論文の概要: Achieving 100X faster simulations of complex biological phenomena by coupling ML to HPC ensembles

• arxiv url: http://arxiv.org/abs/2104.04797v1
• Date: Sat, 10 Apr 2021 15:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 09:31:34.702772
• Title: Achieving 100X faster simulations of complex biological phenomena by coupling ML to HPC ensembles
• Title（参考訳）: mlとhpcアンサンブルの結合による複雑生物現象の100倍高速シミュレーションの実現
• Authors: Alexander Brace, Hyungro Lee, Heng Ma, Anda Trifan, Matteo Turilli, Igor Yaskushin, Todd Munson, Ian Foster, Shantenu Jha and Arvind Ramanathan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.44377051031385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of ML methods to dynamically steer ensemble-based simulations promises significant improvements in the performance of scientific applications. We present DeepDriveMD, a tool for a range of prototypical ML-driven HPC simulation scenarios, and use it to quantify improvements in the scientific performance of ML-driven ensemble-based applications. We discuss its design and characterize its performance. Motivated by the potential for further scientific improvements and applicability to more sophisticated physical systems, we extend the design of DeepDriveMD to support stream-based communication between simulations and learning methods. It demonstrates a 100x speedup to fold proteins, and performs 1.6x more simulations per unit time, improving resource utilization compared to the sequential framework. Experiments are performed on leadership-class platforms, at scales of up to O(1000) nodes, and for production workloads. We establish DeepDriveMD as a high-performance framework for ML-driven HPC simulation scenarios, that supports diverse simulation and ML back-ends, and which enables new scientific insights by improving length- and time-scale accessed.
• Abstract（参考訳）: アンサンブルに基づくシミュレーションを動的に操るML手法は、科学的応用の性能を大幅に向上させる。 本稿では,ML駆動型HPCシミュレーションの多種多様なシナリオのためのツールであるDeepDriveMDを紹介し,ML駆動型アンサンブルベースアプリケーションの科学的性能向上の定量化に利用した。 我々はその設計と性能について論じる。 より高度な物理システムへのさらなる科学的改善と適用可能性によって、シミュレーションと学習方法間のストリームベースの通信をサポートするためにDeepDriveMDの設計を拡張した。 タンパク質を折り畳む100倍のスピードアップを示し、単位時間あたり1.6倍のシミュレーションを実行し、シーケンシャルなフレームワークと比べてリソース利用を改善する。 実験は、リーダーシップクラスプラットフォーム、最大o(1000)ノードのスケール、プロダクションワークロードで行われます。 我々は、ML駆動HPCシミュレーションシナリオの高性能フレームワークとしてDeepDriveMDを確立し、多様なシミュレーションとMLバックエンドをサポートし、時間とスケールのアクセスを改善することで、新たな科学的洞察を可能にする。

関連論文リスト

• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• 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)
• Fully Convolutional Generative Machine Learning Method for Accelerating Non-Equilibrium Greens Function Simulations [0.0879626117219674]
  本研究は,機械学習とデバイスモデリングシミュレーションを組み合わせた新しいシミュレーション手法について述べる。 我々は新しいシミュレーション手法ML-NEGFを命名し、NESSと呼ばれる社内シミュレータに実装した。
  論文  参考訳（メタデータ） (2023-09-17T20:43:54Z)
• 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)
• Forces are not Enough: Benchmark and Critical Evaluation for Machine Learning Force Fields with Molecular Simulations [5.138982355658199]
  分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。 我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
  論文  参考訳（メタデータ） (2022-10-13T17:59:03Z)
• 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)
• Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
  We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
  論文  参考訳（メタデータ） (2021-04-13T19:27:28Z)
• Integrating Machine Learning with HPC-driven Simulations for Enhanced Student Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2020-08-24T22:48:21Z)

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。