카카오스토리

AI 퀀텀 돌파구

프로리다 대학과 노스 캐롤라이나 대학은 ANAKIN-ME 신경망 엔진을 개발하여 매우 저렴한 비용으로 높은 정확도로 계산 속도로 빠른 양자 역학 시뮬레이션을 생성합니다.

양자 화학(QC) 가속화 약물 발견

제약 산업에서 약물 발견은 길고 비용이 많이 드는 과정입니다. 평균 12년 26억 달러가 소요됩니다.

시장에 화학, 약물 발견 프로세스를 가속화하는 한 가지 핵심은 분자 역학(MD)을 보다 정확하게 시뮬레이션하는 능력입니다. 수백만 개의 잠재적인 약물 조합을 신속하게 선별하여 연구자들이 가장 유망한 옵션에 에너지를 집중할 수 있습니다.

모든 약물 발견은 잠재적인 효능을 이해하기 위해 분자 시뮬레이션이 필요합니다. 분자 에너지, 수백만 개의 분자가 서로 상호 작용하는 방식을 결정하기 위해 스캔되는 곳에서 이러한 이해를 돕습니다.

그러나 정확한 MD 시뮬레이션을 위해서는 정확한 양자 역학(QM) 시뮬레이션도 필요합니다. QM 시뮬레이션은 수백만 개의 잠재적인 약물을 정확하게 스크리닝하는 과정에 필수적입니다.

불행히도 QM 시뮬레이션은 계산 비용이 너무 많이 들기 때문에 연구자들은 정확도가 떨어지는 도구를 사용해야 합니다. 결과적으로 덜 효과적인 약물 후보가 됩니다. 시스템 크기의 입방체 전력(O(N3))으로 DFT 스케일을 사용하여 정확한 분자 에너지 계산. 따라서 정확한 계산은 상대적으로 작은 것으로 제한됩니다.

MD 시뮬레이션을 위한 시스템 및 짧은 시간 척도, 여기에 더해 QM으로 1천마 개의 약물 후보를 스크리닝 시뮬레이션을 계산하는데 최대 5년이 걸릴 수 있습니다. 이 느리고 값비싼 과정 때문에 플로리다 대학(UFL)과 노스캘롤라이나 대학(UNC)의 연구원들이 모여 QM 시뮬레이션의 정확성과 동시에 프로세스를 수년에서 단 몇 분으로 단축합니다.

QC 시뮬레이션을 위한 딥러닝

QM 시뮬레이션 시간과 비용의 문제를 해결하기 위해 UF 화학과 Adrian Roitberg 박사와 UNC Eshelman School of Pharmacy 박사 Olexandr Isayev의 감독하에 일하는 UF 화학 대학원 생 Justin S. Smith가 개발했습니다.

ANAKIN-ME(분자 에너지를 위한 정확한 NeurAI 네트워크 엔진) 또는 줄여서 ANI라고 하는 새로운 시뮬레이션 절차 및 방법. ANI는 QM 에너지 함수를 학습하여 계산적으로 빠르고 매우 정확한 분자 에너지 표면, 기하학 및 힘을 생성하는 심층 신경망입니다.

오늘날 계산된 분자 구조의 총 수는 2천만 개 이상입니다. ANI는 NVIDIA GPU와 함께 딥 러닝을 사 용하여 계산 비용이 100배 더 비싼 방법만큼 정확한 분자의 분자 에너지 표면을 예측합니다. ANI는 또 한 C, H, N, O, S, F 원자가 있는 모든 유기 분자로 이동할 수 있습니다. 이 분자는 화학/의학, 화학/약물 발견 공간의 상당 부분을 다루고 있으며 더 많은 요소가 진행 중입니다. 또한 ANI는 결합을 끊고 화학 반응 을 기술하여 현대의 가장 큰 한계 중 하나를 극복합니다.

포스 필드.

기본적으로 ANI는 Schrodinger 방정식의 Hamiltonian을 학습하도록 훈련되었으며 결과는 거의 즉각적입니다. ANI의 정확도는 화학적 정확도 내에 있는 참조 DFT 데이터에서 약 ~1kcal/ mole입니다.

ANI는 또한 1,000,000배의 속도에서 동등한 화학적 정확도를 제공하여 QC 시뮬레이 션을 위한 첫 번째 원칙 모델을 재현할 수 있습니다.마지막으로, ANI는 CPU에서 240일 동안 NVIDIA GPU를 사용하여 단 8분 만에 천만 개의 약물 후보를 스크리닝할 수 있습니다.

시장 출시 시간 단출

ANI는 약물 발견 및 재료 과학을 위한 완전히 새로운 세상을 엽니다.ANI, 초대형 시스템 및 시 간 척도를 활용하면 딥 러닝 시뮬레이션을 통해 일상적으로 액세스할 수 있습니다. 더 중요한 것 은 이제 더 빠르고 정확한 신약 스크리닝이 가능하며 분자 합성 및 수많은 실험을 수행하는 비용을 없 애 비용을 크게 절감할 수 있다는 것입니다.

“분자 에너지에 대한 빠르고 정확한 설명은 약물 발견 및 재료 과학을 포함한 많은 분야에서 획기적 인 발전으로 이어질 수 있습니다. ANI는 컴퓨터 화학의 다음 혁명을 시작할 수 있습니다." 플로리다 대학의 화학 대학원생인 Justin S. Smith. ANI를 사용하면 발견 가능성이 무궁무진합니다.

ANI는 저렴한 방법이 실패하고 진 정한 MD가 필요하지만 비용이 많이 드는 곳에서 우세합니다. 더 높은 효율을 위해 태양 전지를 모델링하든 후기 약물 발견에서 다형체 문제라고 불리는 문제를 해결 하든 ANI는 물질 특성의 변화를 예측하고 분자 상호 작용에 대한 더 큰 이해를 제공하며 결국 제품을 시 장에 출시하는 데 도움이 됩니다.

길을 가다 융합에너지로 딥 러닝으로

딥 러닝은 토카망 핵융합로의 붕괴를 예측하고 청정 에너지로 가는 길을 닦는데 사용됩니다.

수백만 년 동안 지구에 적력을 공급하다

우리 시대의 가장 큰 도전 중 하나는 지속 가능한 청정 에너지원을 찾는 여기 지구에서 우리의 미래에 힘을 실어주세요. 과학자 오늘날 융합이 그 핵심이라고 믿습니다. 미래 작은 것을 활용하는 능력을 상상해보십시오. 에너지 원자로 내의 태양의 약속이라면 융합이 실현될 수 있으며, 수백만 명의 주요 에너지원이 됩니다.

다른 형태의 에너지와 달리 핵융합은 폭주 반응이 일어날 수 없기 때문에 본직적으로 안전합니다. 조건의 가장 간단한 변화는 즉시 반응을 켄칭합니다. 주요 연료원인 중수소는 지구의 바다에 풍부하게 존재하며 폐기물을 50년 이내에 빠르게 부패합니다. 가장 중요한 것은 핵융합을 위한 에너지 곱셈 계수가 잠재적으로 450:1만큼 높다는 것입니다.

세계 최대의 실험용 핵융합로인 국제 ITER 시설의 연구원들은 순 에너지를 생산하는 최초의 핵융합 시스템을 구축하기 위해 노력하 고 있습니다. ITER는 오랜 기간 동안 핵융합 반응을 유지할 수 있는 최초의 제어 장치가 될 것입니다. 그러나 대규모 파괴 사건으로 인해 플라즈마(하전 입자의 매우 뜨거운 가스)가 구속을 벗어나 "토카막"으로 알려진 수십억 달러 장치에 심각한 손상을 일으킬 수 있기 때문에 이러한 연소 플라즈마 반응을 유지하는 것은 매우 어렵습니다. 성공하려면 ITER이 진정으로 지속 가능한 에너지원을 만 드는 경로를 방해하는 중단을 예측, 대응 및 최소화하거나 피할 수 있어야 합니다.

계선을 위한 딥 러닝 예측

붕괴를 피하고 안전하게 핵융합 반응을 예측하고 조종하기 위해 계속해서 전력을 생산하기 위해 프린스턴 대학의 연구원들은 고급 기계 학습 FRNN(Fusion Recurrent Neural Network) 예측 코드를 개발했습니다.

FRNN 은 딥 러닝 방법을 사용하고 200 NVIDIA® Pascal™ P100 GPU로 성공적으로 확장하여 자기적으로 제한된 핵융합 토카막 장치의 원자로 관련 조건에서 매우 해로운 붕괴 사건의 시작. 교란은 자기장이 파괴되어 물리적 구속 용기에 다양한 수준의 손상과 함께 방전이 빠르게 종료되는 대규모 이벤트입니다.

중단되는 동안 기계는 플라즈마의 열 에너지와 전류가 밀리초 미만으로 소멸되기 때문에 막대 한 열 및 전자기 부하를 받습니다. 적은 수의 사건으로도 피해를 입으면 지속 가능한 토카막 핵융합로 건설 이 불가능합니다. 예측에 사용되는 기존의 고성능 컴퓨팅 시뮬레이션은 너무 정확하지 않고 느립니다.

그러 나 지난 10년 동안 전통적인 기계학습 방법이 개선되어 약 85%의 정확도, 5%의 오탐율 및 중단의 시작을 예측할 수 있습니다. 이 전에 약 30밀리초의 회피를 위한 충분한 시간과 함께 이벤트. 필요한 추가 개선 사항을 제공하기 위해 딥 러닝 컨볼루션 및 순환 신경망 기능은 이제훈련 및 관련 예측에 사용되는 JET(Joint European Tokamak) 실험의 대규모 데이터베이스 와 함께 FRNN 소프트웨어에서 구현됩니다.

Google Tensorlow 프레임워크로 개발된 FRNN 소프트웨어는 딥 러닝을 사용하여 충분한 양의 핵융합 플라즈마 파괴를 예측합니다. 손상 및 가동 중지 시간을 최소화하는 시간 ‒ 오늘날의 강력한 JET(Joint European Torus)와 같은 열핵 융합 실험과 궁극적으로 연소 플라즈마 ITER 실험을 위한 것입니다. 에 의해 JET의 과거, 시간 종속, 0차원(포인트/스칼라) 진단 데이터를 사용하여 중단을 감지하도 FRNN 훈련 실험, Princeton 연구원은 예측 능력을 초과할 수 있습니다.

90%의 정확도를 달성함으로써 기존 시뮬레이션 5% 위양성 비율. 이를 통해 (i) 딥 러닝 소프트웨어의 이식성을 입증하는 주요 목표를 향한 길을 잘 가고 있습니다. JET와 같은 하나의 주요 실험에 대해 현재의 다른 많은 토카막 시설 및 결국 ITER에 한 교육을 받았습니다. (ii) 적시에 대응 95%의 정확도와 신뢰성을 제공하는 예측 기능 30밀리초 이상 전에 양성 및 5% 미만의 거짓 양성 혼란의 시작.

미래를 위한 동력

ITER는 연소 플라즈마 토카막 실험입니다. 10의 에너지 곱셈 계수 - 즉, 성공하면 ITER에서 10을 생성합니다. 소비하는 에너지의 양을 곱합니다. 일단 점화되면 열이 포착됩니다. 융합 반응에 의해 열 에너지를 유지하기에 충분할 것입니다. 연료가 유지되는 한 핵융합 반응이 지속되는 데 필요한 범위 추가했습니다.

상업용 발전소에서 이를 통해 생산된 에너지는 원자의 융합은 용기 벽에서 열로 흡수되어 생성 증가와 터빈과 발전기에 의한 전기 ITER는 작은 사업이 아닙니다. 7개 정부(유럽 연합, 일본, 중국, 한국, 인도, 러시아 및 미국)의 회원 세계 인구의 절반 이상을 대표하는 이 단체의 목표는 하나를 정복하는 것입니다. 지구에서 무한한 에너지를 재생산하는 과학의 위대한 개척지 그것은 태영과 별에 연료를 공급합니다.

21세기 계획 도구 AI 기반

NVIDIA GPU 기반 AI는 전 세계 인구 분포의 매핑 및 분석을 가속화합니다.

인류의 필요 매핑

지구 인구가 70억에 이르고 성장함에 따라 인구 분포는 사회적 요구를 충족시키는 데 필수적입니다. 인프라, 자원 및 필수 서비스. Oak Ridge national Laboratory(ORNL)의 과학자들은 더 완전한 그림을 만들기 위해 노력합니다.

ORNL의 노력은 대규모 생성 및 분석에 중점을 두고 있습니다. 다학제적 문제 해결을 위한 솔루션 개발을 위한 자리 데이터 예상 인구 증가를 위해서는 학교 등이 필요합니다. 74억 명의 사람들이 계획을 세워야 합니다. 그것은 많은 데이터와 그것을 처리할 수 있는 많은 컴퓨팅 능력입니다.

Urban Dynamics Institute의 이사이자 GIST(Geographic Information Science and Technology) 그룹의 그룹 리더인 Budhendra Bhaduri는 "컴퓨팅 기능이 제한적이었습니다." 오래된 문제는 우리가 정보를 추출하기에 충분한 컴퓨팅이 없는 데이터에 빠져있습니다. 우리는 이제 문제를 해결했습니다.

순식간에 도시 이해하기

매핑 정착에는 위성 이미지 특징을 추출, 표현, 모델링 및 해석할 수 있는 고급 알고리즘이 포함됩니다. 10년 전 CPU 기반 아키텍처의 자동화 된 기능 추출 알고리즘의 합의 식별 속도를 높이는 데 도움이 되었습니다.

그러나 인구의 급격한 변화(예: 마이그레이션 또는 자연재해 이후의 변화)를 식별하려면 더 많은 컴퓨팅 성능이 필요했습니다. GPU와 ORNL의 LandScan 고화질 세계 인구 데이터를 사용하여 ORNL팀은 이제 고해상도 위성 이미지를 신속하게 처리하여 인간 거주지와 변화하는 돗 역할을 매핑할 수 있습니다.

NVIDIA Tesla GPU의 병렬 처리 기능을 통해 연구원들은 계산 비용이 많이 드는 기능 설명자 알고리즘을 개발하고 사용하여 최대 200배의 극적인 속도로 이미지를 처리할 수 있었습니다.

처리 시간의 가속화는 이러한 대규모 프로젝트에 매우 중요합니다. Bhaduri는 "약 200평방 마일에 달하는 에티오피아의 수도인 아디스아바바를 20초 이내에 처리할 수 있습니다. 예전에는 며칠이 걸리던 그 시간 안에 지상에 있는 모든 건물을 추출할 수 있습니다"

70억의 삶에 영향을 미치다

ORNL의 작업 결과는 지구상의 모든 사람의 삶에 영향을 미칠 기능성이 있습니다. NVIDIA GPU는 학교 및 교육, 물 분배 등과 같은 주요 사회 서비스를 계획하는 데 중요한 글로벌 커뮤니티 매핑을 가속화하고 있습니다.

이것의 보다 효율적인 계획, 상품 및 서비스 제공, 부족한 자원을 보다 효율적을 사용합니다.

Bhaduri는 계속해서 "위성 이미지를 처리하는 전례 없는 능력으로 우리는 인구 조사에서 한 번도 언급된 적이 없는 사람들을 발견했습니다. 이전에 알려지지 않은 인구분포를 이해하면 전 세계적으로 기본적인 인적 서비스를 제공하는 데 도움이 될 것입니다." 소아마비 퇴치 노력에서 얻은 자식은 서아프리카 에볼라 발병에 대한 비상 대응에도 적용되었습니다.

재난이 발생하면 ORNL은 대응자가 피해를 평가하고 그에 따라 대응할 수 있도록 지도와 분석을 신속하게 생성할 수 있습니다. Bhaduri는 "세계 어느 곳에서나 재해가 발생하는 경우 영상으 확보하는 즉시 대응자에게 매우 유용한 정보를 생성하여 며칠이 아닌 몇 시간 만에 복구할 수 있습니다."라고 말했습니다.

GPU를 통해 ORNL 연구원은 정기적으로 난민 캠프를 매핑하는 것부터 인도적 지원 계획에 이르기까지 토네이도에 취약한 이동 주택 정착지를 식별하는 것까지 이전에는 할 수 없었던 방식으로 데이터 세트를 분석할 수 있습니다. 결국 그들의 작업은 생명을 구하고 있으며 기술을 더 잘 활용하는 방법은 없습니다.