmer målet om bedre at forstå elektron-stråle-stof-interaktionerne og billedbaseret feedback i realtid, som muliggør et stort skridt ud over menneskelig kapacitet i retning af automatisk nanofremstilling af materialer.