Analyse d’images microscopiques : un nouveau logiciel open source rend les modèles d’IA plus légers et plus écologiques

L’intelligence artificielle (IA) est devenue un élément indispensable dans l’analyse des données microscopiques. Cependant, alors que les modèles d’IA s’améliorent et deviennent plus complexes, la puissance de calcul et la consommation d’énergie associée augmentent également.

Des chercheurs du Leibniz-Institut fr Analytische Wissenschaften (ISAS) et de l’Université de Pékin ont donc créé un logiciel de compression gratuit qui permet aux scientifiques d’exécuter les modèles d’IA de bioimagerie existants plus rapidement et avec une consommation d’énergie nettement inférieure.

Les chercheurs ont présenté leur boîte à outils conviviale, appelée EfficientBioAI, dans un article publié dans Méthodes naturelles.

Les techniques de microscopie modernes produisent un grand nombre d’images à haute résolution, et des ensembles de données individuels peuvent en comprendre des milliers. Les scientifiques utilisent souvent des logiciels basés sur l’IA pour analyser ces ensembles de données de manière fiable. Cependant, à mesure que les modèles d’IA deviennent plus complexes, la latence (temps de traitement) des images peut augmenter considérablement.

« Une latence élevée du réseau, par exemple avec des images particulièrement volumineuses, conduit à une puissance de calcul plus élevée et, en fin de compte, à une consommation d’énergie accrue », explique le Dr Jianxu Chen, responsable du groupe de recherche junior AMBIOMAnalysis of Microscopiques BIOMedical Images à l’ISAS.

Une technique bien connue trouve de nouvelles applications

Pour éviter une latence élevée dans l’analyse des images, en particulier sur les appareils dotés d’une puissance de calcul limitée, les chercheurs utilisent des algorithmes sophistiqués pour compresser les modèles d’IA. Cela signifie qu’ils réduisent la quantité de calculs dans les modèles tout en conservant une précision de prédiction comparable.

« La compression de modèles est une technique largement utilisée dans le domaine du traitement d’images numériques, connu sous le nom de vision par ordinateur, et de l’IA pour rendre les modèles plus légers et plus écologiques », explique Chen.

Les chercheurs combinent diverses stratégies pour réduire la consommation de mémoire, accélérer l’inférence du modèle, le « processus de pensée » du modèle et ainsi économiser de l’énergie. L’élagage, par exemple, est utilisé pour supprimer les nœuds excédentaires du réseau neuronal.

« Ces techniques sont souvent encore inconnues dans la communauté de la bioimagerie. Par conséquent, nous avons voulu développer une solution simple et prête à l’emploi pour les appliquer aux outils d’IA courants en bioimagerie », explique Yu Zhou, premier auteur et doctorant de l’article. . étudiant à AMBIOM.

Des économies d’énergie allant jusqu’à environ 81 %

Pour tester leur nouvelle boîte à outils, les chercheurs dirigés par Chen ont testé leur logiciel sur plusieurs applications réelles. Avec différents matériels et diverses tâches d’analyse de bioimagerie, les techniques de compression ont pu réduire considérablement la latence et réduire la consommation d’énergie entre 12,5 % et 80,6 %.

« Nos tests montrent qu’EfficientBioAI peut augmenter considérablement l’efficacité des réseaux neuronaux en bioimagerie sans limiter la précision des modèles », résume Chen.

Il illustre les économies d’énergie en utilisant comme exemple le modèle CellPose couramment utilisé : si un millier d’utilisateurs utilisaient la boîte à outils pour compresser le modèle et l’appliquer à l’ensemble de données Jump Target ORF (environ un million d’images microscopiques de cellules), ils pourraient économiser de l’énergie. équivalent aux émissions d’un trajet en voiture d’environ 7 300 miles (environ 11 750 kilomètres).

Aucune connaissance particulière requise

Les auteurs souhaitent rendre EfficientBioAI accessible au plus grand nombre possible de scientifiques en recherche biomédicale. Les chercheurs peuvent installer le logiciel et l’intégrer de manière transparente aux bibliothèques PyTorch existantes (bibliothèque de programmes open source pour le langage de programmation Python).

Pour certains modèles largement utilisés, comme Cellpose, les chercheurs peuvent donc utiliser le logiciel sans avoir à apporter eux-mêmes de modifications au code. Pour accompagner les demandes de changements spécifiques, le groupe propose également plusieurs démos et tutoriels. Avec seulement quelques lignes de code modifiées, la boîte à outils peut également être appliquée à des modèles d’IA personnalisés.

À propos d’EfficientBioAI

EfficientBioAI est un logiciel de compression prêt à l’emploi et open source pour les modèles d’IA dans le domaine de la bioimagerie. La boîte à outils plug-and-play reste simple pour une utilisation standard, mais offre des fonctions personnalisables. Ceux-ci incluent des niveaux de compression réglables et une commutation sans effort entre l’unité centrale (CPU) et l’unité de traitement graphique (GPU).

Les chercheurs développent constamment la boîte à outils et travaillent déjà à la rendre disponible pour MacOS en plus de Linux (Ubuntu 20.04, Debian 10) et Windows 10. À l’heure actuelle, l’objectif de la boîte à outils est d’améliorer l’efficacité d’inférence des utilisateurs pré-entraînés. modèles plutôt que d’augmenter l’efficacité pendant la phase de formation.