Економія пам’яті. Суперкомп’ютер прискорив дослідження рослин завдяки новому ШІ-методу

Про це пише видання Interesting Engineering.

Це допомогло прибрати одне з головних обмежень у роботі з гіперспектральними знімками та дало змогу системам штучного інтелекту навчатися швидше і на більших обсягах даних. У перспективі це може пришвидшити створення більш витривалих і врожайних культур, важливих для продовольчої безпеки, біоенергетики та адаптації до змін клімату.

Читайте также: Без перегріву. Нове гідрогелеве покриття охолоджує сонячні панелі та підвищує їхню потужність на 13%

Нову технологію назвали Distributed Cross-Channel Hierarchical Aggregation(D-CHAG). Вона створена для обробки величезних масивів даних, які генерує лабораторія Advanced Plant Phenotyping Laboratory. Дослідники переробили спосіб обробки зображень так, щоб ефективніше задіяти ресурси суперкомп’ютера.

На відміну від звичайних камер, які фіксують лише червоний, зелений і синій кольори, гіперспектральні системи записують сотні довжин світлових хвиль. Кожен такий канал дає інформацію про будову рослини, її хімічний склад і стан здоров’я. Це дозволяє помічати стрес, хвороби чи нестачу поживних речовин задовго до того, як зміни стануть видимими.

Проблема в тому, що обробка таких даних потребує багато пам’яті та часу, через що розмір і складність AI-моделей часто доводиться обмежувати.

Модель D-CHAG вирішує це у два етапи. Спочатку навантаження розподіляють між кількома графічними процесорами: кожен із них обробляє лише частину спектральних каналів, тож жоден процесор не перевантажується, а обчислення йдуть швидше.

Далі дані ділять на менші частини й поступово об’єднують у кілька кроків. Замість того щоб зливати всі канали одразу, система робить це поетапно. Так обсяг інформації зменшується на кожному кроці, але ключові біологічні сигнали зберігаються. Це скорочує потребу в пам’яті й дозволяє тренувати більші моделі без втрати якості зображень.

Метод протестували на гіперспектральних даних рослин і погодних наборах, використовуючи Frontier — перший у світі екзаскейл-суперкомп’ютер, що працює в Oak Ridge Leadership Computing Facility. Завдяки меншому споживанню пам’яті навчання ШІ потребує менше ресурсів, що робить такі інструменти доступнішими для досліджень у галузі рослинництва.

Читайте также: Лазерна зарядка. Нова технологія обіцяє майже безперервний політ БпЛА

За словами вчених, D-CHAG прибирає важливе технічне«вузьке місце» і допомагає створювати базові ШІ-моделі для швидших відкриттів у біології рослин. З їхньою допомогою можна, наприклад, визначати фотосинтетичну активність безпосередньо зі знімків, замінюючи повільні ручні вимірювання.

У майбутньому це може допомогти селекціонерам виводити культури, які ефективніше ростуть, краще використовують воду та дають вищі врожаї в складних умовах довкілля.

Робота також підтримує великі ініціативи Міністерства енергетики США, зокрема Genesis Mission та платформу OPAL, що поєднують штучний інтелект, робототехніку й автоматизовані експерименти для прискорення наукових проривів.

Поєднання передової візуалізації та ШІ-аналізу має змінити підхід до вивчення рослин і зміцнити продовольчу систему, біоекономіку та енергетичну безпеку країни.