論文の概要: Confluence of Artificial Intelligence and High Performance Computing for
Accelerated, Scalable and Reproducible Gravitational Wave Detection
- arxiv url: http://arxiv.org/abs/2012.08545v1
- Date: Tue, 15 Dec 2020 19:00:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 05:12:50.815559
- Title: Confluence of Artificial Intelligence and High Performance Computing for
Accelerated, Scalable and Reproducible Gravitational Wave Detection
- Title（参考訳）: 加速・スケーラブル・再現可能な重力波検出のための人工知能と高性能計算の併用
- Authors: E. A. Huerta, Asad Khan, Xiaobo Huang, Minyang Tian, Maksim Levental,
Ryan Chard, Wei Wei, Maeve Heflin, Daniel S. Katz, Volodymyr Kindratenko,
Dawei Mu, Ben Blaiszik and Ian Foster
- Abstract要約: DOEとNSFが支援するサイバーインフラストラクチャーの接続によって、機械学習モデルをパブリッシュする方法を実証する。
次に、このワークフローを用いて、オープンソースの先進LIGOデータにおいて、二元ブラックホール重力波信号を探索する。
このワークフローを使うことで、オープンソースで利用可能な4つのディープラーニングモデルのアンサンブルがHAL上で実行でき、2017年8月のLIGOデータの高度な処理をわずか7分で行うことができる。
- 参考スコア（独自算出の注目度）: 4.081122815035999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding new ways to use artificial intelligence (AI) to accelerate the
analysis of gravitational wave data, and ensuring the developed models are
easily reusable promises to unlock new opportunities in multi-messenger
astrophysics (MMA), and to enable wider use, rigorous validation, and sharing
of developed models by the community. In this work, we demonstrate how
connecting recently deployed DOE and NSF-sponsored cyberinfrastructure allows
for new ways to publish models, and to subsequently deploy these models into
applications using computing platforms ranging from laptops to high performance
computing clusters. We develop a workflow that connects the Data and Learning
Hub for Science (DLHub), a repository for publishing machine learning models,
with the Hardware Accelerated Learning (HAL) deep learning computing cluster,
using funcX as a universal distributed computing service. We then use this
workflow to search for binary black hole gravitational wave signals in open
source advanced LIGO data. We find that using this workflow, an ensemble of
four openly available deep learning models can be run on HAL and process the
entire month of August 2017 of advanced LIGO data in just seven minutes,
identifying all four binary black hole mergers previously identified in this
dataset, and reporting no misclassifications. This approach, which combines
advances in AI, distributed computing, and scientific data infrastructure opens
new pathways to conduct reproducible, accelerated, data-driven gravitational
wave detection.
- Abstract（参考訳）: 人工知能(AI)を使用して重力波データの解析を加速し、開発モデルを確実にすることは、MMA(Multi-messenger Astrophysics)における新たな機会を解放し、コミュニティによるより広範な使用、厳密な検証、共有を可能にするために、容易に再利用可能なものである。
本研究では、最近デプロイされたDOEとNSFが支援するサイバーインフラストラクチャーの接続によって、モデルを公開する新たな方法が実現され、その後、ラップトップから高性能コンピューティングクラスタまでのコンピューティングプラットフォームを使用して、これらのモデルをアプリケーションにデプロイする方法を実証する。
我々は、機械学習モデルを公開するためのリポジトリであるData and Learning Hub for Science(DLHub)と、funcXを汎用分散コンピューティングサービスとして使用するHardware Accelerated Learning(HAL)ディープラーニングコンピューティングクラスタを接続するワークフローを開発する。
次に、このワークフローを用いて、オープンソースの先進LIGOデータにおいて、二元ブラックホール重力波信号を探索する。
このワークフローを使用することで、2017年8月の全月の高度なligoデータの処理と、このデータセットで以前に特定された4つのバイナリブラックホールのマージをすべて識別し、誤分類を報告せずに、公開可能な4つのディープラーニングモデルのアンサンブルがhal上で実行可能であることが分かりました。
ai、分散コンピューティング、科学データインフラの進歩を組み合わせたこのアプローチは、再現性があり、加速され、データ駆動の重力波検出を行うための新しい経路を開く。
関連論文リスト
- Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳（メタデータ） (2023-10-04T20:27:20Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - FAIR AI Models in High Energy Physics [16.744801048170732]
実験高エネルギー物理学におけるAIモデルに対するFAIR原則の実践的定義を提案する。
これらの原則を適用するためのテンプレートについて説明する。
本稿では,このFAIR AIモデルの堅牢性,ハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティ,解釈可能性について報告する。
論文 参考訳（メタデータ） (2022-12-09T19:00:18Z) - Towards a Dynamic Composability Approach for using Heterogeneous Systems
in Remote Sensing [0.0]
本稿では,科学計算,人工知能(AI),リモートセンシング領域の共通部分において,構成可能なシステムを利用するための新しいアプローチを提案する。
我々は,NSFが出資するスーパーコンピュータであるExpanseを,地理的分散クラスタであるNautilusとフェデレートする,構成可能なインフラストラクチャの最初の実例のアーキテクチャについて述べる。
論文 参考訳（メタデータ） (2022-11-13T14:48:00Z) - FAIR principles for AI models, with a practical application for
accelerated high energy diffraction microscopy [1.9270896986812693]
我々は、統合された計算フレームワーク内でFAIRデータとAIモデルを作成し、共有する方法を紹介します。
ドメインに依存しないこの計算フレームワークが、自律的なAI駆動の発見を可能にする方法について説明する。
論文 参考訳（メタデータ） (2022-07-01T18:11:12Z) - The MIT Supercloud Workload Classification Challenge [10.458111248130944]
本稿では,MIT Supercloudデータセットに基づくワークロード分類の課題について述べる。
この課題の目標は、計算ワークロードの分析におけるアルゴリズムのイノベーションを促進することである。
論文 参考訳（メタデータ） (2022-04-12T14:28:04Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T14:37:51Z) - Reinforcement Learning with Augmented Data [97.42819506719191]
本稿では,ほとんどのRLアルゴリズムを拡張可能なシンプルなプラグイン・アンド・プレイモジュールであるReinforcement Learning with Augmented Data (RAD)を提案する。
本稿では,RLアルゴリズムが複雑な最先端手法より優れていることを示すために,ランダム翻訳,作物,カラージッタ,パッチカットアウト,ランダム畳み込み,振幅スケールなどの拡張法を提案する。
論文 参考訳（メタデータ） (2020-04-30T17:35:32Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。