論文の概要: Applications and Techniques for Fast Machine Learning in Science
- arxiv url: http://arxiv.org/abs/2110.13041v1
- Date: Mon, 25 Oct 2021 15:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 18:49:20.704307
- Title: Applications and Techniques for Fast Machine Learning in Science
- Title(参考訳): 科学における高速機械学習の応用と技術
- Authors: Allison McCarn Deiana (coordinator), Nhan Tran (coordinator), Joshua
Agar, Michaela Blott, Giuseppe Di Guglielmo, Javier Duarte, Philip Harris,
Scott Hauck, Mia Liu, Mark S. Neubauer, Jennifer Ngadiuba, Seda
Ogrenci-Memik, Maurizio Pierini, Thea Aarrestad, Steffen Bahr, Jurgen Becker,
Anne-Sophie Berthold, Richard J. Bonventre, Tomas E. Muller Bravo, Markus
Diefenthaler, Zhen Dong, Nick Fritzsche, Amir Gholami, Ekaterina Govorkova,
Kyle J Hazelwood, Christian Herwig, Babar Khan, Sehoon Kim, Thomas Klijnsma,
Yaling Liu, Kin Ho Lo, Tri Nguyen, Gianantonio Pezzullo, Seyedramin
Rasoulinezhad, Ryan A. Rivera, Kate Scholberg, Justin Selig, Sougata Sen,
Dmitri Strukov, William Tang, Savannah Thais, Kai Lukas Unger, Ricardo
Vilalta, Belinavon Krosigk, Thomas K. Warburton, Maria Acosta Flechas,
Anthony Aportela, Thomas Calvet, Leonardo Cristella, Daniel Diaz, Caterina
Doglioni, Maria Domenica Galati, Elham E Khoda, Farah Fahim, Davide Giri,
Benjamin Hawks, Duc Hoang, Burt Holzman, Shih-Chieh Hsu, Sergo Jindariani,
Iris Johnson, Raghav Kansal, Ryan Kastner, Erik Katsavounidis, Jeffrey Krupa,
Pan Li, Sandeep Madireddy, Ethan Marx, Patrick McCormack, Andres Meza, Jovan
Mitrevski, Mohammed Attia Mohammed, Farouk Mokhtar, Eric Moreno, Srishti
Nagu, Rohin Narayan, Noah Palladino, Zhiqiang Que, Sang Eon Park, Subramanian
Ramamoorthy, Dylan Rankin, Simon Rothman, Ashish Sharma, Sioni Summers,
Pietro Vischia, Jean-Roch Vlimant, Olivia Weng
- Abstract要約: このレポートは、Fast ML for Scienceコミュニティが開催する2つのワークショップに基づいている。
さまざまな科学的領域にわたる高速MLのアプリケーション、パフォーマンスとリソース効率のアルゴリズムのトレーニングと実装のテクニック、これらのアルゴリズムをデプロイするアーキテクチャ、プラットフォーム、テクノロジの3つの分野をカバーする。
このレポートは、統合および加速されたMLソリューションによる科学的発見のための多くの例とインスピレーションを提供することを目的としている。
- 参考スコア(独自算出の注目度): 11.578814969632552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this community review report, we discuss applications and techniques for
fast machine learning (ML) in science -- the concept of integrating power ML
methods into the real-time experimental data processing loop to accelerate
scientific discovery. The material for the report builds on two workshops held
by the Fast ML for Science community and covers three main areas: applications
for fast ML across a number of scientific domains; techniques for training and
implementing performant and resource-efficient ML algorithms; and computing
architectures, platforms, and technologies for deploying these algorithms. We
also present overlapping challenges across the multiple scientific domains
where common solutions can be found. This community report is intended to give
plenty of examples and inspiration for scientific discovery through integrated
and accelerated ML solutions. This is followed by a high-level overview and
organization of technical advances, including an abundance of pointers to
source material, which can enable these breakthroughs.
- Abstract(参考訳): このコミュニティレビューレポートでは、科学における高速機械学習(ML)の応用と技術について論じる。科学的発見を加速するために、パワーMLメソッドをリアルタイムな実験データ処理ループに統合するという概念である。
このレポートの資料は、Fast ML for Scienceコミュニティが主催する2つのワークショップに基づいており、いくつかの科学分野にわたる高速MLの応用、パフォーマンスとリソース効率のよいMLアルゴリズムのトレーニングと実装のための技術、これらのアルゴリズムをデプロイするためのアーキテクチャ、プラットフォーム、技術という3つの分野をカバーする。
また、共通解が見つかる複数の科学的領域にまたがる重複する課題も提示する。
このコミュニティレポートは、統合および加速されたMLソリューションを通じて科学的発見のための多くの例とインスピレーションを提供することを目的としている。
続いて、高レベルな技術的進歩の概要と組織化が行われ、ソース素材へのポインタが豊富に含まれ、これらのブレークスルーが可能になる。
関連論文リスト
- MLXP: A framework for conducting replicable Machine Learning eXperiments
in Python [71.22547130430371]
MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
論文 参考訳(メタデータ) (2024-02-21T14:22:20Z) - MachineLearnAthon: An Action-Oriented Machine Learning Didactic Concept [34.6229719907685]
本稿では、異なる分野の学生に包括的にデザインされた革新的教科概念であるMachineLearnAthonフォーマットを紹介する。
この概念の核心はMLの課題であり、現実の問題を解決するために産業用データセットを利用している。
これらはMLパイプライン全体をカバーするもので、データ準備からデプロイメント、評価に至るまで、データのリテラシーと実践的なスキルを促進する。
論文 参考訳(メタデータ) (2024-01-29T16:50:32Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [56.00281164118548]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳(メタデータ) (2023-12-01T16:00:25Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - FastML Science Benchmarks: Accelerating Real-Time Scientific Edge
Machine Learning [6.281437279822099]
本稿では,MLおよび組込みシステム技術をカバーする,科学機械学習ベンチマークの最初のセットを紹介する。
これらのベンチマークは、ナノ秒およびマイクロ秒レベルのレイテンシ要求を満たすことができる科学応用のための将来のエッジMLハードウェアの設計をガイドすることができる。
論文 参考訳(メタデータ) (2022-07-16T14:30:15Z) - A Review of Machine Learning Methods Applied to Structural Dynamics and
Vibroacoustic [0.0]
Vibroacoustic(SD&V)の主要な3つのアプリケーションが機械学習(ML)を活用している。
構造的健康モニタリングでは、ML検出と予後が安全な操作とメンテナンススケジュールの最適化につながる。
システムの識別と制御設計は、アクティブノイズ制御およびアクティブ振動制御におけるML技術によって活用される。
いわゆるMLベースのサロゲートモデルは、コストのかかるシミュレーションに代わる高速な代替手段を提供し、堅牢で最適化された製品設計を可能にする。
論文 参考訳(メタデータ) (2022-04-13T13:16:21Z) - Opportunities for Machine Learning to Accelerate Halide Perovskite
Commercialization and Scale-Up [5.5532399751725]
ハロゲン化ペロブスカイトの商業化を妨げる実用的課題を概観する。
機械学習(ML)ツールがどのように役立つかについて論じる。
MLツールを特定の業界のニーズに適応させる上で、業界と学術のパートナーシップがいかに役立つかを提案する。
論文 参考訳(メタデータ) (2021-10-08T06:35:46Z) - Hardware Acceleration of Explainable Machine Learning using Tensor
Processing Units [3.5027291542274357]
処理ユニット(TPU)を用いた説明可能な機械学習(ML)を加速するための新しいフレームワークを提案する。
このフレームワークは、行列畳み込みとフーリエ変換の相乗効果を利用し、行列計算を加速するTPUの自然能力を最大限に活用する。
提案手法は幅広いMLアルゴリズムに適用可能であり、TPUベースのアクセラレーションの有効活用は、リアルタイム結果の解釈につながる可能性があります。
論文 参考訳(メタデータ) (2021-03-22T15:11:45Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。