نرم افزار منبع باز جدید مدل های هوش مصنوعی را سبک تر و سبزتر می کند

هوش مصنوعی (AI) به یک جزء ضروری در تجزیه و تحلیل داده های میکروسکوپی تبدیل شده است. با این حال، در حالی که مدل‌های هوش مصنوعی بهتر و پیچیده‌تر می‌شوند، قدرت محاسباتی و مصرف انرژی مرتبط نیز افزایش می‌یابد.

بنابراین، محققان در Leibniz-Institut für Analytische Wissenschaften (ISAS) و دانشگاه پکن یک نرم‌افزار فشرده‌سازی رایگان ایجاد کرده‌اند که به دانشمندان اجازه می‌دهد مدل‌های تصویربرداری زیستی موجود هوش مصنوعی را سریع‌تر و با مصرف انرژی کمتری اجرا کنند.

محققان جعبه ابزار کاربرپسند خود را به نام EfficientBioAI در مقاله ای ارائه کرده اند منتشر شده که در روش های طبیعت.

تکنیک‌های میکروسکوپی مدرن تعداد زیادی تصویر با وضوح بالا تولید می‌کنند و مجموعه داده‌های فردی می‌توانند هزاران تصویر را شامل شوند. دانشمندان اغلب از نرم افزارهای پشتیبانی شده از هوش مصنوعی برای تجزیه و تحلیل قابل اعتماد این مجموعه داده ها استفاده می کنند. با این حال، با پیچیده‌تر شدن مدل‌های هوش مصنوعی، تأخیر (زمان پردازش) تصاویر می‌تواند به میزان قابل توجهی افزایش یابد.

دکتر Jianxu Chen، رئیس گروه تحقیقاتی AMBIOM—Analysis Microscopic BIOMedical Images در ISAS می گوید: «تأخیر بالای شبکه، برای مثال با تصاویر به خصوص بزرگ، منجر به قدرت محاسباتی بالاتر و در نهایت افزایش مصرف انرژی می شود.

یک تکنیک شناخته شده کاربردهای جدیدی پیدا می کند

برای جلوگیری از تأخیر زیاد در تجزیه و تحلیل تصویر، به ویژه در دستگاه‌هایی با قدرت محاسباتی محدود، محققان از الگوریتم‌های پیچیده برای فشرده‌سازی مدل‌های هوش مصنوعی استفاده می‌کنند. این بدان معنی است که آنها مقدار محاسبات را در مدل ها کاهش می دهند در حالی که دقت پیش بینی قابل مقایسه را حفظ می کنند.

چن توضیح می‌دهد: «فشرده‌سازی مدل تکنیکی است که به طور گسترده در زمینه پردازش تصویر دیجیتال، معروف به بینایی کامپیوتری و هوش مصنوعی برای سبک‌تر و سبزتر کردن مدل‌ها استفاده می‌شود.

محققان استراتژی های مختلفی را برای کاهش مصرف حافظه، سرعت بخشیدن به استنتاج مدل، “فرایند فکری” مدل و در نتیجه صرفه جویی در انرژی ترکیب می کنند. به عنوان مثال، هرس برای حذف گره های اضافی از شبکه عصبی استفاده می شود.

یو ژو، نویسنده اول و دکترای این مقاله می گوید: “این تکنیک ها اغلب هنوز در جامعه تصویربرداری زیستی ناشناخته هستند. بنابراین، ما می خواستیم یک راه حل آماده و ساده برای استفاده از آنها در ابزارهای رایج هوش مصنوعی در تصویربرداری زیستی ایجاد کنیم.” . دانشجوی AMBIOM

صرفه جویی در انرژی تا حدود 81٪

برای آزمایش جعبه ابزار جدید خود، محققان به رهبری چن نرم افزار خود را بر روی چندین برنامه کاربردی واقعی آزمایش کردند. با سخت افزارهای مختلف و وظایف مختلف تجزیه و تحلیل تصویربرداری زیستی، تکنیک های فشرده سازی توانستند تأخیر را به میزان قابل توجهی کاهش دهند و مصرف انرژی را بین 12.5 تا 80.6 درصد کاهش دهند.

چن خلاصه می‌کند: «تست‌های ما نشان می‌دهد که EfficientBioAI می‌تواند کارایی شبکه‌های عصبی در تصویربرداری زیستی را بدون محدود کردن دقت مدل‌ها به طور قابل توجهی افزایش دهد.

او صرفه جویی در انرژی را با استفاده از مدل متداول CellPose به عنوان مثال نشان می دهد: اگر هزار کاربر از جعبه ابزار برای فشرده سازی مدل استفاده کنند و آن را روی مجموعه داده Jump Target ORF (حدود یک میلیون تصویر میکروسکوپی از سلول ها) اعمال کنند، می توانند در مصرف انرژی صرفه جویی کنند. معادل انتشار گازهای گلخانه ای یک سفر با ماشین در حدود 7300 مایل (تقریباً 11750 کیلومتر).

دانش خاصی لازم نیست

نویسندگان مشتاق هستند تا EfficientBioAI را تا حد امکان برای بسیاری از دانشمندان در تحقیقات زیست پزشکی در دسترس قرار دهند. محققان می‌توانند نرم‌افزار را نصب کرده و آن را به کتابخانه‌های PyTorch موجود (کتابخانه برنامه منبع باز برای زبان برنامه‌نویسی پایتون) ادغام کنند.

بنابراین، برای برخی از مدل‌های پرکاربرد، مانند Cellpose، محققان می‌توانند از نرم‌افزار بدون نیاز به تغییر در کد خود استفاده کنند. برای پشتیبانی از درخواست‌های تغییر خاص، این گروه همچنین چندین دمو و آموزش ارائه می‌کند. تنها با چند خط کد تغییر یافته، جعبه ابزار می‌تواند برای مدل‌های AI سفارشی‌شده نیز اعمال شود.

درباره EfficientBioAI

EfficientBioAI یک نرم افزار فشرده سازی آماده برای استفاده و منبع باز برای مدل های هوش مصنوعی در زمینه تصویربرداری زیستی است. جعبه ابزار plug-and-play برای استفاده استاندارد ساده نگه داشته می شود، اما عملکردهای قابل تنظیم را ارائه می دهد. این موارد شامل سطوح فشرده سازی قابل تنظیم و جابجایی بی دردسر بین واحد پردازش مرکزی (CPU) و واحد پردازش گرافیکی (GPU) است.

محققان به طور مداوم در حال توسعه جعبه ابزار هستند و در حال حاضر روی در دسترس قرار دادن آن برای MacOS علاوه بر لینوکس (اوبونتو 20.04، دبیان 10) و ویندوز 10 کار می کنند. در حال حاضر، تمرکز جعبه ابزار بر بهبود کارایی استنتاج از پیش آموزش دیده است. مدل ها به جای افزایش کارایی در طول مرحله آموزش.

ارائه شده توسط Leibniz-Institut für Analytische Wissenschaften – ISAS – e. V.