|
來源：英特爾 近日，英特爾宣布與蒙特利爾學習算法研究所（Montreal Institute of Learning Algorithms，Mila）展開為期三年的戰略研究與創新合作，來自雙方的20余名研究人員將專注于開發先進的AI技術，用于應對氣候變化、材料研發和數字生物學等領域的全球性挑戰。 面對當前全球范圍內的挑戰，我們必須在學術界與產業界之間推動開放科學的文化，從而加速AI應用以造福社會。此次，我們十分高興能與英特爾展開合作，更加高效地探索用于改善碳捕獲、加速藥物研發以及助力未來可持續發展的新型材料。 ——Yoshua Bengio Mila創始人兼科學主任 加速先進AI技術的研發以解決當今世界所面臨的一系列極為關鍵且具有挑戰性的問題，需要值得信賴的AI戰略，以及擴展計算技術的能力。作為算力和AI領域的領軍企業，英特爾和Mila均秉持以積極、強大的力量推動世界變革的理念，基于此，雙方將進一步升級其于2021年啟動的項目，增加合作方向并加強合作力度，從而推動成果落地。 要解決氣候變化和新材料研發等復雜問題，需要深度的AI研究、具體領域的專業知識，以及先進的計算技術。此次與Mila的合作，將為研究人員提供關鍵洞察并有效推動技術創新。未來，我們也將與Mila攜手，共同面對挑戰，以科技之力為下一代創造一個美好的未來。 ——Kavitha Prasad 英特爾公司副總裁兼數據中心、人工智能和云計算執行與戰略總經理 此次深化合作將重點關注： 自動化AI驅動的新材料研發 諸如密度泛函理論等化學模擬技術的進步，為模擬復雜材料系統的重要特性提供了途徑。然而，這些技術受限于它們所能建模的材料系統的復雜性，這是因為當原子數量增加時，計算成本會大幅提升。以圖神經網絡（GNN）為代表的AI技術，有助于在近似化學模擬時顯著降低計算成本，尤其是在系統規模增加的情況下。這意味著未來有可能利用AI模擬技術來復制更復雜的材料系統，無疑也將帶來巨大的應用前景。值得注意的是，如果能發現新材料，亦將有助于降低成本和碳排放量。 英特爾將與Mila攜手進行科技創新，以提高原子模擬（如Open Catalyst數據集）的圖神經網絡性能。通過增強相關的技術管道，研究人員有望能夠大規模使用原子材料數據。研究團隊將創建基于學習的框架，以便在需要海量搜索的材料設計應用場景中能夠進行有效查詢。這些框架可以借鑒強化學習、搜索算法、生成模型以及其他機器學習算法（包括Mila開創的生成流網絡）的理念。 將因果機器學習應用于氣候科學 雖然基于物理學的標準氣候模型可以幫助預測氣候變化所帶來的影響，但它們極其復雜且計算成本高昂。即使是在專用的超級計算機上，通常也需要運行幾個月的時間，這降低了模擬的運行頻率，也無法很好地提供精細、本地化的預測。此外，這些模型通常無法解釋預測背后的推理或因果關系。基于此，英特爾與Mila希望填補這一空白，通過構建一種基于因果機器學習的新型氣候模型模擬器,確定傳統氣候模型的高維輸入數據中有哪些變量可以預測，旨在通過全面而可靠地預測氣候變化的影響，在推動氣候科學發展的同時為決策提供可靠的判斷依據。 加速研究疾病的分子驅動因素和新藥研發 新藥研發是一個漫長的過程，每一種獲批藥物的平均成本是26億美元。成本之所以如此高昂，是因為尋找能與特定靶標契合的小分子是一個危險且高度不確定的過程，并可能耗費超過十年的時間。而且，即便找到了一個分子，也有可能在后期失效。 英特爾和Mila的研究人員將攜手合作，以更便捷地發現更好的候選藥物分子。例如，預測復雜的表型——包括基于單核苷酸多態性 (SNP) 基因類型的疾病——一直是數字生物學長期以來面臨的一個挑戰，因為大多數表型受到整個基因組中諸多SNP的影響。因此，使用大規模人群數據，針對這類表型的所有相關SNP進行聯合因果分析，是現階段面臨的主要計算挑戰。精確解的搜索空間大小與SNP的數量成指數關系。在檢測的SNP達到數百萬個時，精確解在計算上難以處理。然而，隨著高分辨率數據的可用性提升、突破性AI技術的出現以及摩爾定律推動的計算密度增長，英特爾和Mila計劃開發AI技術，用于： ● 了解疾病背后的分子驅動因素，預測復雜的表型，包括基于SNP基因類型的疾病。 ● 發現最有前景的藥物分子。英特爾和Mila應用的全新AI技術有望顯著降低成本并更快地將革命性藥物推向市場。 英特爾公司，英特爾、英特爾logo及其它英特爾標識，是英特爾公司或其分支機構的商標。文中涉及的其它名稱及品牌屬于各自所有者資產。 |
