आज की सबसे जटिल वैज्ञानिक चुनौतियों को हल करने का मतलब अक्सर सैकड़ों, हजारों या लाखों चर के बीच संबंधों का पता लगाना होता है।वैज्ञानिक डेटासेट जितना बड़ा होगा, ये कनेक्शन उतने ही जटिल होते जाएंगे।

समय के साथ पेटाबाइट्स और यहां तक ​​कि एक्साबाइट डेटा उत्पन्न करने वाले प्रयोगों के साथ, दवा खोज, सामग्री विकास या साइबर सुरक्षा जैसी प्रक्रियाओं में कनेक्शन को ट्रैक करना एक कठिन कार्य हो सकता है।

शुक्र है, कृत्रिम बुद्धिमत्ता के आगमन के साथ, शोधकर्ता ग्राफ पर भरोसा कर सकते हैंतंत्रिका - तंत्र, या जीएनएन, कनेक्शनों को मैप करने और उनके रिश्तों को सुलझाने के लिए, समाधान के लिए समय में काफी तेजी लाते हैं और, विस्तार से,वैज्ञानिक खोज.

ऊर्जा विभाग के ओक रिज और लॉरेंस बर्कले राष्ट्रीय प्रयोगशालाओं (ओआरएनएल और एलबीएनएल) के शोधकर्ता देश के सबसे शक्तिशाली कम्प्यूटेशनल संसाधनों के पैमाने पर जीएनएन विकसित कर रहे हैं, जो आज की डेटा-केंद्रित वैज्ञानिक चुनौतियों से निपटने के लिए एक आवश्यक कदम है।

ओआरएनएल के मासिमिलियानो "मैक्स" लूपो पासिनी, जोंग योल चोई और पेई झांग ने लर्निंग ऑन ग्राफ़्स 2023 सम्मेलन में बहु-संस्थागत टीम के निष्कर्षों को साझा किया, यह एक आभासी कार्यक्रम है जो 27-30 नवंबर, 2023 को हुआ था। उनका ट्यूटोरियल, "स्केलेबल ग्राफ़"एचपीसी और सुपरकंप्यूटिंग सुविधाओं का उपयोग करके तंत्रिका नेटवर्क प्रशिक्षण, "डीओई के नेतृत्व-वर्ग कंप्यूटिंग सिस्टम पर जीएनएन को स्केल करने का तरीका बताया गया है।

विशेष रूप से, टीम ने एलबीएनएल के राष्ट्रीय ऊर्जा अनुसंधान वैज्ञानिक कंप्यूटिंग केंद्र में पर्लमटर सिस्टम के साथ-साथ ओक रिज लीडरशिप कंप्यूटिंग सुविधा में शिखर सम्मेलन और फ्रंटियर सुपर कंप्यूटर पर हाइड्रैगएनएन की स्केलिंग का प्रदर्शन किया।फ्रंटियर दुनिया का पहला एक्सास्केल सिस्टम है और वर्तमान में इसे दुनिया के सबसे शक्तिशाली कंप्यूटर के रूप में स्थान दिया गया है।

हाइड्राजीएनएन जीएनएन आर्किटेक्चर का एक ओआरएनएल-ब्रांडेड कार्यान्वयन है जिसका उद्देश्य भौतिक गुणों की तेज़ और सटीक भविष्यवाणियां करना है।यह एक ठोस पदार्थ की जाली संरचना को एक ग्राफ के रूप में अमूर्त करके परमाणु जानकारी का उपयोग करता है, जहां परमाणुओं को नोड्स द्वारा और धातु बांड को किनारों द्वारा दर्शाया जाता है।यह प्रतिनिधित्व स्वाभाविक रूप से सामग्री की संरचना के बारे में जानकारी को शामिल करता है, जिससे अधिक पारंपरिक तंत्रिका नेटवर्क के लिए आवश्यक कम्प्यूटेशनल रूप से महंगे डेटा प्री-प्रोसेसिंग की आवश्यकता समाप्त हो जाती है।

"वैज्ञानिक प्रगति के लिए बेहतर यांत्रिक और थर्मोडायनामिकल गुणों के साथ सामग्रियों की खोज और डिजाइन की आवश्यकता होती है, और हाइड्राजीएनएन एक आशाजनक सरोगेट मॉडल है। एक बार पहले-सिद्धांत डेटा की बड़ी मात्रा में प्रशिक्षित होने के बाद, मॉडल एक अंश में सामग्री गुणों का तेज़ और सटीक अनुमान प्रदान कर सकता हैअत्याधुनिक भौतिकी-आधारित मॉडल के साथ कम्प्यूटेशनल समय की आवश्यकता होती है," ओआरएनएल में कम्प्यूटेशनल साइंसेज और इंजीनियरिंग डिवीजन के एक शोधकर्ता पासिनी ने कहा।"हाइड्राजीएनएन जिस बेहतर गति से भविष्यवाणियां करता है वह प्रभावी सामग्री खोज और डिजाइन के लिए एक अद्वितीय खोज क्षमता को सक्षम बनाता है।"

टीम का ट्यूटोरियल पाँच खंडों में विभाजित था।पहले हाइलाइट किए गए वैज्ञानिक अनुप्रयोग जो जटिल भौतिकी और इंजीनियरिंग प्रणालियों के अध्ययन में तेजी लाने के लिए स्केलेबल जीएनएन सरोगेट मॉडल के विकास को प्रेरित करते हैं।दूसरे ने डीओई नेतृत्व-श्रेणी सुपरकंप्यूटिंग सुविधाओं पर जीएनएन को स्केल करने के लिए बड़ी मात्रा में वैज्ञानिक डेटा का उपयोग करने की आवश्यकता पेश की।तीसरे में हाइड्राजीएनएन की स्केलेबिलिटी और लचीलापन शामिल है, जो इसे कई डीओई सिस्टमों में पोर्टेबल बनाता है।चौथे में ओपन-सोर्स डेटासेट पर हाइड्राजीएनएन चलाने के उदाहरण शामिल हैं, और पांचवें और अंतिम खंड में एक ट्यूटोरियल और समापन टिप्पणियाँ शामिल हैं।

ट्यूटोरियल थायूट्यूब पर लाइवस्ट्रीम किया गयाऔर 1:01:00 बजे से उपलब्ध है।हाइड्राजीएनएन की बेहतर क्षमताओं को हाल ही में एक उपयोगकर्ता मैनुअल में भी दर्ज किया गया था जिसे एक के माध्यम से जनता के लिए जारी किया गया हैओआरएनएल तकनीकी रिपोर्ट.

यह शोध ओआरएनएल की एआई पहल का हिस्सा है, जो वैज्ञानिक अनुसंधान और राष्ट्रीय सुरक्षा की सेवा में सुरक्षित, भरोसेमंद और ऊर्जा कुशल एआई सुनिश्चित करने के लिए समर्पित एक आंतरिक निवेश है।पहल के माध्यम से, ओआरएनएल शोधकर्ता राष्ट्रीय और अंतर्राष्ट्रीय महत्व की परियोजनाओं में एआई की क्षमता का एहसास करने और समाधान में तेजी लाने के लिए प्रयोगशाला के कंप्यूटिंग बुनियादी ढांचे और सॉफ्टवेयर क्षमताओं का लाभ उठाते हैं।

उदाहरण के लिए, इस पहल ने बहु-विषयक टीमों को यह प्रदर्शित करने में मदद की है कि मशीन लर्निंग एल्गोरिदम का उपयोग कम सिग्नल-टू-शोर अनुपात वाले सिग्नल से जानकारी निकालने के लिए किया जा सकता है, कम प्रशिक्षण डेटा के साथ मॉडलिंग और सिमुलेशन में तेजी लाने में सक्षम एल्गोरिदम विकसित करने और नए बायोमिमेटिक न्यूरोमॉर्फिक उपकरणों को डिजाइन करने में सक्षम किया जा सकता है।मिर्गी के दौरों का पता लगाने में.

ओआरएनएल के एआई इनिशिएटिव के निदेशक प्रसन्ना बालाप्रकाश ने कहा, "स्केलिंग ग्राफ न्यूरल नेटवर्क अद्वितीय चुनौतियां पेश करता है।""व्यापक वैज्ञानिक डेटासेट पर प्रशिक्षित होने में सक्षम, ये मॉडल डाउनस्ट्रीम अनुप्रयोगों की एक विस्तृत श्रृंखला को अनलॉक करते हैं, विशेष रूप से नई सामग्रियों के विकास और दवा की खोज में। यह उपलब्धि एआई विकसित करने की हमारी प्रतिबद्धता को रेखांकित करती है जो न केवल शक्तिशाली है बल्कि ऊर्जा-कुशल भी है औरस्केलेबल, यह सुनिश्चित करते हुए कि हम वैज्ञानिक अनुसंधान और राष्ट्रीय सुरक्षा में सबसे आगे रहें।"