还有其他机器学习算法已被用于评估机器学习加速器芯片本身的计算机架构决策的设计空间 。 机器学习可用于为 ASIC 设计快速创建芯片布局 ， 这些布局优于人类专家生成的布局 ， 并且可以在几小时而不是几周内生成 。 这降低了芯片的固定工程成本 ， 并减少了为不同应用快速创建专用硬件的阻碍 。 谷歌在即将推出的 TPU-v5 芯片的设计中成功地使用了这种方法 。
这种探索性的机器学习方法也已应用于材料发现 。 在谷歌研究院和加州理工学院的合作中 ， 几个机器学习模型与改进后的喷墨打印机和定制显微镜相结合 ， 能够快速搜索数十万种可能的材料 。
这些自动化设计空间探索方法可以帮助加速许多科学领域 ， 特别是当生成实验和评估结果的整个实验循环都能以自动化或大部分自动化的方式完成时 。 这种方法也许会在未来几年在更多领域中发挥良好的效果 。
健康应用
除了推进基础科学 ， 机器学习还可以更广泛地推动医学和人类健康的进步 。 利用计算机科学在健康方面的进步并不是什么新鲜事 ， 但是机器学习打开了新的大门 ， 带来了新的机会 ， 也带来了新的挑战 。
以基因组学领域为例 。 自基因组学问世以来 ， 计算一直很重要 ， 但机器学习增加了新功能并破坏了旧范式 。 当谷歌的研究人员开始在这一领域工作时 ， 许多专家认为使用深度学习帮助从测序仪输出推断遗传变异的想法是牵强附会的 。 而在今天 ， 这种机器学习方法被认为是最先进的 。
未来机器学习将扮演更重要的角色 ， 基因组学公司正在开发更准确、更快的新测序仪器 ， 但也带来了新的推理挑战 。 谷歌发布了开源软件 DeepConsensus ， 并与 UCSC 、PEPPER-DeepVariant 合作 ， 支持这些前沿信息学的新仪器 ， 希望更快速的测序能够带来对患者产生影响的适用性 。

文章图片

除了处理测序仪数据之外 ， 还有其他机会使用机器学习来加速将基因组信息用于个性化健康的过程 。 广泛表型和测序个体的大型生物库可以彻底改变人类理解和管理疾病遗传易感性的方式 。 谷歌基于机器学习的表型分析方法提高了将大型成像和文本数据集转换为可用于遗传关联研究的表型的可扩展性 ， DeepNull 方法更好地利用大型表型数据进行遗传发现 。 这两种方法均已开源 。

文章图片

生成解剖和疾病特征的大规模量化以与生物库中的基因组数据相结合的过程 。
正如机器学习帮助我们看到基因组数据的隐藏特征一样 ， 它也可以帮助我们发现新信息并从其他健康数据类型中收集新见解 。 疾病诊断通常是关于识别模式、量化相关性或识别更大类别的新实例 ， 这些都是机器学习擅长的任务 。
谷歌研究人员已经使用机器学习解决了广泛的此类问题 ， 但机器学习在医学成像中的应用更进一步：谷歌 2016 年介绍深度学习在糖尿病性视网膜病变筛查中应用的论文 ， 被美国医学会杂志 (JAMA) 的编辑选为十年来最具影响力的 10 篇论文之一 。
另一个雄心勃勃的医疗保健计划 Care Studio 使用最先进的 ML 和先进的 NLP 技术来分析结构化数据和医疗记录 ， 在正确的时间向临床医生提供最相关的信息——最终帮助他们提供更积极、更准确的护理 。
尽管机器学习可能对扩大临床环境的可及性和提高准确性很重要 ， 但一个同样重要的新趋势正在出现：机器学习应用于帮助人们提高日常健康和福祉 。 人们日常设备逐渐拥有强大的传感器 ， 帮助健康指标和信息民主化 ， 人们可以就自己的健康做出更明智的决定 。 我们已经看到了智能手机摄像头已经能评估心率和呼吸频率以帮助用户 ， 甚至无需额外硬件 ， 以及支持非接触式睡眠感应的 Nest Hub 设备让用户更好地了解他们的夜间健康状况 。