Het vinden van defecten in elektronenmicroscopiebeelden duurt maanden. Nutsvoorzieningen, er is een snellere manier. Het heet MENDL, de Multinode Evolutionaire Neurale Netwerken voor Deep Learning. Het creëert kunstmatige neurale netwerken - rekensystemen die het menselijk brein losjes nabootsen - die defecten uit dynamische gegevens halen. Het draait op alle beschikbare nodes van de Summit-supercomputer, het uitvoeren van 152 miljard miljoen miljoen berekeningen per seconde.

In slechts enkele uren, wetenschappers die MENNDL gebruikten, creëerden een neuraal netwerk dat even goed presteerde als een menselijke expert. Het vermindert de tijd om elektronenmicroscopiebeelden te analyseren met maanden. MENDL is de eerste bekende benadering om automatisch structurele informatie op atomair niveau te identificeren in scanning transmissie-elektronenmicroscopiegegevens. in 2018, MENNDL ontving een R&D 100-award, beschouwd als de Oscars van innovatie. Het is ook een finalist voor de Gordon Bell-prijs.

MENNDL, een artificieel intelligentiesysteem, ontwierp automatisch een optimaal deep learning-netwerk om structurele informatie te extraheren uit onbewerkte microscopiegegevens met atomaire resolutie. Om het netwerk te ontwerpen, MENNDL gebruikte 18, 000 GPU's op alle beschikbare 3000 nodes van de Summit-supercomputer. In een paar uur, MENNDL creëert en evalueert miljoenen netwerken met behulp van een schaalbare, parallel, asynchroon genetisch algoritme aangevuld met een ondersteunende vectormachine om automatisch een superieure deep learning-netwerktopologie en hyperparameterset te vinden. Dit werk gaat veel sneller dan een menselijke deskundige zou kunnen doen. Voor de toepassing van elektronenmicroscopie, het systeem bevordert het doel van een beter begrip van de interacties tussen elektronen en materie en realtime beeldgebaseerde feedback, wat een enorme stap verder gaat dan de menselijke capaciteit in de richting van automatisch nanofabricagematerialen.