論文の概要: Integrating Machine Learning with HPC-driven Simulations for Enhanced Student Learning

• arxiv url: http://arxiv.org/abs/2008.13518v1
• Date: Mon, 24 Aug 2020 22:48:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 02:03:01.561367
• Title: Integrating Machine Learning with HPC-driven Simulations for Enhanced Student Learning
• Title（参考訳）: 強化学習のためのhpc駆動シミュレーションと機械学習の統合
• Authors: Vikram Jadhao and JCS Kadupitiya
• Abstract要約: シミュレーション出力を生成するためのHPC駆動型シミュレーションとMLサロゲート手法の両方をサポートするWebアプリケーションを開発した。 授業内フィードバックと調査を通じて評価した結果,ML強化ツールは動的かつ応答性のあるシミュレーション環境を提供することがわかった。
• 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 explore the idea of integrating machine learning (ML) with high performance computing (HPC)-driven simulations to address challenges in using simulations to teach computational science and engineering courses. We demonstrate that a ML surrogate, designed using artificial neural networks, yields predictions in excellent agreement with explicit simulation, but at far less time and computing costs. We develop a web application on nanoHUB that supports both HPC-driven simulation and the ML surrogate methods to produce simulation outputs. This tool is used for both in-classroom instruction and for solving homework problems associated with two courses covering topics in the broad areas of computational materials science, modeling and simulation, and engineering applications of HPC-enabled simulations. The evaluation of the tool via in-classroom student feedback and surveys shows that the ML-enhanced tool provides a dynamic and responsive simulation environment that enhances student learning. The improvement in the interactivity with the simulation framework in terms of real-time engagement and anytime access enables students to develop intuition for the physical system behavior through rapid visualization of variations in output quantities with changes in inputs.
• Abstract（参考訳）: 本稿では,機械学習(ML)とハイパフォーマンスコンピューティング(HPC)によるシミュレーションを統合し,シミュレーションを用いて計算科学と工学のコースを教えるという課題に対処する。 機械学習サロゲートは、ニューラルネットワークを用いて設計され、明示的なシミュレーションとよく一致しているが、時間や計算コストははるかに少ない。 シミュレーション出力を生成するためのHPC駆動シミュレーションとMLサロゲート手法の両方をサポートするnanoHUB上のWebアプリケーションを開発した。 本ツールは,計算材料科学,モデリングとシミュレーション,HPC対応シミュレーションの工学的応用など幅広い分野の話題を扱う2つの科目に関連する宿題の指導と解法の両方に用いられている。 授業内フィードバックと調査を通じて評価した結果,MLを応用したツールは,学生の学習を促進する動的かつ応答性のあるシミュレーション環境を提供することがわかった。 リアルタイムエンゲージメントと任意のアクセスの観点からシミュレーションフレームワークとの対話性の向上により、学生は入力の変化を伴う出力量の変化の迅速な可視化を通じて、物理的システム行動の直感を発達させることができる。

関連論文リスト

• Feasibility Study on Active Learning of Smart Surrogates for Scientific Simulations [4.368891765870579]
  深層ニューラルネットワーク(DNN)のサロゲートトレーニングにアクティブラーニングを組み込むことの可能性を検討する。 これにより、インテリジェントで客観的なトレーニングシミュレーションの選択が可能になり、広範なシミュレーションデータを生成する必要がなくなる。 その結果、スマートサロゲートのための高性能コンピューティング基盤の開発の基礎となった。
  論文  参考訳（メタデータ） (2024-07-10T14:00:20Z)
• Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations [0.0]
  従来のメッシュベースのアプローチに代わる魅力的な代替手段として、メッシュフリーシミュレーション手法が登場している。 機械学習(ML)とFraunhoferのMESHFREEソフトウェアを組み合わせた研究の概要について概説する。 本稿では,MESHFREEシミュレーションデータに能動的学習,回帰木を用いたML最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T15:29:59Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Addressing computational challenges in physical system simulations with machine learning [0.0]
  シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。 まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。 その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
  論文  参考訳（メタデータ） (2023-05-16T17:31:50Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
  本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。 まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。 我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
  論文  参考訳（メタデータ） (2022-06-22T19:33:21Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• SimNet: Computer Architecture Simulation using Machine Learning [3.7019798164954336]
  この研究では、機械学習(ML)を使用して離散イベントシミュレーションを加速する共同作業について説明します。 提案した命令遅延予測器に基づいて,GPU加速並列シミュレータを実装した。 そのシミュレーション精度とスループットを、最先端シミュレータに対して検証し、評価する。
  論文  参考訳（メタデータ） (2021-05-12T17:31:52Z)
• Achieving 100X faster simulations of complex biological phenomena by coupling ML to HPC ensembles [47.44377051031385]
  ML駆動HPCシミュレーションシナリオのプロトタイプのためのツールであるDeepDriveMDを紹介します。 ML駆動のアンサンブルベースのアプリケーションの科学的性能の向上を定量化するために使用します。
  論文  参考訳（メタデータ） (2021-04-10T15:52:39Z)

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。