在這個大數(shù)據(jù)時代，科學(xué)計算中存在一些問題，這些問題是如此之大，如此復(fù)雜，包含的信息太多，以至于試圖解決這些問題對于大多數(shù)計算機來說都是一項艱巨的任務(wù)。

現(xiàn)在，圣路易斯華盛頓大學(xué)麥克凱爾維工程學(xué)院的研究人員開發(fā)了一種新算法，用于將一類常見問題(稱為線性逆問題)分解為較小的任務(wù)，每個任務(wù)都可以通過在標準計算機上并行。

這項研究來自普雷斯頓·格林(Preston M. Green)電氣與系統(tǒng)工程系教授Jr-Shin Li的實驗室，該研究于7月30日發(fā)表在《科學(xué)報告》雜志上。

除了提供解決此類問題的框架外，這種稱為并行殘差投影(PRP)的方法還提供了增強的安全性并減輕了對隱私的擔憂。

線性逆問題是那些試圖獲取觀測數(shù)據(jù)并試圖找到描述它的模型的問題。用最簡單的形式，他們可能看起來很熟悉：2x + y = 1，xy =3。許多高中生在沒有超級計算機幫助的情況下解決了x和y問題。

隨著越來越多不同領(lǐng)域的研究人員收集越來越多的數(shù)據(jù)以獲取更深刻的見解，這些方程式的規(guī)模和復(fù)雜性也在不斷增長。

他說：“我們開發(fā)了一個計算框架，以解決成千上萬這樣的方程和變量的情況。”

這個項目是在研究涉及大數(shù)據(jù)的其他領(lǐng)域的研究問題時構(gòu)思的。李的實驗室一直在與一位生物學(xué)家合作，研究與睡眠-喚醒周期有關(guān)的神經(jīng)元網(wǎng)絡(luò)。

Li實驗室的研究人員Vignesh Narayanan說：“在網(wǎng)絡(luò)推斷的背景下，看著神經(jīng)元網(wǎng)絡(luò)，逆問題看起來像這樣。”

給定從一堆神經(jīng)元記錄的數(shù)據(jù)，描述這些神經(jīng)元如何相互連接的“模型”是什么?

納拉亞南說：“在我們實驗室的早期工作中，我們證明了這個推理問題可以表述為線性逆問題。”

如果系統(tǒng)有幾百個節(jié)點(在這種情況下，節(jié)點是神經(jīng)元)，則描述神經(jīng)元之間相互作用的矩陣可能是數(shù)百萬個;那是巨大的。

“存儲此矩陣本身超出了普通臺式機的存儲范圍，”博士學(xué)位的魏Wei說。李的實驗室的學(xué)生。

此外，這樣的復(fù)雜系統(tǒng)通常是動態(tài)的，正如我們對它們的理解一樣。苗說：“說我們已經(jīng)有了一個解決方案，但現(xiàn)在我要考慮其他一些單元的交互作用。” PRP不會引發(fā)新問題并從頭解決，而是增加了靈活性和可伸縮性。“您可以以任何方式處理問題。”

苗說，即使您碰巧擁有一臺超級計算機，“通過分解大問題，您仍然有可能更快地解決它。”

除了分解復(fù)雜的問題并在不同的機器上并行解決之外，計算框架還重要的是，合并結(jié)果并為初始問題計算出精確的解決方案。

PRP的意外好處是增強了數(shù)據(jù)安全性和隱私性。納拉亞南說，當信用卡公司使用算法來研究欺詐行為，或者一家醫(yī)院要分析其龐大的數(shù)據(jù)庫時，“沒人愿意將所有訪問權(quán)限都授予一個人。”

納拉亞南說：“這是我們甚至沒有爭取的額外好處。”