論文の概要: Trillion Parameter AI Serving Infrastructure for Scientific Discovery: A
Survey and Vision
- arxiv url: http://arxiv.org/abs/2402.03480v1
- Date: Mon, 5 Feb 2024 19:48:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 17:58:23.269962
- Title: Trillion Parameter AI Serving Infrastructure for Scientific Discovery: A
Survey and Vision
- Title(参考訳): 科学発見のためのインフラストラクチャを実現するトリリオンパラメータAI:調査とビジョン
- Authors: Nathaniel Hudson, J. Gregory Pauloski, Matt Baughman, Alok Kamatar,
Mansi Sakarvadia, Logan Ward, Ryan Chard, Andr\'e Bauer, Maksim Levental,
Wenyi Wang, Will Engler, Owen Price Skelly, Ben Blaiszik, Rick Stevens, Kyle
Chard, Ian Foster
- Abstract要約: 本稿では,Trillion Models (TPM) ユーザとプロバイダのエコシステムに対するビジョンについて述べる。
次に、TPMを提供するためのシステム設計における重要な技術的課題とオープンな課題について概説する。
具体的には,研究者の多様なフレキシブルな要件をサポートするために,包括的ソフトウェアスタックとインターフェースの要件について述べる。
- 参考スコア(独自算出の注目度): 4.877895851942012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods are transforming research, enabling new techniques, and
ultimately leading to new discoveries. As the demand for more capable AI models
continues to grow, we are now entering an era of Trillion Parameter Models
(TPM), or models with more than a trillion parameters -- such as Huawei's
PanGu-$\Sigma$. We describe a vision for the ecosystem of TPM users and
providers that caters to the specific needs of the scientific community. We
then outline the significant technical challenges and open problems in system
design for serving TPMs to enable scientific research and discovery.
Specifically, we describe the requirements of a comprehensive software stack
and interfaces to support the diverse and flexible requirements of researchers.
- Abstract(参考訳): ディープラーニングの手法は研究を変革し、新しい技術を可能にし、最終的には新しい発見につながる。
より有能なAIモデルの需要が拡大を続ける中、私たちは現在、TPM(Trillion Parameter Models)の時代、あるいはHuaweiのPanGu-$\Sigma$のような1兆以上のパラメータを持つモデルに参入しています。
我々は,tpmユーザと,科学コミュニティの特定のニーズに対応するプロバイダのエコシステムに対するビジョンについて述べる。
次に,tpmが科学的研究と発見を可能にするためのシステム設計における重要な技術的課題と課題について概説する。
具体的には,包括的ソフトウェアスタックの要件と,研究者の多様な柔軟な要件をサポートするためのインターフェースについて述べる。
関連論文リスト
- Fake Artificial Intelligence Generated Contents (FAIGC): A Survey of Theories, Detection Methods, and Opportunities [3.4460281797358294]
Fake Artificial Intelligence Generated Content (FAIGC)は、真の情報の識別に挑戦している。
本稿では, FAIGC法を包括的に網羅する新たな分類法を提案する。
論文 参考訳(メタデータ) (2024-04-25T04:44:09Z) - A Systematic Survey of Prompt Engineering in Large Language Models:
Techniques and Applications [11.568575664316143]
本稿では,応用分野別に分類した,最近のプロンプト工学の進歩について概説する。
本稿では、プロンプト手法、その応用、関連するモデル、利用したデータセットについて詳述する。
この体系的な分析は、この急速に発展している分野をよりよく理解し、オープンな課題と迅速なエンジニアリングの機会を照明することによって将来の研究を促進する。
論文 参考訳(メタデータ) (2024-02-05T19:49:13Z) - The Dawn of LMMs: Preliminary Explorations with GPT-4V(ision) [121.42924593374127]
我々は,最新のモデルであるGPT-4Vを分析し,LMMの理解を深める。
GPT-4Vは、任意にインターリーブされたマルチモーダル入力を処理するという前例のない能力により、強力なマルチモーダルジェネラリストシステムとなっている。
GPT-4Vの、入力画像に描かれた視覚マーカーを理解するユニークな能力は、新しい人間とコンピュータの相互作用方法をもたらす。
論文 参考訳(メタデータ) (2023-09-29T17:34:51Z) - Examining User-Friendly and Open-Sourced Large GPT Models: A Survey on
Language, Multimodal, and Scientific GPT Models [12.065200842859834]
生成事前学習変換器(GPT)モデルは自然言語処理(NLP)の分野に革命をもたらした。
GPTモデルは、かなりのサイズ、高い計算要求、複雑なデプロイメントプロセス、クローズド開発ループといった固有の制限に直面している。
ユーザフレンドリーで、比較的小さく、オープンソースの代替GPTモデルの必要性は、高いパフォーマンスを維持しながらこれらの制限を克服したいという願望から生じる。
論文 参考訳(メタデータ) (2023-08-27T16:14:19Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - ChatGPT-Like Large-Scale Foundation Models for Prognostics and Health
Management: A Survey and Roadmaps [8.62142522782743]
産業生産と設備整備において,PHM技術は重要な役割を担っている。
ChatGPTやDALLE-Eといった大規模ファンデーションモデル(LSF-Model)は、AIがAI-2.0の新しい時代に入ることを象徴している。
本稿では,LSFモデルの主要なコンポーネントと最新の開発について,体系的に解説する。
論文 参考訳(メタデータ) (2023-05-10T21:37:44Z) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳(メタデータ) (2021-11-27T00:55:21Z) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳(メタデータ) (2021-11-16T18:42:50Z) - An Overview of Machine Learning-aided Optical Performance Monitoring
Techniques [1.0323063834827415]
本稿では,機械学習アルゴリズムを適用した光学性能モニタリング手法について概説する。
我々は最近になってこの領域に応用されたばかりの新しい手法として,OPMに対するニューロモルフィックアプローチを紹介した。
論文 参考訳(メタデータ) (2021-06-20T18:27:30Z) - 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) - Families In Wild Multimedia: A Multimodal Database for Recognizing
Kinship [63.27052967981546]
マルチタスク MM キンシップデータセットを初めて公開する。
FIW MMを構築するために,データを自動収集,注釈付け,作成する機構を開発した。
結果は、改善の異なる領域で将来の研究を刺激するエッジケースを強調します。
論文 参考訳(メタデータ) (2020-07-28T22:36:57Z)
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。