A mesma imagem mostrada usando diferentes métodos de análise. a) Imagem de microscopia eletrônica bruta. b) Defeitos (branco) conforme rotulado por um especialista humano. c) Defeitos (branco) conforme rotulados por um método de transformada de Fourier. d) Defeitos (branco) conforme rotulados pela rede neural ideal. Defeitos que não existem são mostrados em roxo, e os defeitos que não foram identificados são laranja. Em poucas horas, pesquisadores criaram uma rede neural com um desempenho tão bom quanto o de um especialista humano, demonstrando a capacidade do MENNDL de reduzir significativamente o tempo para analisar imagens de microscopia eletrônica. Crédito:Departamento de Energia dos EUA
Encontrar defeitos em imagens de microscopia eletrônica leva meses. Agora, existe uma maneira mais rápida. É chamado MENNDL, as Redes Neurais Evolucionárias Multinó para Aprendizado Profundo. Ele cria redes neurais artificiais - sistemas computacionais que imitam vagamente o cérebro humano - que arrancam defeitos de dados dinâmicos. Ele roda em todos os nós disponíveis do supercomputador Summit, realizando 152 bilhões de milhões de cálculos por segundo.
Em poucas horas, cientistas usando MENNDL criaram uma rede neural que funcionou tão bem quanto um especialista humano. Reduz em meses o tempo de análise de imagens de microscopia eletrônica. MENNDL é a primeira abordagem conhecida para identificar automaticamente informações estruturais de nível atômico em dados de microscopia eletrônica de transmissão de varredura. Em 2018, MENNDL recebeu um prêmio R&D 100, considerado o Oscar da inovação. Também é finalista do prêmio Gordon Bell.
MENNDL, um sistema de inteligência artificial, projetou automaticamente uma rede de aprendizado profundo ideal para extrair informações estruturais de dados brutos de microscopia de resolução atômica. Para projetar a rede, MENNDL usado 18, 000 GPUs em todos os 3000 nós disponíveis do supercomputador Summit. Em algumas horas, MENNDL cria e avalia milhões de redes usando um escalonável, paralelo, algoritmo genético assíncrono aumentado com uma máquina de vetores de suporte para encontrar automaticamente uma topologia de rede de aprendizado profundo superior e um conjunto de hiperparâmetros. Este trabalho é muito mais rápido do que poderia ser feito por um especialista humano. Para a aplicação de microscopia eletrônica, o sistema promove o objetivo de compreender melhor as interações feixe de elétrons-matéria e feedback baseado em imagem em tempo real, o que permite um grande passo além da capacidade humana em direção à nanofabricação de materiais automaticamente.
