論文の概要: Using Machine Learning at Scale in HPC Simulations with SmartSim: An
Application to Ocean Climate Modeling
- arxiv url: http://arxiv.org/abs/2104.09355v1
- Date: Tue, 13 Apr 2021 19:27:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 19:44:21.860322
- Title: Using Machine Learning at Scale in HPC Simulations with SmartSim: An
Application to Ocean Climate Modeling
- Title（参考訳）: SmartSimを用いたHPCシミュレーションにおける大規模機械学習の利用:海洋気候モデリングへの応用
- Authors: Sam Partee, Matthew Ellis, Alessandro Rigazzi, Scott Bachman, Gustavo
Marques, Andrew Shao, Benjamin Robbins
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.77024349608834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We demonstrate the first climate-scale, numerical ocean simulations improved
through distributed, online inference of Deep Neural Networks (DNN) using
SmartSim. SmartSim is a library dedicated to enabling online analysis and
Machine Learning (ML) for traditional HPC simulations. In this paper, we detail
the SmartSim architecture and provide benchmarks including online inference
with a shared ML model on heterogeneous HPC systems. We demonstrate the
capability of SmartSim by using it to run a 12-member ensemble of global-scale,
high-resolution ocean simulations, each spanning 19 compute nodes, all
communicating with the same ML architecture at each simulation timestep. In
total, 970 billion inferences are collectively served by running the ensemble
for a total of 120 simulated years. Finally, we show our solution is stable
over the full duration of the model integrations, and that the inclusion of
machine learning has minimal impact on the simulation runtimes.
- Abstract（参考訳）: 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ある。
本稿では,SmartSimアーキテクチャを詳述し,異種HPCシステム上での共有MLモデルを用いたオンライン推論を含むベンチマークを行う。
計算ノード19個にまたがるグローバルスケールで高解像度の海洋シミュレーションを12のメンバで実行し,それぞれがシミュレーションタイムステップ毎に同じMLアーキテクチャと通信することで,SmartSimの能力を実証する。
合計で9700億の推論が、合計で120年のシミュレーション期間にわたってアンサンブルを実行することによって提供される。
最後に、我々のソリューションはモデル統合の全期間にわたって安定しており、機械学習を組み込むことがシミュレーションランタイムに最小限の影響を与えることを示す。
関連論文リスト
- GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Graph Convolutional Neural Networks as Surrogate Models for Climate Simulation [0.1884913108327873]
我々は,完全接続型ニューラルネットワーク(FCNN)とグラフ畳み込み型ニューラルネットワーク(GCNN)を活用し,高速なシミュレーションと不確実性定量化を実現する。
我々のサロゲートは、1つのA100 GPUで約310秒で80年シミュレーションしましたが、ESMモデルでは数週間でした。
論文 参考訳（メタデータ） (2024-09-19T14:41:15Z) - 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) - ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。
データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。
MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
論文 参考訳（メタデータ） (2023-06-14T21:26:31Z) - 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) - NVIDIA SimNet^{TM}: an AI-accelerated multi-physics simulation framework [5.509715131727269]
我々は,ai駆動のマルチフィジカルシミュレーションフレームワークであるsimnetを用いて,幅広い分野にわたるシミュレーションを高速化する。
SimNetは幅広いユースケースに対処する - トレーニングデータ、逆データ、データ同化問題のない、結合された前方シミュレーション。
論文 参考訳（メタデータ） (2020-12-14T20:55:48Z) - Smaller World Models for Reinforcement Learning [0.5156484100374059]
ベクトル量子化変分オートエンコーダ(VQ-VAE)に基づく世界モデルのための新しいニューラルネットワークアーキテクチャを提案する。
モデルフリーPPOエージェントは、世界モデルからのシミュレーション体験に基づいて純粋に訓練される。
我々はSimPLeアルゴリズムに匹敵する性能を示したが、我々のモデルははるかに小さい。
論文 参考訳（メタデータ） (2020-10-12T15:02:41Z)
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。