人工智能(AI)已经成为微观数据分析中不可或缺的组成部分。然而，在人工智能模型变得越来越好、越来越复杂的同时，计算能力和相关的能耗也在不断增加。
因此，莱布尼茨
研究人员在《自然方法》杂志上发表的一篇文章中展示了他们的用户友好工具箱，名为“高效生物人工智能”。
现代显微镜技术可以产生大量的高分辨率图像，单个数据集可以包含数千个图像。科学家经常使用人工智能支持的软件来可靠地分析这些数据集。然而，随着人工智能模型变得越来越复杂，图像的延迟(处理时间)会显著增加。
“高网络延迟，例如对于特别大的图像，会导致更高的计算能力，最终增加能耗，”ISAS微观生物医学图像分析初级研究小组负责人陈建旭博士说。
为了避免图像分析中的高延迟，特别是在计算能力有限的设备上，研究人员使用复杂的算法来压缩人工智能模型。这意味着它们减少了模型中的计算量，同时保持了相当的预测精度。
“模型压缩是一种广泛应用于数字图像处理领域的技术，即计算机视觉和人工智能，可以使模型更轻、更环保，”陈解释说。
研究人员结合各种策略来减少内存消耗，加速模型推理，模型的“思维过程”，从而节省能量。例如，修剪用于从神经网络中去除多余的节点。
“这些技术在生物成像领域通常仍然是未知的。因此，我们希望开发一种即用型和简单的解决方案，将它们应用于生物成像中的常见人工智能工具，”该论文的第一作者、AMBIOM的博士生周宇说。
为了测试他们的新工具箱，陈领导的研究人员在几个实际应用中测试了他们的软件。对于不同的硬件和各种生物成像分析任务，压缩技术能够显著降低延迟，并将能耗降低12.5%至80.6%。
Chen总结道:“我们的测试表明，EfficientBioAI可以显著提高生物成像中神经网络的效率，而不会限制模型的准确性。”
他以常用的CellPose模型为例说明了节能效果:如果一千名用户使用工具箱压缩模型，并将其应用于Jump Target ORF数据集(大约一百万张细胞的显微镜图像)，他们节省的能源相当于一辆汽车行驶约7300英里(约7300公里)的排放量。11750公里)。
作者们渴望让尽可能多的生物医学研究领域的科学家能够使用高效生物人工智能。研究人员可以安装该软件并将其无缝集成到现有的PyTorch库(Python编程语言的开源程序库)中。
因此，对于一些广泛使用的模型，如Cellpose，研究人员可以使用该软件，而无需对代码本身进行任何更改。为了支持特定的变更请求，该小组还提供了一些演示和教程。只需修改几行代码，工具箱就可以应用于定制的AI模型。
EfficientBioAI是一款现成的开源压缩软件，用于生物成像领域的人工智能模型。即插即用工具箱对于标准使用保持简单，但提供可定制的功能。这包括可调整的压缩级别以及在中央处理单元(CPU)和图形处理单元(GPU)之间轻松切换。
研究人员一直在开发这个工具箱，并且已经在努力使它在MacOS、Linux (Ubuntu 20.04、Debian 10)和Windows 10上可用。目前，工具箱的重点是提高预训练模型的推理效率，而不是提高训练阶段的效率。
更多信息:Yu Zhou等人，EfficientBioAI:使生物成像AI模型在能量和延迟方面效率更高。Nature Methods(2024)。www.nature.com/articles/s41592 - 024 - 02167 - z
EfficientBioAI可在github.com/MMV-Lab/EfficientBioAI上获得
期刊信息:
自然方法
莱布尼茨分析科学研究所- ISAS - e. V.提供。
引用分析微观图像:新的开源软件使人工智能模型更轻，更环保(2024,1月24日)2024年1月24日检索自https://techxplore.com/news/2024-01-microscopic-images-source-software-ai.html本文档
作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司
内容仅供参考之用。
