論文の概要: VegasFlow: accelerating Monte Carlo simulation across multiple hardware platforms

• arxiv url: http://arxiv.org/abs/2002.12921v2
• Date: Wed, 20 May 2020 10:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 02:38:53.869353
• Title: VegasFlow: accelerating Monte Carlo simulation across multiple hardware platforms
• Title（参考訳）: VegasFlow:複数のハードウェアプラットフォームでモンテカルロシミュレーションを高速化
• Authors: Stefano Carrazza and Juan M. Cruz-Martinez
• Abstract要約: モンテカルロ積分法に基づく高次元積分の高速評価を行うソフトウェアであるVasasFlowについて紹介する。 このソフトウェアはラスベガスのアルゴリズムにインスパイアされ、粒子物理学のコミュニティではドライバクロスセクションの統合としてユビキタスであり、Googleの強力なライブラリに基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present VegasFlow, a new software for fast evaluation of high dimensional integrals based on Monte Carlo integration techniques designed for platforms with hardware accelerators. The growing complexity of calculations and simulations in many areas of science have been accompanied by advances in the computational tools which have helped their developments. VegasFlow enables developers to delegate all complicated aspects of hardware or platform implementation to the library so they can focus on the problem at hand. This software is inspired on the Vegas algorithm, ubiquitous in the particle physics community as the driver of cross section integration, and based on Google's powerful TensorFlow library. We benchmark the performance of this library on many different consumer and professional grade GPUs and CPUs.
• Abstract（参考訳）: ハードウェアアクセラレータを持つプラットフォーム向けに設計されたモンテカルロ統合技術に基づく高次元積分の高速評価を行うソフトウェアであるVasasFlowについて紹介する。 科学の多くの分野における計算とシミュレーションの複雑さの増大は、その発展を助けた計算ツールの進歩を伴っている。 vegasflowを使用すると、開発者はハードウェアやプラットフォーム実装のすべての複雑な側面をライブラリに委譲できるので、目前の問題に集中できる。 このソフトウェアは、ラスベガスのアルゴリズムにインスパイアされ、粒子物理学コミュニティでクロスセクション統合の原動力として使われ、Googleの強力なTensorFlowライブラリに基づいている。 我々は、このライブラリのパフォーマンスを、多くの異なるコンシューマとプロのGPUとCPUでベンチマークする。

関連論文リスト

• Introducing GPU-acceleration into the Python-based Simulations of Chemistry Framework [4.368931200886271]
  我々はPySCFのメソッドのGPUアクセラレーションを提供するモジュールであるGPU4PySCFの最初のバージョンを紹介する。 ベンチマーク計算は、PySCFのマルチスレッドCPUHartree-Fockコードに対して、2桁の大幅な高速化を示している。
  論文  参考訳（メタデータ） (2024-07-12T21:50:19Z)
• Enhancing GPU-acceleration in the Python-based Simulations of Chemistry Framework [6.4347138500286665]
  我々は、既存のオープンソースGPU4PySCFプロジェクトへの産業利害関係者として、当社の貢献を説明します。 我々は、密度汎関数理論(DFT)を含む他のPySCF機能にGPUアクセラレーションを統合した。 GPU4PySCFは32コアのCPUノード上で30倍のスピードアップを実現し、ほとんどのDFTタスクで約90%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2024-04-15T04:35:09Z)
• DEAP: Design Space Exploration for DNN Accelerator Parallelism [0.0]
  大規模言語モデル(LLM)はますます複雑で、訓練やサービスにも強力になっています。 本稿では、ハードウェアとソフトウェアの共同設計がどのように連携し、カスタマイズされたハードウェアシステムを構築するかを示す。
  論文  参考訳（メタデータ） (2023-12-24T02:43:01Z)
• FusionAI: Decentralized Training and Deploying LLMs with Massive Consumer-Level GPUs [57.12856172329322]
  我々は、巨大な未使用のコンシューマレベルのGPUをアンロックする分散システムを構想する。 このシステムは、CPUとGPUメモリの制限、ネットワーク帯域幅の低さ、ピアとデバイスの多様性など、重要な課題に直面している。
  論文  参考訳（メタデータ） (2023-09-03T13:27:56Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• ElegantRL-Podracer: Scalable and Elastic Library for Cloud-Native Deep Reinforcement Learning [141.58588761593955]
  クラウドネイティブな深層強化学習のためのライブラリElegantRL-podracerを提案する。 数百万のコアを効率的にサポートし、複数のレベルで大規模な並列トレーニングを実行する。 低レベルでは、各ポッドは1つのGPUで7,000近いGPUコアをフル活用することで、エージェントと環境のインタラクションを並列にシミュレートする。
  論文  参考訳（メタデータ） (2021-12-11T06:31:21Z)
• Accelerating GAN training using highly parallel hardware on public cloud [0.3694429692322631]
  本研究は,GAN(Geneversarative Adversarial Network)を並列環境でトレーニングする,さまざまなタイプのクラウドサービスについて検討する。 複数のGPUとGoogle Processing Units(TPU)上でのトレーニングプロセスを並列化する。 トレーニングプロセスの線形スピードアップは、物理結果の観点から、ほとんどの性能を保ちながら得られる。
  論文  参考訳（メタデータ） (2021-11-08T16:59:15Z)
• BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym [59.53949960353792]
  BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。 BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
  論文  参考訳（メタデータ） (2021-07-09T16:21:31Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• Qibo: a framework for quantum simulation with hardware acceleration [0.0]
  本稿では,量子回路を高速に評価するオープンソースソフトウェアであるQiboを紹介する。 我々は,ハードウェアやプラットフォーム実装の複雑なすべての側面をライブラリに委譲することを可能にする,新しい量子シミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2020-09-03T18:00:01Z)
• Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
  カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。 最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。 ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
  論文  参考訳（メタデータ） (2020-06-18T08:16:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。