基于机器学习算法的AI模型需要持续地通过数据来迭代、优化以提升其在药物研发中计算性能和预测结果的精度。近些年来，可用于算法训练的数据量在迅速增加，但总体来说，这些数据的质和量仍存在不少挑战，比如特定任务可用的数据过少、负样本数据缺失等，这些因素制约了AI药物发现领域的发展。另一方面，这些数据资源通常分布于不同的制药公司、生物技术公司、科研院校和医疗机构之中，对于他们来说，数据的产生与积累来之不易，代价高昂，如果按照传统的方法来分享数据，数据极有可能被数据使用方分享和留存，造成数据资产泄露和流失。这些涉及数据资产安全和隐私合规保护方面的问题，给AI药物发现公司与数据源方的数据协作带来了重重困难。
AI药物发现实践与隐私安全计算
2022-05-05
650
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
AI药物发现实践与隐私安全计算
目录
相关文章
|
18天前
|
存储
人工智能
算法
【AI系统】计算与调度
本文探讨了计算与调度的概念，特别是在神经网络和图像处理中的应用。通过分离算法定义和计算组织，Halide 等工具能够显著提升图像处理程序的性能，同时保持代码的简洁性和可维护性。文章详细介绍了计算与调度的基本概念、调度树的构建与约束，以及如何通过调度变换优化计算性能。此外，还讨论了自动调优方法在大规模调度空间中的应用，展示了如何通过探索和预测找到最优的调度方案。
36
0
0
|
14天前
|
消息中间件
人工智能
运维
|
5天前
|
机器学习/深度学习
人工智能
安全
CCF-CV企业交流会：打造大模型时代的可信AI，探索AI安全治理新路径
近日，由中国计算机学会计算机视觉专委会主办的《打造大模型时代的可信AI》论坛顺利举行。论坛邀请了来自上海交通大学、中国科学技术大学等机构的专家，从立法、监管、前沿研究等多角度探讨AI安全治理。合合信息等企业展示了图像篡改检测等技术，助力AI向善发展。
39
11
11
|
11天前
|
人工智能
缓存
并行计算
转载：【AI系统】CPU 计算本质
本文深入探讨了CPU计算性能，分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例，讲解了CPU算力的计算方法、算力与数据加载之间的平衡，以及如何通过算力敏感度分析优化计算系统性能。同时，文章还考察了服务器、GPU和超级计算机等平台的性能发展，揭示了这些变化如何塑造我们对CPU性能的理解和期待。
42
8
8
|
11天前
|
机器学习/深度学习
存储
人工智能
转载：【AI系统】计算之比特位宽
本文详细介绍了深度学习中模型量化操作及其重要性，重点探讨了比特位宽的概念，包括整数和浮点数的表示方法。文章还分析了不同数据类型（如FP32、FP16、BF16、FP8等）在AI模型中的应用，特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后，文章讨论了降低比特位宽对AI芯片性能的影响，强调了在不同应用场景中选择合适数据类型的重要性。
38
7
7
|
14天前
|
机器学习/深度学习
人工智能
前端开发
【AI系统】计算图的控制流实现
计算图作为有向无环图（DAG），能够抽象神经网络模型，但在编程中遇到控制流语句（如if、else、while、for）时，如何表示成为难题。引入控制流后，开发者可构建更复杂的模型结构，但部署含控制流的模型至不支持Python的设备上较为困难。目前，PyTorch仅支持Python控制流，而TensorFlow通过引入控制流原语来解决此问题。计算图的动态与静态实现各有优劣，动态图易于调试，静态图利于优化。
42
5
6
|
14天前
|
机器学习/深度学习
人工智能
算法
【AI系统】计算图挑战与未来
当前主流AI框架采用计算图抽象神经网络计算，以张量和算子为核心元素，有效表达模型计算逻辑。计算图不仅简化数据流动，支持内存优化和算子调度，还促进了自动微分功能的实现，区分静态图和动态图两种形式。未来，计算图将在图神经网络、大数据融合、推理部署及科学计算等领域持续演进，适应更复杂的计算需求。
48
5
5
|
15天前
|
机器学习/深度学习
人工智能
PyTorch
【AI系统】计算图基本介绍
近年来，AI框架如TensorFlow和PyTorch通过计算图描述神经网络，推动了AI技术的发展。计算图不仅抽象了神经网络的计算表达，还支持了模型算子的高效执行、梯度计算及参数训练。随着模型复杂度增加，如MOE、GAN、Attention Transformer等，AI框架需具备快速分析模型结构的能力，以优化训练效率。计算图与自动微分紧密结合，实现了从前向计算到反向传播的全流程自动化。
39
4
4
|
2天前
|
人工智能
自然语言处理
算法
|
16天前
|
存储
机器学习/深度学习
人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块，涵盖算子融合、布局转换、算子替换及内存优化等技术，旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用，显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案，包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外，文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现，展示了如何通过图优化提高模型推理性能的具体示例。
45
4
4
热门文章
最新文章
1
领英AI人才图谱：全球 190 万 AI 人才，中国只有5万
2
AI大咖专访丨阿里靖世：博士的研究同样可以在工业界做，更可以影响亿万人的生活！
3
AI推理服务平台升级，阿里云机器学习PAI推出新规格
4
阿里 AI 阅读理解冠军背后，用了什么技术？
5
受压缩感知启发，斯坦福 AI 研究院提出新的无监督表示学习框架！
6
Elai.io：AI视频生成平台
7
阿里 AI 新记录！登顶机器阅读理解大赛冠军
8
医生的小助手，医疗AI赋能诊断新冠肺炎新方案！
9
阿里云高级技术专家李鹏：AI基础设施的演进与挑战 | GenAICon 2024
10
「镁客·请讲」UCloud华琨：“AI+云”在未来是常见模式，我们选择做好背后的基础服务平台