拜IBM Research在今年夏天於愛爾蘭都柏林(Dublin, Ireland)完成的研發工作之賜,需要高性能運算(HPC)的應用,可能很快就能在你的掌中實現。

雖然科學家們在教導機器如何處理臉部辨識影像,還有了解語言以轉譯文字方面走了很長一段路,IBM的研究人員則是專注在另一個不同的問題上:如何利用人工智慧(AI)來預測物理過程;其研究案例是聚焦於海浪,利用以外力驅動的傳統物理模型,例如潮汐的升降、往不同吹方向的風,以及影響海浪速度與高度的水深度與物理特性。

HPC通常在解開概括那些物理過程與其關聯之不同方程式時不可或缺,但這種方式在透過即時預測平台進行調查的空間解析度(spatial resolution)、物理過程、時間刻度(time-scales)方面有所限制。IBM Research資深研究經理Sean McKenna接受EE Times訪問時表示,利用大型主機的HPC叢集通常是處理繁重運算任務的解決方案,而他們想看看是否能用更快速、簡單的方法完成相同工作。

McKenna指出,超過一個世紀以來有不同的方程式被開發出來,不過透過AI的機器學習不是以規則為基礎的:「那是從某個輸入空間到某個輸出空間的非線性映射(non-linear mapping),也是目前所謂AI的一切內涵。」

研究人員開發了一種深度學習框架,能讓那些以物理為基礎的模型加速12,000%,而且具備相當水準的精確度;McKenna指出,該經過驗證的深度學習框架,能利用可取得的海岸波浪狀態、洋流預測數據,來執行海浪狀態的即時預測:「這種深度學習方法不完全是一種黑箱(black box)研究方法,而有一點像是典範的轉移(paradigm shift)。」

McKenna解釋,深度學習不是關於物理建模以及釐清什麼會導致一系列結果的科學,而是關於如何利用工程技術來解決問題,而且能更有效率、更快:「我們能建立一個模型、訓練該模型,然後把它放進一個更具運算效益的裝置中。」

20171003_IBMResearch_NT01P1

愛爾蘭都柏林的IBM Reseach人員已經證實了以往需要高性能運算的波浪預測模型SWAN (Simulating WAves Nearshore),能以像是Raspberry Pi的低階運算裝置來執行

IBM研究成果帶來的明顯優勢,是能大幅減少用以模擬的運算支出,能讓HPC任務在Raspberry Pi掌上型電腦執行,不必用到大型運算基礎建設;其深度學習框架被訓練來預測位於美國加州Monterey Bay的一個案例研究據點的海浪狀態,利用以物理學為基礎的SWAN (Simulating WAves Nearshore)模型為深度學習網路產生訓練資料。

透過來自一套預報系統的波浪狀態、洋流量測數據,還有風力資料驅動,該模型自2013年4月初到2017年7月底執行,每隔三小時產生一次預測數據、總計提供1萬2,400個不同的模型輸出;上述研究是愛爾蘭IBM Research、美國貝勒大學(Baylor University)、以及美國聖母大學(University of Notre Dame)共同合作的成果。

McKenna表示,該深度學習模型尚未被佈署於一個實體裝置中,但研究已經證實,運算支出的降低能讓物理模型的模擬,在像是Raspberry Pi這種經過HPC訓練的低階運算裝置上執行:「這為該類模型能佈署的範圍開啟了各種可能性。」

能準確預測海浪高度以及方向,對眾多以海洋為基礎的產業來說是非常有價值的資源,因為這類產業通常得在電力與運算設施受限的惡劣環境中經營;例如船運公司會需要利用高度準確的預測資料規劃一條最佳航運路線,將能源的消耗以及航程時間最小化。此外McKenna表示,衝浪愛好者也能透過取得特定海灘的在地化資料,掌握最恰當的衝浪時機。

IBM Research的深度學習模型,也可望被用來以現有的HPC基礎建設訓練廉價的運算裝置,甚至是智慧型手機;McKenna表示:「HPC資源在雲端變得越來越容易取得,因以就算你沒有那樣的資源,應該也可以使用。」

編譯:Judith Cheng

(參考原文: IBM Uses Deep Learning to Train Raspberry Pi,by Gary Hilson)