論文の概要: Molecular Dynamics Simulations on Cloud Computing and Machine Learning Platforms

• arxiv url: http://arxiv.org/abs/2111.06466v1
• Date: Thu, 11 Nov 2021 21:20:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-15 14:54:17.857260
• Title: Molecular Dynamics Simulations on Cloud Computing and Machine Learning Platforms
• Title（参考訳）: クラウドコンピューティングと機械学習プラットフォームにおける分子動力学シミュレーション
• Authors: Prateek Sharma and Vikram Jadhao
• Abstract要約: 我々は、科学計算アプリケーションの計算構造、設計、要求のパラダイムシフトを見る。 データ駆動型と機械学習のアプローチは、科学計算アプリケーションをサポートし、スピードアップし、拡張するために使用されています。 クラウドコンピューティングプラットフォームは、科学コンピューティングにますますアピールしている。
• 参考スコア（独自算出の注目度）: 0.8093262393618671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific computing applications have benefited greatly from high performance computing infrastructure such as supercomputers. However, we are seeing a paradigm shift in the computational structure, design, and requirements of these applications. Increasingly, data-driven and machine learning approaches are being used to support, speed-up, and enhance scientific computing applications, especially molecular dynamics simulations. Concurrently, cloud computing platforms are increasingly appealing for scientific computing, providing "infinite" computing powers, easier programming and deployment models, and access to computing accelerators such as TPUs (Tensor Processing Units). This confluence of machine learning (ML) and cloud computing represents exciting opportunities for cloud and systems researchers. ML-assisted molecular dynamics simulations are a new class of workload, and exhibit unique computational patterns. These simulations present new challenges for low-cost and high-performance execution. We argue that transient cloud resources, such as low-cost preemptible cloud VMs, can be a viable platform for this new workload. Finally, we present some low-hanging fruits and long-term challenges in cloud resource management, and the integration of molecular dynamics simulations into ML platforms (such as TensorFlow).
• Abstract（参考訳）: 科学計算アプリケーションはスーパーコンピュータのような高性能コンピューティング基盤から大きな恩恵を受けてきた。 しかし、これらのアプリケーションの計算構造、設計、要求のパラダイムシフトが見られます。 ますます、データ駆動および機械学習のアプローチは、科学計算アプリケーション、特に分子動力学シミュレーションのサポート、スピードアップ、強化に使われている。 クラウドコンピューティングプラットフォームは、科学的コンピューティングにますますアピールし、"無限の"コンピューティング能力、プログラミングとデプロイメントの容易なモデル、TPU(Tensor Processing Units)のようなコンピューティングアクセラレータへのアクセスを提供する。 この機械学習(ML)とクラウドコンピューティングの合流は、クラウドとシステム研究者にとってエキサイティングな機会である。 ML支援分子動力学シミュレーションは新しい種類のワークロードであり、ユニークな計算パターンを示す。 これらのシミュレーションは、低コストで高性能な実行に新たな課題をもたらす。 私たちは、低コストでプリエンプティブルなクラウドVMのような一時的なクラウドリソースが、この新しいワークロードにとって実行可能なプラットフォームになり得ると論じています。 最後に、クラウドリソース管理における低変動の成果と長期的課題、および分子動力学シミュレーションをMLプラットフォーム(TensorFlowなど)に統合することを紹介する。

関連論文リスト

• Computing in the Era of Large Generative Models: From Cloud-Native to AI-Native [46.7766555589807]
  クラウドネイティブ技術と高度な機械学習推論の両方のパワーを利用するAIネイティブコンピューティングパラダイムについて説明する。 これらの共同作業は、コスト・オブ・グッド・ソード(COGS)を最適化し、資源のアクセシビリティを向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-01-17T20:34:11Z)
• 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)
• 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)
• Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial Application Case on Autonomous Disassembly [55.41644538483948]
  我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。 合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。 この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
  論文  参考訳（メタデータ） (2023-01-12T14:00:37Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Case study of SARS-CoV-2 transmission risk assessment in indoor environments using cloud computing resources [1.3150679728390269]
  複雑な計算フレームワークをクラウドサービスに抽象化してデプロイする方法を紹介します。 我々は、Dendro-kTメッシュ生成ツールとPETScソルバを利用して、シミュレーションフレームワークをAzureクラウドフレームワーク上にデプロイする。 クラウドマシンの性能を最先端のHPCマシンであるTACC Fronteraと比較する。
  論文  参考訳（メタデータ） (2021-11-17T19:28:18Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• Machine Learning Algorithms for Active Monitoring of High Performance Computing as a Service (HPCaaS) Cloud Environments [0.0]
  本稿では,HPCプラットフォームとして構成されたクラウドインフラストラクチャ上で動作するエンジニアリングアプリケーションの実用性について検討する。 この研究で考慮された工学的応用としては、ロスアラモス国立研究所が開発した放射線輸送コードMCNP6、オープンソースの計算流体力学コードOpenFOAM、素数分解に使用される一般数場シーブアルゴリズムCADONFSなどがある。
  論文  参考訳（メタデータ） (2020-09-26T01:29:19Z)
• 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。