Способность воспроизвести рецепт в разных ситуациях и с различными настройками имеет решающее значение как для талантливых шеф-поваров, так и для ученых-вычислителей, последние из которых сталкиваются с аналогичной проблемой адаптации и воспроизведения своих собственных "рецептов" при попытке проверки и работы с новыми моделями искусственного интеллекта. Эти модели находят применение в различных научных областях, начиная от анализа климата и заканчивая исследованиями мозга.

"Когда мы говорим о данных, у нас есть практическое понимание цифровых активов, с которыми мы имеем дело", - сказал Элиу Уэрта, ученый и ведущий специалист по трансляционному ИИ в Аргоннской национальной лаборатории Министерства энергетики США (DOE). ​"С моделью искусственного интеллекта все немного менее ясно; говорим ли мы о данных, структурированных разумным образом, или это вычисления, или программное обеспечение, или их сочетание?"

В новом исследовании Уэрта и его коллеги сформулировали новый набор стандартов для управления моделями искусственного интеллекта. Адаптированные на основе недавних исследований в области автоматизированного управления данными, эти стандарты называются FAIR, что означает "поддающийся поиску", "доступный", "совместимый" и "повторно используемый".

"Делая модели искусственного интеллекта справедливыми, нам больше не нужно каждый раз создавать каждую систему с нуля", - сказал ученый-вычислитель из Аргонны Бен Блейзик. ​"Становится легче повторно использовать концепции из разных групп, помогая создавать перекрестное опыление между командами".

По словам Уэрты, тот факт, что многие модели искусственного интеллекта в настоящее время несправедливы, создает проблему для научных открытий. ​"Для многих исследований, которые были проведены на сегодняшний день, трудно получить доступ к моделям искусственного интеллекта, на которые ссылаются в литературе, и воспроизвести их", - сказал он. ​"Создавая справедливые модели искусственного интеллекта и делясь ими, мы можем сократить количество дублирования усилий и поделиться лучшими практиками использования этих моделей для создания великой науки".

Чтобы удовлетворить потребности разнообразного сообщества пользователей, Уэрта и его коллеги объединили уникальный набор платформ для управления данными и высокопроизводительных вычислений, чтобы создать СПРАВЕДЛИВЫЙ протокол и количественно оценить "ЧЕСТНОСТЬ" моделей искусственного интеллекта. Исследователи сопоставили достоверные данные, опубликованные в онлайн-хранилище под названием Materials Data Facility, с достоверными моделями искусственного интеллекта, опубликованными в другом онлайн-хранилище под названием Data and Learning Hub for Science, а также с ИИ и суперкомпьютерными ресурсами в Argonne Leadership Computing Facility (ALCF). Таким образом, исследователи смогли создать вычислительную платформу, которая могла бы помочь объединить различные аппаратные и программные средства, создавая модели искусственного интеллекта, которые можно было бы запускать одинаково на разных платформах и которые давали бы воспроизводимые результаты. ALCF - это пользовательское учреждение Министерства образования и науки США.

Двумя ключами к созданию этого фреймворка являются платформы под названием funcX и Globus, которые позволяют исследователям получать доступ к высокопроизводительным вычислительным ресурсам прямо со своих ноутбуков. ​"funcX и Globus могут помочь преодолеть различия в аппаратных архитектурах", - сказал соавтор Иэн Фостер, директор отдела науки о данных и обучения Argonne. ​"Если кто-то использует одну вычислительную архитектуру, а кто-то другой использует другую, теперь у нас есть способ говорить на общем языке искусственного интеллекта. Это важная часть повышения совместимости искусственного интеллекта".

В исследовании исследователи использовали пример набора данных модели искусственного интеллекта, в которой использовались данные дифракции из усовершенствованного источника фотонов Argonne, также являющегося пользовательским средством Управления науки Министерства обороны США. Для выполнения вычислений команда использовала систему SambaNova на тестовом стенде ALCF AI и графические процессоры NVIDIA суперкомпьютера Theta (графические процессоры).

"Мы рады видеть, что совместное использование моделей и данных повышает производительность, предоставляя большему числу исследователей доступ к высокопроизводительным вычислительным ресурсам", - сказал Марк Гамильтон, вице-президент NVIDIA по архитектуре и инжинирингу решений. ​"Вместе мы поддерживаем расширяющуюся вселенную высокопроизводительных вычислений, которая объединяет экспериментальные данные и работу приборов на переднем крае с искусственным интеллектом для увеличения темпов научных открытий".

"SambaNova рада сотрудничать с исследователями Аргоннской национальной лаборатории для внедрения инноваций на стыке искусственного интеллекта и новых аппаратных архитектур", - добавила Дженнифер Глор, вице-президент по проектированию клиентов SambaNova Systems. ​"Искусственный интеллект будет играть значительную роль в будущем научных вычислений, и разработка справедливых принципов для моделей искусственного интеллекта наряду с новыми инструментами даст исследователям возможность осуществлять автономные открытия в масштабе. Мы с нетерпением ожидаем продолжения сотрудничества и разработок на испытательном стенде ALCF AI".

Статья, основанная на исследовании "СПРАВЕДЛИВЫЕ принципы для моделей искусственного интеллекта с практическим применением для ускоренной высокоэнергетической дифракционной микроскопии", появилась в Nature Scientific Data 10 ноября 2022 года.

Помимо Уэрты, другими авторами исследования являются Никил Рави из Аргонна, Праншу Чатурведи, Чжэнчунь Лю, Райан Чард, Аристана Скуртас, К.Дж. Шмидт, Кайл Чард, Бен Блейзик и Иэн Фостер.

Исследование финансировалось Управлением перспективных научных исследований в области вычислительной техники Министерства энергетики США, Национальными институтами стандартов и технологий, Национальным научным фондом и грантами на исследования и разработки, направленными лабораториями.