Uusi tekoälymenetelmä pienentää tieteellisiä aineistoja jopa 100-kertaisesti
SLAC National Accelerator Laboratoryn tutkijat ovat kehittäneet neuroverkkoihin perustuvan pakkausmenetelmän, joka pienensi tieteellisten aineistojen kokoa testeissä 10–100-kertaisesti lähtödatasta ja vaaditusta tarkkuustasosta riippuen. Keskeinen ajatus ei ole pakata kaikkia datan osia samalla tavalla, vaan säilyttää eri avaruudellisten mittakaavojen rakenteet, jotka voivat olla ratkaisevia tieteellisen analyysin kannalta. Tutkimus julkaistiin Nature Machine Intelligence -lehdessä.
Tieteelliset instrumentit tuottavat enemmän dataa kuin infrastruktuuri pystyy vastaanottamaan
Uuden menetelmän taustalla on hyvin käytännöllinen ongelma modernissa kokeellisessa tieteessä. Antureiden resoluutio ja mittausnopeudet kasvavat niin nopeasti, että seuraavan sukupolven instrumentit alkavat tuottaa datavirtoja, joiden täysimääräinen tallentaminen, siirtäminen ja myöhempi käsittely on yhä kalliimpaa.
Perinteinen häviöllinen pakkaus voi pienentää tiedostokokoa, mutta se voi myös poistaa pieniamplitudisia signaaleja tai hienorakenteita. Tavallisessa valokuvassa tällä häviöllä ei välttämättä ole merkitystä. Tieteellisessä mittauksessa pieni yksityiskohta voi kuitenkin sisältää juuri sitä fysikaalista tietoa, jota tutkijat etsivät.
SLAC mainitsee esimerkkinä röntgenmittauksissa näkyvät pienet pilkut. Nämä rakenteet voivat paljastaa materiaalin sisäistä järjestystä, virheitä tai dynamiikkaa. Jos pakkausalgoritmi käsittelee niitä kohinana, se voi pienentää paitsi tiedostokokoa myös mittauksen tieteellistä arvoa.
Wavelet-analyysi erottaa informaation mittakaavan mukaan
Nature Machine Intelligence -lehdessä julkaistun menetelmän nimi on WIEN-INR. Se yhdistää wavelet-analyysin implisiittisiin neuroverkkorepresentaatioihin.
Ensin wavelet-analyysi erottaa aineiston eri avaruudellisten mittakaavojen komponentteihin ja erottaa suurimittakaavaiset rakenteet hienoista yksityiskohdista. Neuroverkko oppii sitten esittämään eri mittakaavojen tiedon tiiviisti.
Tämä arkkitehtuuri auttaa välttämään yleiskäyttöisen pakkauksen tavallisen ongelman, jossa laajaa taustarakennetta ja pientä mutta tieteellisesti tärkeää piirrettä saatetaan käsitellä lähes samalla tavalla.
SLACin tutkijan Yuan Nin mukaan menetelmä pienensi tiedostokokoa tyypillisesti 10–100-kertaisesti lähdedatasta ja tavoitellusta laadusta riippuen. Tulosta ei kuitenkaan pidä tulkita täysin häviöttömäksi pakkaukseksi. Kyseessä on hallittu kompromissi datamäärän ja signaalin tarkkuuden välillä, joka on suunniteltu säilyttämään analyysin kannalta merkitykselliset hienot piirteet paremmin kuin yleinen pakkausmenetelmä.
Tämä on tarkempi kuvaus kuin väite, että järjestelmä ”ei menetä lainkaan dataa”.
Järjestelmä voi purkaa vain tarvitsemasi alueen
Menetelmän toinen merkittävä vahvuus ilmenee, kun dataa käytetään myöhemmin. Jos tutkija tarvitsee suuresta pakatusta aineistosta vain pienen alueen, koko tiedostoa ei tarvitse palauttaa.
WIEN-INR voi purkaa vain valitun kiinnostavan alueen ja tehdä sen eri mittakaavoilla ja resoluutioilla. SLAC toteaa, että suuren kokonaisen tiedoston purkaminen tavanomaisella koodekilla voi kestää minuutteja, tunteja tai jopa päiviä. Valikoiva purkaminen välttää suuren osan tästä työstä.
Suurissa tieteellisissä laskentaympäristöissä tämä ominaisuus voi olla yhtä tärkeä kuin itse pakkaussuhde. Ongelma ei ole pelkästään tallennuksen kustannus. Datan siirtäminen tallennusjärjestelmien, laskentasolmujen ja tutkimuslaitosten välillä kuluttaa verkkokapasiteettia, energiaa ja aikaa.
Menetelmä toimi hyvin erilaisilla datatyypeillä
Tutkijat eivät rajoittaneet testejään yhteen röntgendatan tyyppiin. He sovelsivat menetelmää molekyyli- ja materiaalimittauksiin, Auringon magneettikenttädataan sekä tavallisiin valokuviin. Neuroverkko kykeni sopeutumaan erilaisiin datatyyppeihin ja oppimaan kullekin olennaiset piirteet.
Kirjoittajat eivät esitä WIEN-INR:ää yleispätevänä korvaajana nykyisille pakkaus- tai datanvähennysmenetelmille. Sen sijaan se voi toimia niiden rinnalla lisävaihtoehtona tapauksissa, joissa hienomittakaavaisen rakenteen myöhempi palauttaminen on erityisen tärkeää.
Tutkimukseen osallistui myös tutkijoita University of California, Davisista ja Carnegie Mellon Universitystä. Ryhmä koulutti neuroverkkonsa Yhdysvaltain energiaministeriön NERSC-laitoksen Perlmutter-supertietokoneella. Artikkeli ”Multi-resolution enhancement for full-spectrum neural representations” julkaistiin Nature Machine Intelligence -lehdessä 24. elokuuta 2026.
Euroopan tutkimusinfrastruktuuri kohtaa saman haasteen
Menetelmän potentiaali ulottuu paljon SLACin yksittäistä instrumenttia laajemmalle. Myös Euroopan hiukkasfysiikan, synkrotronitutkimuksen, tähtitieteen, ilmastotutkimuksen ja satelliittihavainnoinnin infrastruktuuri tuottaa nopeasti kasvavia datamääriä.
Tässä olennaista on periaate eikä jokin yksittäinen algoritmi. Kun instrumentti tuottaa enemmän tietoa kuin on käytännöllistä tallentaa ja siirtää kokonaisuudessaan, dataputken on päätettävä yhä varhaisemmassa vaiheessa, mitä tietoa säilytetään ja millä tarkkuustasolla.
Tekoälyn rooli tieteessä ei siksi enää rajoitu kuvioiden löytämiseen kokeen jälkeen. Seuraava tärkeä askel voi olla tieteellisen datan esittäminen muodossa, joka vähentää dramaattisesti tallennus- ja laskentatarpeita säilyttäen samalla hienorakenteet, joilla voi osoittautua olevan merkitystä seuraavan löydön kannalta.
Tieteelliset instrumentit tuottavat enemmän dataa kuin infrastruktuuri pystyy vastaanottamaan
Uuden menetelmän taustalla on hyvin käytännöllinen ongelma modernissa kokeellisessa tieteessä. Antureiden resoluutio ja mittausnopeudet kasvavat niin nopeasti, että seuraavan sukupolven instrumentit alkavat tuottaa datavirtoja, joiden täysimääräinen tallentaminen, siirtäminen ja myöhempi käsittely on yhä kalliimpaa.
Perinteinen häviöllinen pakkaus voi pienentää tiedostokokoa, mutta se voi myös poistaa pieniamplitudisia signaaleja tai hienorakenteita. Tavallisessa valokuvassa tällä häviöllä ei välttämättä ole merkitystä. Tieteellisessä mittauksessa pieni yksityiskohta voi kuitenkin sisältää juuri sitä fysikaalista tietoa, jota tutkijat etsivät.
SLAC mainitsee esimerkkinä röntgenmittauksissa näkyvät pienet pilkut. Nämä rakenteet voivat paljastaa materiaalin sisäistä järjestystä, virheitä tai dynamiikkaa. Jos pakkausalgoritmi käsittelee niitä kohinana, se voi pienentää paitsi tiedostokokoa myös mittauksen tieteellistä arvoa.
Wavelet-analyysi erottaa informaation mittakaavan mukaan
Nature Machine Intelligence -lehdessä julkaistun menetelmän nimi on WIEN-INR. Se yhdistää wavelet-analyysin implisiittisiin neuroverkkorepresentaatioihin.
Ensin wavelet-analyysi erottaa aineiston eri avaruudellisten mittakaavojen komponentteihin ja erottaa suurimittakaavaiset rakenteet hienoista yksityiskohdista. Neuroverkko oppii sitten esittämään eri mittakaavojen tiedon tiiviisti.
Tämä arkkitehtuuri auttaa välttämään yleiskäyttöisen pakkauksen tavallisen ongelman, jossa laajaa taustarakennetta ja pientä mutta tieteellisesti tärkeää piirrettä saatetaan käsitellä lähes samalla tavalla.
SLACin tutkijan Yuan Nin mukaan menetelmä pienensi tiedostokokoa tyypillisesti 10–100-kertaisesti lähdedatasta ja tavoitellusta laadusta riippuen. Tulosta ei kuitenkaan pidä tulkita täysin häviöttömäksi pakkaukseksi. Kyseessä on hallittu kompromissi datamäärän ja signaalin tarkkuuden välillä, joka on suunniteltu säilyttämään analyysin kannalta merkitykselliset hienot piirteet paremmin kuin yleinen pakkausmenetelmä.
Tämä on tarkempi kuvaus kuin väite, että järjestelmä ”ei menetä lainkaan dataa”.
Järjestelmä voi purkaa vain tarvitsemasi alueen
Menetelmän toinen merkittävä vahvuus ilmenee, kun dataa käytetään myöhemmin. Jos tutkija tarvitsee suuresta pakatusta aineistosta vain pienen alueen, koko tiedostoa ei tarvitse palauttaa.
WIEN-INR voi purkaa vain valitun kiinnostavan alueen ja tehdä sen eri mittakaavoilla ja resoluutioilla. SLAC toteaa, että suuren kokonaisen tiedoston purkaminen tavanomaisella koodekilla voi kestää minuutteja, tunteja tai jopa päiviä. Valikoiva purkaminen välttää suuren osan tästä työstä.
Suurissa tieteellisissä laskentaympäristöissä tämä ominaisuus voi olla yhtä tärkeä kuin itse pakkaussuhde. Ongelma ei ole pelkästään tallennuksen kustannus. Datan siirtäminen tallennusjärjestelmien, laskentasolmujen ja tutkimuslaitosten välillä kuluttaa verkkokapasiteettia, energiaa ja aikaa.
Menetelmä toimi hyvin erilaisilla datatyypeillä
Tutkijat eivät rajoittaneet testejään yhteen röntgendatan tyyppiin. He sovelsivat menetelmää molekyyli- ja materiaalimittauksiin, Auringon magneettikenttädataan sekä tavallisiin valokuviin. Neuroverkko kykeni sopeutumaan erilaisiin datatyyppeihin ja oppimaan kullekin olennaiset piirteet.
Kirjoittajat eivät esitä WIEN-INR:ää yleispätevänä korvaajana nykyisille pakkaus- tai datanvähennysmenetelmille. Sen sijaan se voi toimia niiden rinnalla lisävaihtoehtona tapauksissa, joissa hienomittakaavaisen rakenteen myöhempi palauttaminen on erityisen tärkeää.
Tutkimukseen osallistui myös tutkijoita University of California, Davisista ja Carnegie Mellon Universitystä. Ryhmä koulutti neuroverkkonsa Yhdysvaltain energiaministeriön NERSC-laitoksen Perlmutter-supertietokoneella. Artikkeli ”Multi-resolution enhancement for full-spectrum neural representations” julkaistiin Nature Machine Intelligence -lehdessä 24. elokuuta 2026.
Euroopan tutkimusinfrastruktuuri kohtaa saman haasteen
Menetelmän potentiaali ulottuu paljon SLACin yksittäistä instrumenttia laajemmalle. Myös Euroopan hiukkasfysiikan, synkrotronitutkimuksen, tähtitieteen, ilmastotutkimuksen ja satelliittihavainnoinnin infrastruktuuri tuottaa nopeasti kasvavia datamääriä.
Tässä olennaista on periaate eikä jokin yksittäinen algoritmi. Kun instrumentti tuottaa enemmän tietoa kuin on käytännöllistä tallentaa ja siirtää kokonaisuudessaan, dataputken on päätettävä yhä varhaisemmassa vaiheessa, mitä tietoa säilytetään ja millä tarkkuustasolla.
Tekoälyn rooli tieteessä ei siksi enää rajoitu kuvioiden löytämiseen kokeen jälkeen. Seuraava tärkeä askel voi olla tieteellisen datan esittäminen muodossa, joka vähentää dramaattisesti tallennus- ja laskentatarpeita säilyttäen samalla hienorakenteet, joilla voi osoittautua olevan merkitystä seuraavan löydön kannalta.
