Гигантский, сверхбыстрый чип ИИ используется для поиска лучших лекарств от рака.
Новое поколение специализированного оборудования может ускорить разработку лекарств и открытие материалов на порядки быстрее.
В Аргоннской национальной лаборатории США, примерно в 30 милях от центра Чикаго, ученые пытаются понять происхождение и эволюцию Вселенной, создать батареи с более длительным сроком службы и разработать лекарства от рака.
Все эти различные проблемы имеют одну общую черту: они сложны из-за своего масштаба. При открытии лекарственных препаратов считается, что потенциальных молекул, подобных наркотикам, может быть больше, чем атомов в солнечной системе. Поиск такого огромного пространства возможностей в масштабах человеческого времени требует мощных и быстрых вычислений. До недавнего времени это было недоступно, что делало задачу практически непостижимой.
Но за последние несколько лет ИИ изменил игру. Алгоритмы глубокого изучения позволяют быстро находить закономерности в пачках данных, что ускорило ключевые процессы в научных открытиях. Теперь, наряду с этими усовершенствованиями программного обеспечения, на горизонте также стоит аппаратная революция.
В лаборатории заявили, что начали тестировать новый компьютер от стартапа Cerebras, который обещает ускорить подготовку алгоритмов глубокого изучения на порядки величин. Компьютер, на котором установлен самый большой в мире чип, является частью нового поколения специализированного оборудования для искусственного интеллекта, которое только сейчас вводится в эксплуатацию.
«Мы заинтересованы в ускорении использования искусственного интеллекта для решения научных задач», - говорит Рик Стивенс, помощник директора аргонской лаборатории по вычислениям, экологии и наукам о жизни. «У нас огромные объемы данных и большие модели, и мы заинтересованы в повышении их производительности».
В настоящее время наиболее распространенными чипами, используемыми в глубоком обучении, являются графические процессоры (GPU). GPU - отличные параллельные процессоры.
До их внедрения в мир искусственного интеллекта они широко использовались для производства игр и графики. По стечению обстоятельств те же самые характеристики, которые позволяют быстро рендерить пиксели, также делают их предпочтительным выбором для глубокого изучения.
Но, по большому счету, GPU являются универсальными; хотя они и стали мощной движущей силой революции искусственного интеллекта в этом десятилетии, их разработки не оптимизированы для этой задачи. Эти недостатки ограничивают скорость, с которой микросхемы могут работать с алгоритмами глубокого изучения и заставляют их впитывать огромное количество энергии в процесс обучения.
В ответ на это компании поспешили разработать новые архитектуры микросхем, которые особенно подходят для ИИ. Такие чипы способны обучать модели для глубокого изучения до 1000 раз быстрее, чем GPU, с гораздо меньшим энергопотреблением.
Cerebras входят в длинный список компаний, которые с тех пор стремились извлечь выгоду из этой возможности. Другие включают такие стартапы, как Graphcore, SambaNova и Groq, а также компании Intel и Nvidia.
Успешный новый чип ИИ должен отвечать нескольким критериям, говорит Стивенс. Как минимум, при работе с лабораторными моделями искусственного интеллекта он должен быть в 10 или 100 раз быстрее, чем универсальные процессоры.
Многие специализированные чипы оптимизированы для коммерческих приложений глубокого обучения, таких как компьютерное зрение и язык, но могут работать не так хорошо, когда речь идет о тех видах данных, которые обычно используются в научных исследованиях.
«У нас много более объемных наборов данных, - говорит Стивенс, - которые объединяют массивные разрозненные источники данных и гораздо более сложны для обработки, чем двухмерные фотографии».
Благодаря размеру чипа, он больше iPad и имеет 1,2 триллиона транзисторов для выполнения расчетов - нет необходимости подключать несколько процессоров меньшего размера, что может замедлить процесс обучения модели. При тестировании время обучения моделей уже сократилось с нескольких недель до нескольких часов.
Поиск препарата
Первоначально Аргон проверял компьютер на наличие онкологических препаратов. Цель состоит в разработке модели глубокого изучения, которая может предсказать, как опухоль может реагировать на лекарство или комбинацию лекарств. Затем модель может быть использована двумя способами: для разработки новых лекарственных препаратов-кандидатов, которые могут оказать желаемое воздействие на конкретную опухоль, или для прогнозирования воздействия одного лекарственного препарата-кандидата на множество различных типов опухолей.
Стивенс ожидает, что система Cerebras значительно ускорит как разработку, так и внедрение модели лекарств от рака, что может включать в себя обучение модели сотни тысяч раз, а затем запуск ее еще миллиарды для прогнозирования каждого кандидата в лекарства.
Он также надеется, что это послужит стимулом для исследований лаборатории в других областях, таких как материалы для батарей и травматические повреждения головного мозга. Первая работа будет включать разработку модели ИИ для прогнозирования свойств миллионов молекулярных комбинаций с целью поиска альтернатив литий-ионной химии. Последнее предполагает разработку модели для прогнозирования наилучших вариантов лечения. Это удивительно трудная задача, потому что она требует очень быстрой обработки многих типов данных - изображений мозга, биомаркеров, текста.
В конечном счете, Стивенс взволнован тем потенциалом, который комбинация достижений программного обеспечения и аппаратных средств искусственного интеллекта принесет в научное исследование.
«То, как происходит научное моделирование, кардинально изменится», - говорит он.
