論文の概要: Final Report for CHESS: Cloud, High-Performance Computing, and Edge for Science and Security
- arxiv url: http://arxiv.org/abs/2410.16093v1
- Date: Mon, 21 Oct 2024 15:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:15:53.084036
- Title: Final Report for CHESS: Cloud, High-Performance Computing, and Edge for Science and Security
- Title（参考訳）: CHESSの最終レポート: クラウド、高性能コンピューティング、科学とセキュリティのためのエッジ
- Authors: Nathan Tallent, Jan Strube, Luanzheng Guo, Hyungro Lee, Jesun Firoz, Sayan Ghosh, Bo Fang, Oceane Bel, Steven Spurgeon, Sarah Akers, Christina Doty, Erol Cromwell,
- Abstract要約: 継続プラットフォームの構築、ワークフロータスクのオーケストレーション、データセットのキュレーションといった方法は、パフォーマンス、エネルギ、セキュリティ、信頼性に関する科学的要件を達成できない。
報告では、オープンサイエンスの観点から、CHESSの結果と成功について述べる。
- 参考スコア（独自算出の注目度）: 5.781151161558928
- License:
- Abstract: Automating the theory-experiment cycle requires effective distributed workflows that utilize a computing continuum spanning lab instruments, edge sensors, computing resources at multiple facilities, data sets distributed across multiple information sources, and potentially cloud. Unfortunately, the obvious methods for constructing continuum platforms, orchestrating workflow tasks, and curating datasets over time fail to achieve scientific requirements for performance, energy, security, and reliability. Furthermore, achieving the best use of continuum resources depends upon the efficient composition and execution of workflow tasks, i.e., combinations of numerical solvers, data analytics, and machine learning. Pacific Northwest National Laboratory's LDRD "Cloud, High-Performance Computing (HPC), and Edge for Science and Security" (CHESS) has developed a set of interrelated capabilities for enabling distributed scientific workflows and curating datasets. This report describes the results and successes of CHESS from the perspective of open science.
- Abstract（参考訳）: 理論と実験のサイクルを自動化するには、実験機器、エッジセンサー、複数の施設におけるコンピューティングリソース、複数の情報ソースに分散したデータセット、潜在的クラウドにまたがる計算連続体を利用する効果的な分散ワークフローが必要である。
残念ながら、継続プラットフォームの構築、ワークフロータスクのオーケストレーション、時間の経過とともにデータセットをキュレートする明確な方法は、パフォーマンス、エネルギ、セキュリティ、信頼性に関する科学的要件を達成できない。
さらに、連続的なリソースを最大限に活用するには、ワークフロータスクの効率的な構成と実行、すなわち数値解法、データ分析、機械学習の組み合わせに依存する。
Pacific Northwest National LaboratoryのLDRD "Cloud, High-Performance Computing (HPC), and Edge for Science and Security" (CHESS)は、分散科学ワークフローとデータセットのキュレーションを可能にする、一連の相互関連機能を開発した。
本報告では、オープンサイエンスの観点から、CHESSの結果と成功について述べる。
関連論文リスト
- Towards an Integrated Performance Framework for Fire Science and Management Workflows [0.0]
本稿では,人工知能と機械学習(AI/ML)による性能評価と最適化手法を提案する。
パフォーマンスデータ収集、予測、最適化を対象とする、関連するAI/MLフレームワークが、ワイルドファイアサイエンスアプリケーションに適用される。
論文 参考訳（メタデータ） (2024-07-30T22:37:25Z) - Reinforcement Learning-driven Data-intensive Workflow Scheduling for Volunteer Edge-Cloud [2.417545540754702]
Volunteer Edge-Cloud (VEC) は、データ集約的な科学研究を支援するために、費用対効果の高いコミュニティコンピューティングパラダイムとして注目を集めている。
しかしながら、VECリソースの高度に分散した異種性のため、集中型ワークフロータスクスケジューリングは依然として課題である。
本稿では,Reinforcement Learning (RL) によるデータ集約型科学ワークフロースケジューリング手法を提案する。
論文 参考訳（メタデータ） (2024-07-01T16:21:13Z) - MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。
MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。
我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文 参考訳（メタデータ） (2024-06-10T15:19:09Z) - Everywhere & Nowhere: Envisioning a Computing Continuum for Science [21.111766975909752]
新たなデータ駆動科学は、分散データソースを活用して、エンドツーエンドの現象を理解し、実験を推進し、重要な意思決定を促進することを目指している。
本稿では,エッジ,コア,中間のリソースにまたがる,どこにでもある,どこにでもあるコンピューティングについて検討し,科学を支援するための抽象化を提供する。
また、どんなデータをいつどこで処理すべきかを表現できるプログラミング抽象化の最近の研究や、リソースの発見とそれらのリソースをまたいだ計算のオーケストレーションを自動化する自律型サービスも紹介されている。
論文 参考訳（メタデータ） (2024-06-06T20:07:31Z) - CUDC: A Curiosity-Driven Unsupervised Data Collection Method with
Adaptive Temporal Distances for Offline Reinforcement Learning [62.58375643251612]
本稿では,Curiosity-driven Unsupervised Data Collection (CUDC)法を提案する。
この適応的な到達性機構により、特徴表現は多様化することができ、エージェントは、好奇心で高品質なデータを集めるために自分自身をナビゲートすることができる。
実験的に、CUDCはDeepMindコントロールスイートの様々なダウンストリームオフラインRLタスクにおいて、既存の教師なし手法よりも効率と学習性能が優れている。
論文 参考訳（メタデータ） (2023-12-19T14:26:23Z) - Towards Lightweight Data Integration using Multi-workflow Provenance and
Data Observability [0.2517763905487249]
統合データ分析は、特に現在のAI時代において、科学的発見において重要な役割を果たす。
軽量ランタイム向けマルチワークフロー統合データ分析手法MIDAを提案する。
Summitスーパーコンピュータの1,680個のCPUコア上で,最大10000のタスクを実行するほぼゼロのオーバーヘッドを示す。
論文 参考訳（メタデータ） (2023-08-17T14:20:29Z) - Multi-Fidelity Active Learning with GFlowNets [65.91555804996203]
本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。
分子探索タスクの評価は,GFlowNetsを用いた多要素能動学習が,その単要素の予算のごく一部で高い評価の候補を発見できることを示す。
論文 参考訳（メタデータ） (2023-06-20T17:43:42Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - The MIT Supercloud Workload Classification Challenge [10.458111248130944]
本稿では,MIT Supercloudデータセットに基づくワークロード分類の課題について述べる。
この課題の目標は、計算ワークロードの分析におけるアルゴリズムのイノベーションを促進することである。
論文 参考訳（メタデータ） (2022-04-12T14:28:04Z) - From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。
本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。
本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
論文 参考訳（メタデータ） (2021-04-29T14:15:11Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z)
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。