从引力波探测到RNA测序，AI如何加速科学发现

从引力波探测到RNA测序，AI如何加速科学发现

本篇综述报告主要讨论了机器学习在科学研究中的技术与应用——将强大的机器学习方法集成到实验数据处理过程有助于加速科学发现。

内容涵盖三个方面：机器学习在多个科学领域的应用；高效训练、高资源利用率算法；用于部署这些算法的计算架构和平台

。本文还展示了多科学领域共同面临的挑战和应对策略，希望通过集成和加速的机器学习解决方案为科学发现提供更多示例和灵感。

编译 | 眉钉

编辑 | 琰琰

越来越复杂的实验和日益增长的数据为科学探索带来了新的挑战，而实验表明，机器学习，尤其是深度神经网络架构的通用性能够解决广泛且复杂的问题， ImageNet 等大型数据集的激增，引导了许多不同深度学习方法的深入探索。

这篇综述论文重点关注机器学习和实验设计的融合，以及如何通过加速数据处理、实时决策来解决关键的科学问题。

在过去几年，许多机器学习的进步源于异构计算硬件的使用，特别是图形处理器(GPUs)使大型机器学习算法得以快速进步。经过大数据集训练的AI模型已经能够执行复杂的任务，同时，以减少计算量而实现快速和高效训练的新型深度学习算法也开始越来越多的出现。

强大的机器学习技术与实验设计的结合，可以缩短科学发现的时间，从嵌入实时特征到跨分布式网络，计算数据中心的大规模机器学习在许多不同的科学应用实验上取得大的跨越。不过，高效的解决方案依然需要领域专家、机器学习研究人员和计算机架构设计师之间的共同合作。

考虑到文章篇幅，我们将从三个部分对整篇综述报告进行呈现， 第一，机器学习如何探索广泛的科学问题；第二，快速机器学习作为一种颠覆性技术，如何改变我们处理数据的方式，通用的数据表示法和实验程序有哪些。第三，从算法设计到系统架构的硬件对机器学习进行整体设计。

1 机器学习应用：从基础物理，医学工程到边缘计算

随着科学生态系统规模的快速增长，数据处理和新范式需要集成到系统设计层面来完成。通过复杂数据处理过程的研究，作者发现，不同领域和架构之间实现机器学习可能会有很大差异，但仍然具有相似的底层数据表示和集成机器学习的需求。报告中列举了大量科学领域的应用案例，涵盖现有技术和未来需求。 接下来，我们将重点介绍机器学习在物理学、生物医学工程学以及无线网络和边缘计算三个领域的应用现状和挑战。

基础物理学

正如爱因斯坦在 1916 年预测的那样，引力波在广义相对论中表现为时空度量的变化，并在时空结构中以光速进行传播。例如，美国激光干涉引力波天文台(LIGO)、欧洲“处女座”(Virgo)引力波探测器和日本神冈引力波探测器(KAGRA)均采用公里级激光干涉仪网络探测引力波。

引力波为基础物理研究提供了一种独特的方法，包括在强场域测试广义相对论、引力波的传播速度和极化、物质在核密度下的状态、黑洞的形成、量子引力效应等，它以一种与电磁和中微子天文学相辅相成的方式，打开了全新观察宇宙的窗口。在未来的观察中，LIGO、Virgo 和 KAGRA 将探测到越来越多的引力波后备，但这对当前的检测框架提出了计算挑战，该框架依赖于匹配滤波技术，需要将来自模拟的参数化波形（模板）与引力波时间序列数据相匹配 。

随着仪器低频灵敏度的提高，以及引力波搜索参数空间扩展到自旋效应和低质量致密物体，匹配滤波尺度将变差。为了估测引力波的物理特性，迄今为止一直使用随机贝叶斯后验采样器（比如马尔可夫链蒙特卡罗法和嵌套采样法）。这些分析方法可能需要数小时到数天才能完成，搜索和参数估计也产生了不可避免的延迟，进而可能阻碍时间敏感源(如双星、超新星和其他未知系统)的电磁跟踪。

此外，引力波瞬态的观测也容易受到环境和仪器噪声的影响。瞬态噪声伪影可能被误识为潜在来源，特别是当引力波瞬态具有未知的形态时(例如超新星、中子星故障)。仪器噪声谱中的线路噪声会影响对连续引力波(如自旋中子星)和随机引力波（例如未解的致密双星系统引力波的天体物理背景）的搜索。这些噪声源很难模拟，目前的噪声减除技术不足以去除更复杂的噪声源，如线路噪声和非平稳噪声源。

近年来，机器学习算法在引力波物理学的不同领域进行了探索。卷积神经网络已被应用于探测和分类二元结的引力波、 超新星核坍塌的爆发引力波以及连续引力波；递归神经网络(RNNs)的自动编码器使用无监督策略检测引力波；FPGA递归神经网络在引力波低延迟检测方面发挥着潜力。

文章来源：《系统科学学报》 网址: http://www.xtkxxb.cn/zonghexinwen/2021/1104/725.html