論文の概要: End-to-end AI Framework for Hyperparameter Optimization, Model Training,
and Interpretable Inference for Molecules and Crystals
- arxiv url: http://arxiv.org/abs/2212.11317v1
- Date: Wed, 21 Dec 2022 19:27:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:09:12.277788
- Title: End-to-end AI Framework for Hyperparameter Optimization, Model Training,
and Interpretable Inference for Molecules and Crystals
- Title(参考訳): 分子と結晶のハイパーパラメータ最適化、モデルトレーニング、解釈可能な推論のためのエンドツーエンドAIフレームワーク
- Authors: Hyun Park, Ruijie Zhu, E. A. Huerta, Santanu Chaudhuri, Emad
Tajkhorshid, Donny Cooper
- Abstract要約: 我々は、CGCNN、PhysNet、SchNet、MPNN、MPNN-transformer、TorchMD-Netを含む最先端AIモデルを用いて、AI推論のためのエンドツーエンドの計算フレームワークを導入する。
これらのAIモデルとベンチマークQM9、hMOF、MD17データセットを使用して、現代のコンピューティング環境におけるユーザ特定材料特性の予測を示す。
- 参考スコア(独自算出の注目度): 2.342281231389519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce an end-to-end computational framework that enables
hyperparameter optimization with the DeepHyper library, accelerated training,
and interpretable AI inference with a suite of state-of-the-art AI models,
including CGCNN, PhysNet, SchNet, MPNN, MPNN-transformer, and TorchMD-Net. We
use these AI models and the benchmark QM9, hMOF, and MD17 datasets to showcase
the prediction of user-specified materials properties in modern computing
environments, and to demonstrate translational applications for the modeling of
small molecules, crystals and metal organic frameworks with a unified,
stand-alone framework. We deployed and tested this framework in the ThetaGPU
supercomputer at the Argonne Leadership Computing Facility, and the Delta
supercomputer at the National Center for Supercomputing Applications to provide
researchers with modern tools to conduct accelerated AI-driven discovery in
leadership class computing environments.
- Abstract(参考訳): 我々は、CGCNN、PhysNet、SchNet、MPNN、MPNN-transformer、TorchMD-Netを含む最先端AIモデルを用いて、DeepHyperライブラリによるハイパーパラメータ最適化、トレーニングの高速化、AI推論を可能にするエンドツーエンドの計算フレームワークを導入する。
これらのAIモデルとベンチマークQM9、hMOF、MD17データセットを使用して、現代のコンピューティング環境におけるユーザ特定材料特性の予測を示し、統一されたスタンドアロンフレームワークによる小さな分子、結晶、金属有機フレームワークのモデリングのための翻訳的応用を示す。
我々は、このフレームワークをArgonne Leadership Computing FacilityのThetaGPUスーパーコンピュータとNational Center for Supercomputing ApplicationsのDeltaスーパーコンピュータにデプロイし、テストした。
関連論文リスト
- Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。
モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。
このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
論文 参考訳(メタデータ) (2024-07-12T09:24:34Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳(メタデータ) (2023-10-25T13:15:17Z) - Active Class Selection for Few-Shot Class-Incremental Learning [14.386434861320023]
現実世界のアプリケーションでは、ロボットはユーザーとの限られたインタラクションを通じて環境の中で継続的に学習する必要がある。
本研究では,自律型エージェントが環境において最も情報に富むオブジェクトにのみラベルを付けることで,新たなオブジェクトを継続的に学習することを可能にする新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2023-07-05T20:16:57Z) - FAIR AI Models in High Energy Physics [16.744801048170732]
実験高エネルギー物理学におけるAIモデルに対するFAIR原則の実践的定義を提案する。
これらの原則を適用するためのテンプレートについて説明する。
本稿では,このFAIR AIモデルの堅牢性,ハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティ,解釈可能性について報告する。
論文 参考訳(メタデータ) (2022-12-09T19:00:18Z) - DeepPicarMicro: Applying TinyML to Autonomous Cyber Physical Systems [2.2667044691227636]
本稿では、Raspberry Pi Pico MCU上で畳み込みニューラルネットワーク(CNN)を動作させる、小型の自動運転RCカーテストベッドであるDeepPicarMicroを紹介する。
我々は、よく知られたPilotNet CNNアーキテクチャに適合させるために、最先端のDNN最適化を適用した。
システムの精度、レイテンシ、制御性能の興味深い関係を観察する。
論文 参考訳(メタデータ) (2022-08-23T21:58:53Z) - 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) - ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。
ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
論文 参考訳(メタデータ) (2022-06-14T17:09:35Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Cloud2Edge Elastic AI Framework for Prototyping and Deployment of AI
Inference Engines in Autonomous Vehicles [1.688204090869186]
本稿では、ディープラーニングモジュールに基づく自律運転アプリケーションのためのAI推論エンジンを開発するための新しいフレームワークを提案する。
我々は,ソフトウェア・イン・ザ・ループ(SiL)パラダイムに従って,クラウド上でプロトタイピングを行うAIコンポーネント開発サイクルに対して,シンプルでエレガントなソリューションを導入する。
提案フレームワークの有効性は,自律走行車用AI推論エンジンの2つの実例を用いて実証した。
論文 参考訳(メタデータ) (2020-09-23T09:23:29Z) - Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。
成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。
GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文 参考訳(メタデータ) (2020-03-02T15:58:46Z)
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。