論文の概要: Colmena: Scalable Machine-Learning-Based Steering of Ensemble
Simulations for High Performance Computing
- arxiv url: http://arxiv.org/abs/2110.02827v1
- Date: Wed, 6 Oct 2021 14:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 14:06:56.763132
- Title: Colmena: Scalable Machine-Learning-Based Steering of Ensemble
Simulations for High Performance Computing
- Title(参考訳): Colmena: 高性能コンピューティングのためのエンサンブルシミュレーションのスケーラブルな機械学習ベースのステアリング
- Authors: Logan Ward, Ganesh Sivaraman, J. Gregory Pauloski, Yadu Babuji, Ryan
Chard, Naveen Dandu, Paul C. Redfern, Rajeev S. Assary, Kyle Chard, Larry A.
Curtiss, Rajeev Thakur, Ian Foster
- Abstract要約: オープンソースのPythonフレームワークであるColmenaを紹介します。
Colmenaはタスクディスパッチ、結果のコレーション、MLモデル呼び出し、MLモデル(再)トレーニングを処理し、Parslを使用してHPCシステム上でタスクを実行する。
コルメナの設計について述べるとともに, 電解質設計に応用して, 65536 CPUまでスケールアップし, 高速分子の発見速度を100倍に向上させる。
- 参考スコア(独自算出の注目度): 3.5604179670745237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific applications that involve simulation ensembles can be accelerated
greatly by using experiment design methods to select the best simulations to
perform. Methods that use machine learning (ML) to create proxy models of
simulations show particular promise for guiding ensembles but are challenging
to deploy because of the need to coordinate dynamic mixes of simulation and
learning tasks. We present Colmena, an open-source Python framework that allows
users to steer campaigns by providing just the implementations of individual
tasks plus the logic used to choose which tasks to execute when. Colmena
handles task dispatch, results collation, ML model invocation, and ML model
(re)training, using Parsl to execute tasks on HPC systems. We describe the
design of Colmena and illustrate its capabilities by applying it to electrolyte
design, where it both scales to 65536 CPUs and accelerates the discovery rate
for high-performance molecules by a factor of 100 over unguided searches.
- Abstract(参考訳): シミュレーションアンサンブルを含む科学的応用は、最適なシミュレーションを選択するための実験設計法を用いて大幅に促進することができる。
機械学習(ml)を使用してシミュレーションのプロキシモデルを作成する手法は、アンサンブルを導くことには特に有望だが、シミュレーションと学習タスクの動的混合を調整する必要があるため、デプロイが難しい。
colmenaはオープンソースのpythonフレームワークで、個々のタスクの実装と、いつどのタスクを実行するかを選択するロジックだけを提供することで、キャンペーンを操ることができる。
Colmenaはタスクディスパッチ、結果のコレーション、MLモデル呼び出し、MLモデル(再)トレーニングを処理し、Parslを使用してHPCシステム上でタスクを実行する。
コルメナの設計について述べるとともに, 電解質設計に応用して, 65536 CPUにスケールし, 高速分子の発見速度を100倍に向上させる。
関連論文リスト
- Simulation Streams: A Programming Paradigm for Controlling Large Language Models and Building Complex Systems with Generative AI [3.3126968968429407]
Simulation Streamsは、LLM(Large Language Models)を効率的に制御し活用するために設計されたプログラミングパラダイムである。
私たちの一番の目標は、一貫性を維持するための制限に対処しながら、LLMのエージェント能力を活用するフレームワークを作ることです。
論文 参考訳(メタデータ) (2025-01-30T16:38:03Z) - LLM Agent for Fire Dynamics Simulations [3.0031348283981987]
FoamPilotはFireFOAMのユーザビリティを高めるために設計された概念実証エージェントである。
FireFOAM は OpenFOAM を用いて構築された火災力学と火災抑制シミュレーションの解法である。
FoamPilotは、コードインサイト、ケース構成、シミュレーション評価の3つのコア機能を提供する。
論文 参考訳(メタデータ) (2024-12-22T20:03:35Z) - DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。
本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。
本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
論文 参考訳(メタデータ) (2024-06-04T04:53:05Z) - MLatom 3: Platform for machine learning-enhanced computational chemistry
simulations and workflows [12.337972297411003]
機械学習(ML)は、計算化学における一般的なツールになりつつある。
MLatom 3は、MLのパワーを活用して典型的な計算化学シミュレーションを強化するプログラムパッケージである。
ユーザーは、事前訓練されたMLモデルと量子力学的近似を含む幅広いメソッドのライブラリから選択できる。
論文 参考訳(メタデータ) (2023-10-31T03:41:39Z) - 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) - Multitask Adaptation by Retrospective Exploration with Learned World
Models [77.34726150561087]
本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。
このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
論文 参考訳(メタデータ) (2021-10-25T20:02:57Z) - Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。
本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。
既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
論文 参考訳(メタデータ) (2021-10-06T19:30:25Z) - 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) - 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。