美国能源部橡树岭国家实验室（ORNL）科学家开发出一项新型计算方法，能在减少75%内存占用的同时，将复杂植物成像数据的分析效率提升一倍。该突破性进展消除了处理高光谱图像的主要计算瓶颈，使人工智能系统能够以更大规模、更快速度进行训练，有望加速培育对粮食安全、生物能源生产和气候适应性至关重要的高产抗逆作物。

攻克高光谱数据挑战
这种名为分布式跨通道分层聚合（D-CHAG）的新方法，专为处理橡树岭国家实验室高级植物表型实验室（APPL）产生的海量数据而设计。研究团队通过重组超级计算资源间的图像处理方法实现突破。

与传统仅捕获红、绿、蓝三通道的相机不同，高光谱成像系统可记录数百个光谱波段。每个波段都提供植物结构、化学特性与健康状况的详细信息，使科学家能在可见症状出现前及早发现胁迫、病害和营养缺乏。然而，处理如此庞大的数据量存在重大障碍，需要大量内存与时间，这往往限制了可部署人工智能模型的规模与复杂度。

智能聚合加速AI训练
D-CHAG采用两步策略应对这一挑战：首先通过GPU令牌化将工作负载分配到多个图形处理器，每个GPU仅处理部分光谱通道，避免单处理器过载并显著加速计算；随后将数据分割为小块，通过分层聚合逐步整合信息。该系统分阶段融合光谱通道（而非一次性合并全部），在缩减各步骤数据量的同时保留关键生物信号。这种分级方法在保持图像分辨率与细节的前提下降低内存需求，使训练更大型基础模型成为可能。

E级超算验证效能突破
科学家利用橡树岭领导力计算设施的世界首台E级超级计算机"前沿"（Frontier），结合APPL的高光谱植物数据与气象数据集验证了新方法的效能。内存占用的降低使AI训练任务可用更少计算资源运行，拓宽了高性能植物科学研究工具的可及性。

加速作物创新进程
D-CHAG消除了关键计算瓶颈，有力推动了能够加速植物生物学发现的AI基础模型构建。借助这些模型，科学家可直接从图像测量光合作用活性等性状特征，取代缓慢费力的手工测量。长远来看，该技术将助力育种家开发在恶劣环境条件下生长更高效、水分利用更充分、产量更高的作物品种。

此项工作同时支持美国能源部的多项重大倡议，包括旨在融合人工智能、机器人技术和自动化实验以加速科学突破的"创世纪任务"（Genesis Mission）与"自主实验室协同平台"（OPAL）。先进成像与AI驱动的分析技术相结合，有望彻底改变研究人员和农民理解植物性能的方式，从而强化国家粮食体系、生物经济与能源安全。

该项创新方法的详细论文已入选2025年11月举办的高性能计算、网络、存储与分析国际顶级会议（SC25）。