Nova AI metoda smanjuje naučne skupove podataka i do 100 puta
Istraživači iz SLAC National Accelerator Laboratory razvili su metod kompresije zasnovan na neuronskim mrežama koji je u testovima smanjio obim naučnih podataka za 10 do 100 puta, u zavisnosti od ulaznih podataka i potrebnog nivoa tačnosti. Ključna ideja nije jednako komprimovati svaki deo podataka, već sačuvati strukture na različitim prostornim skalama koje bi mogle biti ključne za naučnu analizu. Studija je objavljena u časopisu Nature Machine Intelligence.
Naučni instrumenti proizvode više podataka nego što infrastruktura može da prihvati
Motivacija za novu metodu proizlazi iz vrlo praktičnog problema savremene eksperimentalne nauke. Rezolucija senzora i stope merenja povećavaju se toliko brzo da instrumenti sledeće generacije počinju da stvaraju tokove podataka koje je sve skuplje čuvati u celosti, prenositi i kasnije obrađivati.
Konvencionalna kompresija sa gubicima može da smanji veličinu datoteka, ali može i da ukloni signale male amplitude ili fine strukture. Na običnoj fotografiji taj gubitak možda nije važan. Međutim, u naučnom merenju, sitan detalj može sadržati upravo fizičku informaciju koju istraživači traže.
SLAC kao jedan primer navodi male tačkice koje se pojavljuju u rendgenskim merenjima. Ove strukture mogu otkriti unutrašnji poredak, defekte ili dinamiku unutar materijala. Ako ih algoritam za kompresiju tretira kao šum, može smanjiti ne samo veličinu datoteke već i naučnu vrednost merenja.
Vejvlet analiza razdvaja informacije prema skali
Metoda objavljena u časopisu Nature Machine Intelligence naziva se WIEN-INR. Ona kombinuje vejvlet analizu sa implicitnim neuronskim reprezentacijama.
Najpre, vejvlet analiza razdvaja skup podataka na komponente različitih prostornih skala, razlikujući strukture velikih razmera od finih detalja. Neuronska mreža zatim uči da kompaktno predstavlja informacije na tim različitim skalama.
Ova arhitektura pomaže da se izbegne čest problem kompresije opšte namene, kod koje se široka pozadinska struktura i sićušna, ali naučno važna karakteristika mogu tretirati na gotovo isti način.
Prema rečima istraživača SLAC-a Yuana Nija, metoda je obično smanjivala veličine datoteka za 10 do 100 puta, u zavisnosti od izvornih podataka i željenog kvaliteta. Taj rezultat, međutim, ne treba tumačiti kao potpuno kompresovanje bez gubitaka. Reč je o kontrolisanom kompromisu između obima podataka i vernosti signala, osmišljenom da bolje sačuva fine karakteristike važne za analizu nego generički pristup kompresiji.
To je precizniji opis nego reći da sistem „uopšte ne gubi nikakve podatke”.
Sistem može da dekodira samo region koji vam je potreban
Druga velika prednost metode dolazi do izražaja kada se podaci kasnije koriste. Ako je istraživaču potreban samo mali region iz velikog komprimovanog skupa podataka, nema potrebe da rekonstruiše celu datoteku.
WIEN-INR može da dekodira samo izabrani region od interesa i to na različitim skalama i rezolucijama. SLAC navodi da dekompresija kompletne velike datoteke pomoću konvencionalnog kodeka može trajati minutima, satima ili čak danima. Selektivno dekodiranje izbegava veliki deo tog posla.
U velikim okruženjima za naučno računarstvo, ova mogućnost može biti jednako važna kao i sam odnos kompresije. Problem nije samo cena skladištenja. Prenos podataka između sistema za skladištenje, računarskih čvorova i istraživačkih institucija troši mrežni kapacitet, energiju i vreme.
Metoda je funkcionisala na veoma različitim vrstama podataka
Istraživači nisu ograničili testove na jednu vrstu rendgenskog skupa podataka. Metodu su primenili na molekularna merenja i merenja materijala, podatke o Sunčevom magnetnom polju i obične fotografije. Neuronska mreža je mogla da se prilagodi različitim tipovima podataka i nauči karakteristike važne za svaki od njih.
Autori ne predstavljaju WIEN-INR kao univerzalnu zamenu za postojeće metode kompresije ili redukcije podataka. Umesto toga, može raditi uporedo s njima kao dodatna opcija u slučajevima kada je naknadno vraćanje strukture fine skale naročito važno.
Istraživači sa University of California, Davis i Carnegie Mellon University takođe su doprineli studiji. Tim je trenirao svoje neuronske mreže koristeći superračunar Perlmutter u objektu NERSC američkog Ministarstva energetike. Rad „Multi-resolution enhancement for full-spectrum neural representations” objavljen je u časopisu Nature Machine Intelligence 24. avgusta 2026. godine.
Evropska istraživačka infrastruktura suočava se sa istim izazovom
Potencijal metode seže daleko izvan bilo kog pojedinačnog instrumenta u SLAC-u. Evropska infrastruktura za fiziku čestica, sinhrotronsku nauku, astronomiju, istraživanje klime i satelitsko posmatranje takođe generiše brzo rastuće količine podataka.
Ovde je važan princip, a ne bilo koji specifičan algoritam. Kada instrument proizvodi više informacija nego što je praktično čuvati i prenositi u celosti, tok obrade podataka mora sve ranije da odlučuje koje informacije treba sačuvati i na kom nivou vernosti.
Uloga AI u nauci zato više nije ograničena na pronalaženje obrazaca nakon što je eksperiment obavljen. Sledeći važan korak mogao bi biti predstavljanje naučnih podataka u obliku koji dramatično smanjuje zahteve za skladištenjem i računarstvom, uz očuvanje finih struktura koje bi se mogle pokazati važnim za sledeće otkriće.
Naučni instrumenti proizvode više podataka nego što infrastruktura može da prihvati
Motivacija za novu metodu proizlazi iz vrlo praktičnog problema savremene eksperimentalne nauke. Rezolucija senzora i stope merenja povećavaju se toliko brzo da instrumenti sledeće generacije počinju da stvaraju tokove podataka koje je sve skuplje čuvati u celosti, prenositi i kasnije obrađivati.
Konvencionalna kompresija sa gubicima može da smanji veličinu datoteka, ali može i da ukloni signale male amplitude ili fine strukture. Na običnoj fotografiji taj gubitak možda nije važan. Međutim, u naučnom merenju, sitan detalj može sadržati upravo fizičku informaciju koju istraživači traže.
SLAC kao jedan primer navodi male tačkice koje se pojavljuju u rendgenskim merenjima. Ove strukture mogu otkriti unutrašnji poredak, defekte ili dinamiku unutar materijala. Ako ih algoritam za kompresiju tretira kao šum, može smanjiti ne samo veličinu datoteke već i naučnu vrednost merenja.
Vejvlet analiza razdvaja informacije prema skali
Metoda objavljena u časopisu Nature Machine Intelligence naziva se WIEN-INR. Ona kombinuje vejvlet analizu sa implicitnim neuronskim reprezentacijama.
Najpre, vejvlet analiza razdvaja skup podataka na komponente različitih prostornih skala, razlikujući strukture velikih razmera od finih detalja. Neuronska mreža zatim uči da kompaktno predstavlja informacije na tim različitim skalama.
Ova arhitektura pomaže da se izbegne čest problem kompresije opšte namene, kod koje se široka pozadinska struktura i sićušna, ali naučno važna karakteristika mogu tretirati na gotovo isti način.
Prema rečima istraživača SLAC-a Yuana Nija, metoda je obično smanjivala veličine datoteka za 10 do 100 puta, u zavisnosti od izvornih podataka i željenog kvaliteta. Taj rezultat, međutim, ne treba tumačiti kao potpuno kompresovanje bez gubitaka. Reč je o kontrolisanom kompromisu između obima podataka i vernosti signala, osmišljenom da bolje sačuva fine karakteristike važne za analizu nego generički pristup kompresiji.
To je precizniji opis nego reći da sistem „uopšte ne gubi nikakve podatke”.
Sistem može da dekodira samo region koji vam je potreban
Druga velika prednost metode dolazi do izražaja kada se podaci kasnije koriste. Ako je istraživaču potreban samo mali region iz velikog komprimovanog skupa podataka, nema potrebe da rekonstruiše celu datoteku.
WIEN-INR može da dekodira samo izabrani region od interesa i to na različitim skalama i rezolucijama. SLAC navodi da dekompresija kompletne velike datoteke pomoću konvencionalnog kodeka može trajati minutima, satima ili čak danima. Selektivno dekodiranje izbegava veliki deo tog posla.
U velikim okruženjima za naučno računarstvo, ova mogućnost može biti jednako važna kao i sam odnos kompresije. Problem nije samo cena skladištenja. Prenos podataka između sistema za skladištenje, računarskih čvorova i istraživačkih institucija troši mrežni kapacitet, energiju i vreme.
Metoda je funkcionisala na veoma različitim vrstama podataka
Istraživači nisu ograničili testove na jednu vrstu rendgenskog skupa podataka. Metodu su primenili na molekularna merenja i merenja materijala, podatke o Sunčevom magnetnom polju i obične fotografije. Neuronska mreža je mogla da se prilagodi različitim tipovima podataka i nauči karakteristike važne za svaki od njih.
Autori ne predstavljaju WIEN-INR kao univerzalnu zamenu za postojeće metode kompresije ili redukcije podataka. Umesto toga, može raditi uporedo s njima kao dodatna opcija u slučajevima kada je naknadno vraćanje strukture fine skale naročito važno.
Istraživači sa University of California, Davis i Carnegie Mellon University takođe su doprineli studiji. Tim je trenirao svoje neuronske mreže koristeći superračunar Perlmutter u objektu NERSC američkog Ministarstva energetike. Rad „Multi-resolution enhancement for full-spectrum neural representations” objavljen je u časopisu Nature Machine Intelligence 24. avgusta 2026. godine.
Evropska istraživačka infrastruktura suočava se sa istim izazovom
Potencijal metode seže daleko izvan bilo kog pojedinačnog instrumenta u SLAC-u. Evropska infrastruktura za fiziku čestica, sinhrotronsku nauku, astronomiju, istraživanje klime i satelitsko posmatranje takođe generiše brzo rastuće količine podataka.
Ovde je važan princip, a ne bilo koji specifičan algoritam. Kada instrument proizvodi više informacija nego što je praktično čuvati i prenositi u celosti, tok obrade podataka mora sve ranije da odlučuje koje informacije treba sačuvati i na kom nivou vernosti.
Uloga AI u nauci zato više nije ograničena na pronalaženje obrazaca nakon što je eksperiment obavljen. Sledeći važan korak mogao bi biti predstavljanje naučnih podataka u obliku koji dramatično smanjuje zahteve za skladištenjem i računarstvom, uz očuvanje finih struktura koje bi se mogle pokazati važnim za sledeće otkriće.
