Nová metóda AI zmenšuje vedecké dátové súbory až 100-násobne
Výskumníci z Národného akcelerátorového laboratória SLAC vyvinuli metódu kompresie založenú na neurónových sieťach, ktorá v testoch znížila objem vedeckých dát 10- až 100-násobne v závislosti od vstupných dát a požadovanej úrovne presnosti. Kľúčovou myšlienkou nie je komprimovať každú časť dát rovnako, ale zachovať štruktúry v rôznych priestorových mierkach, ktoré by mohli byť rozhodujúce pre vedeckú analýzu. Štúdia bola publikovaná v časopise Nature Machine Intelligence.
Vedecké prístroje produkujú viac dát, než dokáže infraštruktúra spracovať
Motivácia novej metódy vychádza z veľmi praktického problému modernej experimentálnej vedy. Rozlíšenie senzorov a frekvencia meraní rastú tak rýchlo, že prístroje novej generácie začínajú vytvárať dátové toky, ktorých úplné ukladanie, prenos a neskoršie spracovanie sú čoraz nákladnejšie.
Bežná stratová kompresia môže zmenšiť veľkosť súborov, no môže zároveň odstrániť signály s nízkou amplitúdou alebo jemné štruktúry. Pri bežnej fotografii na takejto strate nemusí záležať. Pri vedeckom meraní však môže drobný detail obsahovať presne tú fyzikálnu informáciu, ktorú výskumníci hľadajú.
SLAC ako jeden príklad uvádza malé škvrnky, ktoré sa objavujú pri röntgenových meraniach. Tieto štruktúry môžu odhaliť vnútorné usporiadanie, defekty alebo dynamiku materiálu. Ak ich kompresný algoritmus považuje za šum, môže znížiť nielen veľkosť súboru, ale aj vedeckú hodnotu merania.
Vlnková analýza oddeľuje informácie podľa mierky
Metóda publikovaná v Nature Machine Intelligence sa nazýva WIEN-INR. Kombinuje vlnkovú analýzu s implicitnými neurónovými reprezentáciami.
Najprv vlnková analýza rozdelí dátový súbor na zložky v rôznych priestorových mierkach, pričom rozlišuje rozsiahle štruktúry od jemných detailov. Neurónová sieť sa potom naučí kompaktne reprezentovať informácie v týchto rôznych mierkach.
Táto architektúra pomáha predchádzať bežnému problému univerzálnej kompresie, pri ktorej sa so širokou štruktúrou pozadia a drobným, no vedecky dôležitým prvkom môže zaobchádzať takmer rovnako.
Podľa výskumníka SLAC Yuana Niho metóda zvyčajne znížila veľkosť súborov 10- až 100-násobne v závislosti od zdrojových dát a požadovanej kvality. Tento výsledok by sa však nemal interpretovať ako úplne bezstratová kompresia. Ide o kontrolovaný kompromis medzi objemom dát a vernosťou signálu, navrhnutý tak, aby jemné prvky dôležité pre analýzu zachoval lepšie než všeobecný kompresný prístup.
Je to presnejší opis, než tvrdiť, že systém „nestráca vôbec žiadne dáta“.
Systém dokáže dekódovať iba oblasť, ktorú potrebujete
Druhá významná prednosť metódy sa prejavuje pri neskoršom využití dát. Ak výskumník potrebuje z veľkého komprimovaného dátového súboru iba malú oblasť, nie je nutné rekonštruovať celý súbor.
WIEN-INR dokáže dekódovať iba vybranú oblasť záujmu a vykonať to v rôznych mierkach a rozlíšeniach. SLAC uvádza, že dekompresia kompletného veľkého súboru bežným kodekom môže trvať minúty, hodiny alebo dokonca dni. Selektívne dekódovanie veľkej časti tejto práce predchádza.
Vo veľkých prostrediach vedeckých výpočtov môže byť táto schopnosť rovnako dôležitá ako samotný kompresný pomer. Problémom nie sú iba náklady na ukladanie. Presúvanie dát medzi úložnými systémami, výpočtovými uzlami a výskumnými inštitúciami spotrebúva kapacitu siete, energiu a čas.
Metóda fungovala pri veľmi odlišných typoch dát
Výskumníci svoje testy neobmedzili na jediný typ röntgenového dátového súboru. Metódu použili pri molekulárnych a materiálových meraniach, dátach slnečného magnetického poľa aj bežných fotografiách. Neurónová sieť sa dokázala prispôsobiť rôznym typom dát a naučiť sa vlastnosti, ktoré boli pre každý z nich dôležité.
Autori nepredstavujú WIEN-INR ako univerzálnu náhradu existujúcich metód kompresie alebo redukcie dát. Namiesto toho môže fungovať popri nich ako ďalšia možnosť v prípadoch, kde je neskoršie obnovenie štruktúry v jemnej mierke obzvlášť dôležité.
K štúdii prispeli aj výskumníci z University of California, Davis a Carnegie Mellon University. Tím trénoval neurónové siete pomocou superpočítača Perlmutter v zariadení NERSC amerického ministerstva energetiky. Článok „Multi-resolution enhancement for full-spectrum neural representations“ bol publikovaný v Nature Machine Intelligence 24. augusta 2026.
Európska výskumná infraštruktúra čelí rovnakej výzve
Potenciál metódy siaha ďaleko za hranice jediného prístroja v SLAC. Európska infraštruktúra pre časticovú fyziku, synchrotrónovú vedu, astronómiu, klimatický výskum a satelitné pozorovanie tiež vytvára rýchlo rastúce objemy dát.
Podstatný je tu princíp, nie jeden konkrétny algoritmus. Keď prístroj produkuje viac informácií, než je praktické úplne ukladať a prenášať, dátový proces musí čoraz skôr rozhodovať, ktoré informácie zachovať a pri akej úrovni vernosti.
Úloha AI vo vede sa preto už neobmedzuje na hľadanie vzorov po uskutočnení experimentu. Ďalším dôležitým krokom môže byť reprezentovanie vedeckých dát vo forme, ktorá výrazne znižuje nároky na ukladanie a výpočty, pričom zachováva jemné štruktúry, ktoré sa môžu ukázať ako dôležité pre ďalší objav.
Vedecké prístroje produkujú viac dát, než dokáže infraštruktúra spracovať
Motivácia novej metódy vychádza z veľmi praktického problému modernej experimentálnej vedy. Rozlíšenie senzorov a frekvencia meraní rastú tak rýchlo, že prístroje novej generácie začínajú vytvárať dátové toky, ktorých úplné ukladanie, prenos a neskoršie spracovanie sú čoraz nákladnejšie.
Bežná stratová kompresia môže zmenšiť veľkosť súborov, no môže zároveň odstrániť signály s nízkou amplitúdou alebo jemné štruktúry. Pri bežnej fotografii na takejto strate nemusí záležať. Pri vedeckom meraní však môže drobný detail obsahovať presne tú fyzikálnu informáciu, ktorú výskumníci hľadajú.
SLAC ako jeden príklad uvádza malé škvrnky, ktoré sa objavujú pri röntgenových meraniach. Tieto štruktúry môžu odhaliť vnútorné usporiadanie, defekty alebo dynamiku materiálu. Ak ich kompresný algoritmus považuje za šum, môže znížiť nielen veľkosť súboru, ale aj vedeckú hodnotu merania.
Vlnková analýza oddeľuje informácie podľa mierky
Metóda publikovaná v Nature Machine Intelligence sa nazýva WIEN-INR. Kombinuje vlnkovú analýzu s implicitnými neurónovými reprezentáciami.
Najprv vlnková analýza rozdelí dátový súbor na zložky v rôznych priestorových mierkach, pričom rozlišuje rozsiahle štruktúry od jemných detailov. Neurónová sieť sa potom naučí kompaktne reprezentovať informácie v týchto rôznych mierkach.
Táto architektúra pomáha predchádzať bežnému problému univerzálnej kompresie, pri ktorej sa so širokou štruktúrou pozadia a drobným, no vedecky dôležitým prvkom môže zaobchádzať takmer rovnako.
Podľa výskumníka SLAC Yuana Niho metóda zvyčajne znížila veľkosť súborov 10- až 100-násobne v závislosti od zdrojových dát a požadovanej kvality. Tento výsledok by sa však nemal interpretovať ako úplne bezstratová kompresia. Ide o kontrolovaný kompromis medzi objemom dát a vernosťou signálu, navrhnutý tak, aby jemné prvky dôležité pre analýzu zachoval lepšie než všeobecný kompresný prístup.
Je to presnejší opis, než tvrdiť, že systém „nestráca vôbec žiadne dáta“.
Systém dokáže dekódovať iba oblasť, ktorú potrebujete
Druhá významná prednosť metódy sa prejavuje pri neskoršom využití dát. Ak výskumník potrebuje z veľkého komprimovaného dátového súboru iba malú oblasť, nie je nutné rekonštruovať celý súbor.
WIEN-INR dokáže dekódovať iba vybranú oblasť záujmu a vykonať to v rôznych mierkach a rozlíšeniach. SLAC uvádza, že dekompresia kompletného veľkého súboru bežným kodekom môže trvať minúty, hodiny alebo dokonca dni. Selektívne dekódovanie veľkej časti tejto práce predchádza.
Vo veľkých prostrediach vedeckých výpočtov môže byť táto schopnosť rovnako dôležitá ako samotný kompresný pomer. Problémom nie sú iba náklady na ukladanie. Presúvanie dát medzi úložnými systémami, výpočtovými uzlami a výskumnými inštitúciami spotrebúva kapacitu siete, energiu a čas.
Metóda fungovala pri veľmi odlišných typoch dát
Výskumníci svoje testy neobmedzili na jediný typ röntgenového dátového súboru. Metódu použili pri molekulárnych a materiálových meraniach, dátach slnečného magnetického poľa aj bežných fotografiách. Neurónová sieť sa dokázala prispôsobiť rôznym typom dát a naučiť sa vlastnosti, ktoré boli pre každý z nich dôležité.
Autori nepredstavujú WIEN-INR ako univerzálnu náhradu existujúcich metód kompresie alebo redukcie dát. Namiesto toho môže fungovať popri nich ako ďalšia možnosť v prípadoch, kde je neskoršie obnovenie štruktúry v jemnej mierke obzvlášť dôležité.
K štúdii prispeli aj výskumníci z University of California, Davis a Carnegie Mellon University. Tím trénoval neurónové siete pomocou superpočítača Perlmutter v zariadení NERSC amerického ministerstva energetiky. Článok „Multi-resolution enhancement for full-spectrum neural representations“ bol publikovaný v Nature Machine Intelligence 24. augusta 2026.
Európska výskumná infraštruktúra čelí rovnakej výzve
Potenciál metódy siaha ďaleko za hranice jediného prístroja v SLAC. Európska infraštruktúra pre časticovú fyziku, synchrotrónovú vedu, astronómiu, klimatický výskum a satelitné pozorovanie tiež vytvára rýchlo rastúce objemy dát.
Podstatný je tu princíp, nie jeden konkrétny algoritmus. Keď prístroj produkuje viac informácií, než je praktické úplne ukladať a prenášať, dátový proces musí čoraz skôr rozhodovať, ktoré informácie zachovať a pri akej úrovni vernosti.
Úloha AI vo vede sa preto už neobmedzuje na hľadanie vzorov po uskutočnení experimentu. Ďalším dôležitým krokom môže byť reprezentovanie vedeckých dát vo forme, ktorá výrazne znižuje nároky na ukladanie a výpočty, pričom zachováva jemné štruktúry, ktoré sa môžu ukázať ako dôležité pre ďalší objav.
