NVIDIA发布首个基于AI的癌症分布式学习环境的框架——CANDLE

简介:

066acb06b2a923e0195181e51899c3c29f15eb60


来源:Marketwired


在本月15日举行的2016全球超算大会(SC 2016)上,NVIDIA宣布与美国国家癌症研究所、美国能源部、以及其他数个国家实验室达成合作,将共同合作来加速癌症的研究工作。


这一合作的开展是基于美国总统奥马巴在任期内的最后一次国情咨文演讲中宣布的攻克癌症“登月计划”(Cancer Moonshot)展开的。这一计划旨在5年之内,在癌症预防、诊断和治疗方面能取得一系列前沿突破。这项研究计划的内容包括了创建一个基于AI的癌症分布式学习环境的框架——CANDLE(Cancer Distributed Learning Environment)。这个框架将为研究人员提供一个通用的发现平台,在抗击癌症上释放AI的神力。


b47d3b53cb804801618e2ef83ba5d62dc29b9a1a


CANDLE将会是首个基于AI设计的框架,设计的初衷是希望能够帮助大家更好的了解癌症,为全世界的数据科学家对抗癌症提供一款强有力的工具。


CANDLE的团队成员包括了来自美国国家癌症研究所、Frederick国家癌症研究实验室、美国能源部、以及Argonne, Oak Ridge, Livermore and Los Alamos等地国家实验室的研究员。NVIDIA的工程师和计算科学家将合力为此框架开发一个AI软件平台,配备最新的超级计算基础设施,以期能够帮助癌症的研究人员在每年的生产力上达到10倍的提升。


“AI将会是帮助实现Cancer Moonshot计划目标的关键。”Argonne国家实验室计算、环境和生命科学的副主任Rick Stevens表示。“在三年里,新的计算架构已经将训练神经网络的速度提升的50倍。我们期待未来能提升更多!”


NVIDIA CEO黄仁勋表示:“GPU深度学习为我们提供了一种克服挑战的新型工具,而这些挑战的复杂度是当前最强大的超级电脑也无法处理的。我们和美国国家癌症研究所将一起创建一个针对癌症研究的AI超级计算平台。这次极具雄心的合作是加速美国抗击癌症进程的一次巨大飞跃。”


在加速肿瘤精准医疗方面,这项合作包括了三项试点项目,旨在帮助了解癌症的发展过程、发掘一个比现有的更为高效及无害的治疗方法、以及在临床实验之外,从群体层面了解这些影响这些治疗方法有效性的主要因素。对于这些项目来说,深度学习技术都将在其中发挥关键的作用。


CANDLE在其中将会发挥三方面的作用。首先,CANDLE将会用以帮助发掘在常规癌症的DNA或者RNA中潜藏的基因信号。其次,CANDLE将会加速关键蛋白质相互作用的分子动力学模拟,以此来理解生成癌症的潜在生物机制。再者,通过半监督的学习,CANDLE将自动对成百上千成的门诊病人记录进行信息的抽取和分析,并以此来创建一个全面的针对疾病转移和复发的一个癌症监控数据库。


Lawrence Livermore国家实验室计算方面的副主任James M. Brase表示:“大规模的数据分析,是深度学习,对于我们实验室扩大自己在精准医疗等领域的愿景是十分重要的。NVIDIA走在加速机器学习的前沿,其新的CORAL/Sierra 框架对于开发下一代可扩展的深度学习算法是十分关键的。借助NVLink-enabled Pascal™ GPU框架,我们将可以加速训练超大型的神经网络。”


Oak Ridge国家实验室健康数据科学研究所的主任Georgia Tourassi则表示:“今天的癌症监控依赖对临床报告的人为分析,以此来癌症进展和结果的重要生物标志。通过应用高性能的计算和AI在大规模解决方案上,如NVIDIA's DGX-1™,我们实现自动化,以及更好的对重要的临床信息进行抽取,并且提升我们对于大规模人口的癌症健康的理解。”


-END-

本文来源于"中国人工智能学会",原文发表时间" 2016-11-17 "

相关文章
|
2天前
|
人工智能 自然语言处理 搜索推荐
如何利用AI技术改善学生的学习体验?
【5月更文挑战第19天】如何利用AI技术改善学生的学习体验?
9 1
|
2天前
|
机器学习/深度学习 分布式计算 调度
机器学习分布式框架Ray
Ray是UC Berkeley RISELab推出的一个高性能分布式执行框架,它比Spark更具计算优势,部署简单,支持机器学习和深度学习的分布式训练。Ray包括节点(head和worker)、本地调度器、object store、全局调度器(GCS),用于处理各种分布式计算任务。它支持超参数调优(Ray Tune)、梯度下降(Ray SGD)、推理服务(Ray SERVE)等。安装简单,可通过`pip install ray`。使用时,利用`@ray.remote`装饰器将函数转换为分布式任务,通过`.remote`提交并用`ray.get`获取结果。5月更文挑战第15天
22 3
|
6天前
|
存储 Java 分布式数据库
【分布式计算框架】HBase数据库编程实践
【分布式计算框架】HBase数据库编程实践
13 1
|
6天前
|
分布式计算 并行计算 Java
【分布式计算框架】 MapReduce编程初级实践
【分布式计算框架】 MapReduce编程初级实践
9 2
|
6天前
|
分布式计算 数据可视化 Hadoop
【分布式计算框架】HDFS常用操作及编程实践
【分布式计算框架】HDFS常用操作及编程实践
6 1
|
6天前
|
分布式计算 Ubuntu Hadoop
【分布式计算框架】hadoop全分布式及高可用搭建
【分布式计算框架】hadoop全分布式及高可用搭建
27 1
|
6天前
|
存储 分布式计算 Hadoop
【分布式计算框架】Hadoop伪分布式安装
【分布式计算框架】Hadoop伪分布式安装
9 2
|
6天前
|
机器学习/深度学习 人工智能 自然语言处理
构建未来:AI在持续学习系统中的创新应用
【5月更文挑战第11天】 随着人工智能(AI)技术的飞速发展,其在教育领域的应用日益增多。特别是在持续学习系统(Lifelong Learning Systems, LLS)中,AI技术正开启着个性化和适应性教学的新篇章。本文聚焦于AI在LLS中的创新应用,探讨了机器学习、自然语言处理和认知建模等关键技术如何共同作用于构建智能化的学习环境。文章旨在分析当前AI技术在持续学习领域的最新进展,并展望其对未来教育模式的影响。
|
6天前
|
机器学习/深度学习 人工智能 自动驾驶
构建未来:AI在持续学习系统中的创新应用
【5月更文挑战第11天】 在人工智能的迅猛发展浪潮中,一个不断进化的分支便是AI在持续学习系统中的应用。本文旨在探讨AI技术如何革新持续学习系统,并分析其在不同领域的创新实践。文章首先界定了持续学习系统的概念,随后深入解析了深度学习、强化学习以及转移学习等关键技术在其中的作用。通过案例分析,展示了这些技术如何在医疗诊断、自动驾驶及个性化教育中发挥至关重要的角色。最终,讨论了面临的挑战与未来的发展趋势,为读者提供了一个关于AI在持续学习领域未来可能展开的蓝图。
22 1
单向/双向V2G环境下分布式电源与电动汽车充电站联合配置方法(matlab代码)
单向/双向V2G环境下分布式电源与电动汽车充电站联合配置方法(matlab代码)

热门文章

最新文章