論文の概要: Towards a Dynamic Composability Approach for using Heterogeneous Systems
in Remote Sensing
- arxiv url: http://arxiv.org/abs/2211.06918v1
- Date: Sun, 13 Nov 2022 14:48:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 19:25:46.823888
- Title: Towards a Dynamic Composability Approach for using Heterogeneous Systems
in Remote Sensing
- Title（参考訳）: リモートセンシングにおける異種システム利用のための動的コンポーザビリティアプローチ
- Authors: Ilkay Altintas, Ismael Perez, Dmitry Mishin, Adrien Trouillaud,
Christopher Irving, John Graham, Mahidhar Tatineni, Thomas DeFanti, Shawn
Strande, Larry Smarr, Michael L. Norman
- Abstract要約: 本稿では,科学計算,人工知能(AI),リモートセンシング領域の共通部分において,構成可能なシステムを利用するための新しいアプローチを提案する。
我々は,NSFが出資するスーパーコンピュータであるExpanseを,地理的分散クラスタであるNautilusとフェデレートする,構成可能なインフラストラクチャの最初の実例のアーキテクチャについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Influenced by the advances in data and computing, the scientific practice
increasingly involves machine learning and artificial intelligence driven
methods which requires specialized capabilities at the system-, science- and
service-level in addition to the conventional large-capacity supercomputing
approaches. The latest distributed architectures built around the composability
of data-centric applications led to the emergence of a new ecosystem for
container coordination and integration. However, there is still a divide
between the application development pipelines of existing supercomputing
environments, and these new dynamic environments that disaggregate fluid
resource pools through accessible, portable and re-programmable interfaces. New
approaches for dynamic composability of heterogeneous systems are needed to
further advance the data-driven scientific practice for the purpose of more
efficient computing and usable tools for specific scientific domains. In this
paper, we present a novel approach for using composable systems in the
intersection between scientific computing, artificial intelligence (AI), and
remote sensing domain. We describe the architecture of a first working example
of a composable infrastructure that federates Expanse, an NSF-funded
supercomputer, with Nautilus, a Kubernetes-based GPU geo-distributed cluster.
We also summarize a case study in wildfire modeling, that demonstrates the
application of this new infrastructure in scientific workflows: a composed
system that bridges the insights from edge sensing, AI and computing
capabilities with a physics-driven simulation.
- Abstract（参考訳）: データとコンピューティングの進歩の影響を受けて、科学的な実践は、従来の大容量スーパーコンピューティングのアプローチに加えて、システム、科学、サービスレベルでの特殊能力を必要とする機械学習と人工知能駆動の方法がますます必要になる。
データ中心のアプリケーションの構成可能性を中心に構築された最新の分散アーキテクチャは、コンテナのコーディネーションと統合のための新しいエコシステムの出現につながった。
しかし、既存のスーパーコンピューティング環境のアプリケーション開発パイプラインと、アクセス可能でポータブルで再プログラム可能なインターフェースを通じて流体リソースプールを分離するこれらの新しい動的環境の間には、いまだに隔たりがある。
ヘテロジニアスシステムの動的コンポーザビリティに対する新しいアプローチは、特定の科学領域に対するより効率的な計算と利用可能なツールのために、データ駆動科学の実践をさらに進めるために必要である。
本稿では,科学計算,人工知能(AI),リモートセンシング領域の交差点において,構成可能なシステムを利用するための新しいアプローチを提案する。
NSFが出資するスーパーコンピュータであるExpanseをKubernetesベースのGPUジオ分散クラスタであるNautilusとフェデレートする、構成可能なインフラストラクチャの最初の実例のアーキテクチャについて説明する。
我々はまた、科学ワークフローにおけるこの新しいインフラの応用を実証するワイルドファイアモデリングのケーススタディを要約した: エッジセンシング、AI、コンピューティング能力から、物理駆動のシミュレーションで洞察を橋渡しする複合システム。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Naeural AI OS -- Decentralized ubiquitous computing MLOps execution engine [0.0]
エンド・ツー・エンドのAI協調型アプリケーションパイプラインのローコード開発と展開に革新的なアプローチを提案する。
我々は、トークン化経済に基づいて、完全に分散したグローバルな協力コミュニティにおけるインフラ割り当て、コスト、および安全な雇用分配について論じる。
論文 参考訳（メタデータ） (2023-06-14T19:20:43Z) - Integration of Neuromorphic AI in Event-Driven Distributed Digitized
Systems: Concepts and Research Directions [0.2746383075956081]
本稿では,統合課題を提起する特徴に着目し,ニューロモルフィックコンピューティングの現状について述べる。
本稿では,ニューロモルフィックシステム統合のためのマイクロサービスベースのフレームワークを提案する。
また,この枠組みの実現の基盤となる概念も提示する。
論文 参考訳（メタデータ） (2022-10-20T12:09:29Z) - FAIR principles for AI models, with a practical application for
accelerated high energy diffraction microscopy [1.9270896986812693]
我々は、統合された計算フレームワーク内でFAIRデータとAIモデルを作成し、共有する方法を紹介します。
ドメインに依存しないこの計算フレームワークが、自律的なAI駆動の発見を可能にする方法について説明する。
論文 参考訳（メタデータ） (2022-07-01T18:11:12Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Rethinking Architecture Design for Tackling Data Heterogeneity in
Federated Learning [53.73083199055093]
注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。
我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
論文 参考訳（メタデータ） (2021-06-10T21:04:18Z) - Bottom-up and top-down approaches for the design of neuromorphic
processing systems: Tradeoffs and synergies between natural and artificial
intelligence [3.874729481138221]
ムーアの法則は指数計算能力の期待を加速させており、システム全体の性能を改善するための新たな方法を求める最終段階に近づいている。
これらの方法の1つは、生物学的ニューラルネットワークシステムの柔軟性と計算効率を達成することを目的とした、脳にインスパイアされた代替コンピューティングアーキテクチャの探索である。
我々は、このパラダイムシフトが実現される際の粒度の異なるレベルについて、その分野の包括的概要を提供する。
論文 参考訳（メタデータ） (2021-06-02T16:51:45Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Integrating Deep Learning in Domain Sciences at Exascale [2.241545093375334]
我々は,大規模HPCシステム上でディープラーニングモデルとアプリケーションを効率的に動作させるための既存パッケージの評価を行った。
本稿では,現在の大規模異種システムに対する新しい非同期並列化と最適化手法を提案する。
従来の計算集約型アプリケーションとデータ集約型アプリケーションをAIで拡張するための図表と潜在的なソリューションを提案する。
論文 参考訳（メタデータ） (2020-11-23T03:09:58Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。