【2024 NCHC, NVIDIA, OpenACC 黑客松】— 醫療與生命科學成果

[Accelerating Docking with Tensor Core]

 
Dream Chaser 團隊成員長庚大學醫學系高銓澤博士、人工智慧學系馬誠佑老師、與資工系李季青老師，解除對接軟體 AutoDock的原子數量限制，並加速達7.8倍！！
* Team Members: Quan-Ze Gao, Chi-Ching Lee, Cheng-Yu Ma.
* NVIDIA Mentors: Anthony Chang, Ying-Ja Chen.

分子對接是加速藥物開發不可或缺的重要工具，有效的電腦計算結果，能節省大量後期生 物實驗與臨床試驗的費用與時間。然而就算在電腦的輔助之下，藥物開發的平均時長約十 年，且 2024 年六月的研究指出，2018 年的平均藥物開發成本約爲 8.793 億美元，並且逐 年上升。近年除了小分子藥物以外，較小的生物分子如 miRNA 與 aptamer 對於調節細胞生 長與功能的研究需求也是與日俱增，由於其可能成爲潛在的抗癌新星，讓許多學者投入相 關研究，然而目前支援 GPU 的分子對接軟體有藥物原子數量上限的限制，使得相關研究難 以順利進行。 Dream Chaser 團隊與 NVIDIA 成員合作，在解除原子數量限制的情況下，透 過 CUDA 加速獲得穩定的效能。
 
更多資訊請看：https://github.com/nqobu/nvidia/tree/main/20241204 

[跨院數據協作的最佳解方——聯邦學習]

 
成大 Smile Lab 團隊來自成功大學，將聯邦式學習加速了5.5倍！！
* Team Members: Pau-Choo Chung, Kai-Xiang Liu, Yu-Ping Gao, Jia-Xian Jian, Chin-Hua Liu, Yu-Cheng Chang, Yen-Jung Chiu, Po-Hao Hsu, Chao-Chun Chuang.
* NVIDIA Mentors: Ken Liao, Yang-Hsien Lin.

醫療影像在AI領域上的蓬勃發展，預示著我們即將進入醫療影像智慧化的時代。在這個過程中，聯邦式學習成為一個關鍵技術，它在模型開發中扮演著重要的角色，特別是在處理隱私保護和提升模型準確度方面。由於病人隱私的問題，傳統的影像共享方式受到限制，使得聯邦學習技術在構建多樣化數據集時變得不可或缺。這項技術在當前數據隱私需求較高的時代尤為重要。然而，在分布式環境中執行聯邦式學習對於需要大規模數據整合的問題而言，會遇到訓練速度較慢的挑戰。為了解決這一問題，團隊運用了 GPU 加速來提升模型訓練和數據處理的速度，並結合 Feather 和 CuPy 來優化數據處理過程，提高了數據提取和計算的效率。此外，使用 CuCIM 來驗證和優化影像在GPU上的高效提取，特別是利用 CuCIM 進行 cache 優化。通過這些技術的整合，詹寶珠教授帶領的 Smile Lab 團隊成功實現了聯邦學習5.5倍的加速效果，顯著提升了整體模型訓練的效率和準確度。
 
更多資訊請看：https://github.com/nqobu/nvidia/tree/main/20241204