五年前，当 Eric Betzig 接到电话，得知他因发明一种可以看到小至 20 纳米特征的显微镜而获得了诺贝尔奖时，他已经在研究一种新型显微镜了。
如今，这款新设备可以捕获活细胞的 3D 视频，并通过 NVIDIA GPU 和软件来查看观察结果。
Betzig 的合作伙伴 Srigokul Upadhyayula （又名Gokul）来自加州大学伯克利分校，他帮助 Betzig 完善了所谓的 Lattice Light Sheet 系统。在今年早些时候，《科学》杂志上发表了一篇论文，其中涉及到小白鼠的视觉皮层探索，Lattice Light Sheet 系统在那时产生了 600 TB 数据。NVIDIA 在前不久的 SC19 超级计算展上展示了其中 1.3TB 的小白鼠皮层切片。
与会者看到了未来科学家如何解开医学之谜。例如，研究人员可以使用 Lattice 来观察神经轴突上的蛋白质覆盖物如何随着诸如肌肉硬化症等疾病的发展而退化。
生物学的未来：直接可视化
“我们坚信，我们永远不会通过分解的方法来理解复杂的生命系统，” Betzig 谈到生物化学和基因组学等方法时说道：“只有光学显微镜才能观察生物系统并收集我们所需的信息，以便我们真正了解生命的动态、细胞和组织的活动性以及癌细胞如何转移。现在我们可以直接观察到这些东西。”
他补充说：“生物学的未来发展方向是将生物直接可视化，而不是将非常间接收集到的信息拼凑在一起。”
对计算集群以及更多条件的需求
此类工作伴随着繁重的计算需求。Betzig 说，为《科学》杂志生成 600TB 的数据集“占用了我们机构计算集群数周”。
他说：“这些显微镜产生的数据十分丰富，但我们通常无法对其进行可视化，因为它们绝大多数位于硬盘中，这样就完全没有用。借助 NVIDIA，我们正在寻找方法将其可视化。”
在 SC19 上演示的是对保留的小白鼠皮层切片多渠道可视化，该过程可在六台 NVIDIA DGX-1 服务器上远程运行，每台服务器都装有八个 NVIDIA V100 Tensor Core GPU。这些系统是 NVIDIA 位于加利福尼亚州圣克拉拉市（Santa Clara, Calif）总部附近的 NVIDIA SATURNV 集群的一部分。
伯克利的研究人员向 SC19 与会者展示通过 NVIDIA IndeX 可视化的小白鼠视觉皮层切片
演示中可视化和未来可视化的关键要素是 NVIDIA IndeX 软件，该软件开发工具包可让科学家和研究人员实时查看海量 3D 数据集并与之交互。
IndeX 2.1 版在 SC19 上首次亮相，具有许多新功能，其中包括 GPUDirect Storage 以及支持 Arm 和 IBM POWER9 处理器。
在看到“IndeX 功能介绍”的第一个演示后，研究团队将其安装在加州大学伯克利分校的集群上，该集群搭载了十几个 NVIDIA TITAN RTX 和四个 V100 Tensor Core GPU。“我们可以看到这具有不可思议的潜力，” Gokul 说。
缩小大数据鸿沟
Lattice 示波器每小时可产生多达 3TB 的数据，因此可视化仍然经常在经过预处理并离线保存的数据上完成。
Gokul 说：“在理想世界中，当我们从示波器中获取数据时，就会立即拥有分析所需的所有信息，而非在一个月或六个月后才能获得这些信息。” 他补充说，收集数据和可视化数据的时间间隔可能长达数周至数月，但“我们需要在收集数据时就调整参数以对数据做出反应”，使生物学家可以真正利用示波器。
NVIDIA IndeX 软件在功能日益强大的 GPU 上运行，这有助于缩小大数据的鸿沟。
未来，该团队旨在应用最新的深度学习技术，但这也带来了艰巨的挑战。Gokul 说：“目前没有强大的 AI 模型可用于这项工作。”
将数据提供给可以创建 AI 模型的 AI 专家，这将需要在飞机上装运一箱硬盘，这是一个成本高且效率低的提议。因为最近工作产生了超过半个 PB 的数据，但是云服务通常每天将上传和下载的数据限制在 1TB 左右。
Betzig 和 Gokul 正在与云计算巨头的研究人员讨论新的选择，并探索利用 GPU 功能的新方法，因为这项工作潜力巨大。
应对挑战
Betzig 说：“人类是视觉动物。当我认识的大多数人想到一个假设时，他们就会创建心理视觉模型。”
“显微镜的妙处在于，您可以在脑海中呈现有偏差的模型，然后立即将其与生物图像的真实情况进行比较。”他说。
这项工作充满了挑战。Betzig 说：“获得诺贝尔奖令人震惊。您会感觉自己的生活已经安定下来，然后发生了一些事情以一种意想不到的方式改变了您，这种改变是一把双刃剑。”
同样，“在与 Gokul 一起工作的近几年中，每台显微镜都有其局限性，导致我们总是使用下一台显微镜。就像您迈出五六步到达了成功顶峰，然后又会感到失望。”他说。
他补充说：“在与 NVIDIA 的合作中，我们将学习在工作中可能错过的东西。这是我们重新评估事物的机会，可以从设计架构的人员那里了解 GPU，并了解如何将问题集与新解决方案融合在一起。”