AI如何用於天體物理學和天文學
關於宇宙的起源以及諸如黑洞等宇宙體的運作，仍然存在無數的問題。多倫多大學的一個團隊正在利用深度學習來解析月球隕石坑的衛星影象，幫助科學家評估太陽系歷史的理論。
神經網路在SciNet HPC Consortium的P8超級計算機上執行NVIDIA GPU，能夠在短短几個小時內發現6,000個新隕石坑 - 幾乎是科學家在數十年研究中手動識別的數量的兩倍。
在伊利諾伊大學厄巴納 - 香檳分校的國家超級計算應用中心，研究人員正在利用深度學習來探測和分析引力波，這些引力波是由黑洞碰撞等大規模恆星事件引起的。
加州大學聖克魯茲分校和普林斯頓大學的科學家們一直在使用NVIDIA GPU來更好地瞭解星系的形成。
深度學習也為科學家提供了強有力的工具來理解地球上的生物。來自美國史密森尼學會和哥斯大黎加理工學院的研究人員正在使用大資料分析和GPU加速深度學習進行植物識別，並使用影象分類模型對博物館標本中記錄的生物進行分類。
馬里蘭大學的研究人員正在使用NVIDIA GPU來推動系統發育推理，即對生物進化史的研究。該團隊使用名為BEAGLE的軟體工具檢查不同病毒之間的基礎連線。
在澳洲蒙納士大學，研究人員正在開發一種抗生素抗性超級細菌的超級藥物，使用一種叫做低溫電子顯微鏡的工藝，研究人員可以分析極高解析度的分子。使用由超過150個NVIDIA GPU驅動的超級計算機，該團隊能夠在幾天而不是幾個月內解析其影象模型。
地質學家和氣候科學家使用資料流來分析自然現象並預測環境隨時間的變化。
每年都會發生數百起自然災害，襲擊世界各地。有些像颶風一樣，可以在撞擊土地前幾天被發現，地震，龍捲風和其他人會驚訝地看到人類。
在加州理工學院，研究人員正在利用深度學習來分析超過250,000次地震的地震圖。這項工作可能會導致地震預警系統的發展，該系統可以在地震發生時警告政府機構，運輸官員和能源公司 - 讓他們有時間透過關閉火車和電力線來減輕損害。
在自然災害之後，可以使用深度學習來分析衛星影象以評估影響，並幫助第一響應者將他們的努力指向最需要它的區域。德國領先的研究中心DFKI正在使用NVIDIA DGX-2 AI超級計算機來實現這一目標。
氣候科學家也非常依賴GPU來處理複雜的資料集，並將全球溫度數十年預測到未來。哥倫比亞大學的一名研究人員正在利用深度學習來更好地表示氣候模型中的雲，從而實現更精細解析度的模型，並改進對極端降水的預測。
AI和GPU加速的有用性超越了生物和物理科學，也延伸到考古學，歷史和文學領域。
在兩千多年前傳說中的火山爆發中，維蘇威火山將龐貝城和附近的城鎮埋葬在火山灰中。這次噴發還襲擊了一個裝滿紙莎草卷軸的圖書館，由熔岩的熱量焊接在一起。肯塔基大學計算機科學教授開發了一種深度學習工具，可以自動檢測這些卷軸的每一層並實際展開它們，以便學者們在發現之後三個多世紀就可以閱讀這些內容。
對於幾個世紀前的文字，人文科學研究人員通常依靠物理頁面的掃描或照片來以數字方式閱讀這些作品。但是這些用陳舊的字型列印的文字並不能被計算機清晰顯示。這意味著學者不能使用搜索引擎來查詢特定文字段落或分析特定詞語隨時間的使用情況。
歐洲的研究人員不是依賴於僱用個人將手稿轉換為打字文字的漫長而昂貴的過程，而是在德國早期的印刷文字和梵蒂岡秘密檔案館的12世紀教皇信件中使用人工智慧。
AI和GPU廣泛用於醫療保健和醫學研究。在大學，這些技術也被用於開發用於醫學成像，藥物發現等的新工具。
麻省理工學院的研究人員正在使用神經網路從乳房X線照片評估乳房密度，建立一個工具來幫助放射科醫生讀取並提高乳房攝影師密度評估的一致性。
在藥物發現領域，深度學習和GPU的計算能力可以幫助科學家挖掘數十億種潛在的藥物化合物，從而更快地發現目前無法治癒的疾病的治療方法。
匹茲堡大學的一位教授正在使用神經網路來提高分子對接的速度和準確性，這是一種數字模擬藥物分子與體內靶蛋白結合的技術。
物理學研究人員模擬了一些最棘手，最複雜的分子相互作用，以測試世界如何運作的理論。這些實驗需要大量的計算能力 - 就像普林斯頓大學和葡萄牙的TécnicoLisboa 所做的深度學習工作一樣，研究和預測核聚變反應堆中的等離子體行為。
能夠在聚變反應期間甚至在它們發生前30毫秒預測危險的破壞性事件可以幫助科學家控制反應足夠長的時間來利用這種潛在的無碳能源。
在瑞士的伯爾尼大學，一個研究小組正在分析重力對反物質的影響，反物質是一種罕見的物質，它在與普通粒子碰撞時湮滅，釋放能量。透過GPU，科學家們已經能夠提高他們在物質 - 反物質碰撞過程中研究粒子相互作用方式的能力。
除了深度學習，研究人員還非常依賴機器學習和資料分析來推動他們的工作。RAPIDS由CUDA-X AI GPU加速技術提供支援，允許資料科學家利用強大的軟體庫平臺利用GPU加速。
作為一個開源平臺，RAPIDS在最低級別集成了Python資料科學庫和CUDA。它可以將培訓時間從幾天縮短到幾小時，從幾小時縮短到幾分鐘 - 因此資料科學家可以更快地迭代他們的分析工作流程，從他們的資料集中提出更多問題並更快地獲得答案。
將資料儲存在GPU記憶體中的能力使學者能夠使用其資料集嘗試不同的演算法方法，而無需在GPU記憶體和主機之間移動資料的耗時過程。RAPIDS還具有不同軟體庫之間的互操作性，包括資料分析，機器學習，圖形分析和單一資料格式下的深度學習演算法。
AI如何用於天體物理學和天文學
關於宇宙的起源以及諸如黑洞等宇宙體的運作，仍然存在無數的問題。多倫多大學的一個團隊正在利用深度學習來解析月球隕石坑的衛星影象，幫助科學家評估太陽系歷史的理論。
神經網路在SciNet HPC Consortium的P8超級計算機上執行NVIDIA GPU，能夠在短短几個小時內發現6,000個新隕石坑 - 幾乎是科學家在數十年研究中手動識別的數量的兩倍。
在伊利諾伊大學厄巴納 - 香檳分校的國家超級計算應用中心，研究人員正在利用深度學習來探測和分析引力波，這些引力波是由黑洞碰撞等大規模恆星事件引起的。
加州大學聖克魯茲分校和普林斯頓大學的科學家們一直在使用NVIDIA GPU來更好地瞭解星系的形成。
GPU如何用於生物學深度學習也為科學家提供了強有力的工具來理解地球上的生物。來自美國史密森尼學會和哥斯大黎加理工學院的研究人員正在使用大資料分析和GPU加速深度學習進行植物識別，並使用影象分類模型對博物館標本中記錄的生物進行分類。
馬里蘭大學的研究人員正在使用NVIDIA GPU來推動系統發育推理，即對生物進化史的研究。該團隊使用名為BEAGLE的軟體工具檢查不同病毒之間的基礎連線。
在澳洲蒙納士大學，研究人員正在開發一種抗生素抗性超級細菌的超級藥物，使用一種叫做低溫電子顯微鏡的工藝，研究人員可以分析極高解析度的分子。使用由超過150個NVIDIA GPU驅動的超級計算機，該團隊能夠在幾天而不是幾個月內解析其影象模型。
AI如何用於地球和氣候科學地質學家和氣候科學家使用資料流來分析自然現象並預測環境隨時間的變化。
每年都會發生數百起自然災害，襲擊世界各地。有些像颶風一樣，可以在撞擊土地前幾天被發現，地震，龍捲風和其他人會驚訝地看到人類。
在加州理工學院，研究人員正在利用深度學習來分析超過250,000次地震的地震圖。這項工作可能會導致地震預警系統的發展，該系統可以在地震發生時警告政府機構，運輸官員和能源公司 - 讓他們有時間透過關閉火車和電力線來減輕損害。
在自然災害之後，可以使用深度學習來分析衛星影象以評估影響，並幫助第一響應者將他們的努力指向最需要它的區域。德國領先的研究中心DFKI正在使用NVIDIA DGX-2 AI超級計算機來實現這一目標。
氣候科學家也非常依賴GPU來處理複雜的資料集，並將全球溫度數十年預測到未來。哥倫比亞大學的一名研究人員正在利用深度學習來更好地表示氣候模型中的雲，從而實現更精細解析度的模型，並改進對極端降水的預測。
AI如何用於人文科學AI和GPU加速的有用性超越了生物和物理科學，也延伸到考古學，歷史和文學領域。
在兩千多年前傳說中的火山爆發中，維蘇威火山將龐貝城和附近的城鎮埋葬在火山灰中。這次噴發還襲擊了一個裝滿紙莎草卷軸的圖書館，由熔岩的熱量焊接在一起。肯塔基大學計算機科學教授開發了一種深度學習工具，可以自動檢測這些卷軸的每一層並實際展開它們，以便學者們在發現之後三個多世紀就可以閱讀這些內容。
對於幾個世紀前的文字，人文科學研究人員通常依靠物理頁面的掃描或照片來以數字方式閱讀這些作品。但是這些用陳舊的字型列印的文字並不能被計算機清晰顯示。這意味著學者不能使用搜索引擎來查詢特定文字段落或分析特定詞語隨時間的使用情況。
歐洲的研究人員不是依賴於僱用個人將手稿轉換為打字文字的漫長而昂貴的過程，而是在德國早期的印刷文字和梵蒂岡秘密檔案館的12世紀教皇信件中使用人工智慧。
AI如何用於醫學AI和GPU廣泛用於醫療保健和醫學研究。在大學，這些技術也被用於開發用於醫學成像，藥物發現等的新工具。
麻省理工學院的研究人員正在使用神經網路從乳房X線照片評估乳房密度，建立一個工具來幫助放射科醫生讀取並提高乳房攝影師密度評估的一致性。
在藥物發現領域，深度學習和GPU的計算能力可以幫助科學家挖掘數十億種潛在的藥物化合物，從而更快地發現目前無法治癒的疾病的治療方法。
匹茲堡大學的一位教授正在使用神經網路來提高分子對接的速度和準確性，這是一種數字模擬藥物分子與體內靶蛋白結合的技術。
GPU如何用於物理學物理學研究人員模擬了一些最棘手，最複雜的分子相互作用，以測試世界如何運作的理論。這些實驗需要大量的計算能力 - 就像普林斯頓大學和葡萄牙的TécnicoLisboa 所做的深度學習工作一樣，研究和預測核聚變反應堆中的等離子體行為。
能夠在聚變反應期間甚至在它們發生前30毫秒預測危險的破壞性事件可以幫助科學家控制反應足夠長的時間來利用這種潛在的無碳能源。
在瑞士的伯爾尼大學，一個研究小組正在分析重力對反物質的影響，反物質是一種罕見的物質，它在與普通粒子碰撞時湮滅，釋放能量。透過GPU，科學家們已經能夠提高他們在物質 - 反物質碰撞過程中研究粒子相互作用方式的能力。
RAPIDS為機器學習，資料分析提供動力除了深度學習，研究人員還非常依賴機器學習和資料分析來推動他們的工作。RAPIDS由CUDA-X AI GPU加速技術提供支援，允許資料科學家利用強大的軟體庫平臺利用GPU加速。
作為一個開源平臺，RAPIDS在最低級別集成了Python資料科學庫和CUDA。它可以將培訓時間從幾天縮短到幾小時，從幾小時縮短到幾分鐘 - 因此資料科學家可以更快地迭代他們的分析工作流程，從他們的資料集中提出更多問題並更快地獲得答案。
將資料儲存在GPU記憶體中的能力使學者能夠使用其資料集嘗試不同的演算法方法，而無需在GPU記憶體和主機之間移動資料的耗時過程。RAPIDS還具有不同軟體庫之間的互操作性，包括資料分析，機器學習，圖形分析和單一資料格式下的深度學習演算法。