論文の概要: HPC-AI Coupling Methodology for Scientific Applications
- arxiv url: http://arxiv.org/abs/2507.01025v1
- Date: Tue, 17 Jun 2025 09:09:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-07 02:47:44.418084
- Title: HPC-AI Coupling Methodology for Scientific Applications
- Title（参考訳）: 科学応用のためのHPC-AI結合法
- Authors: Yutong Lu, Dan Huang, Pin Chen,
- Abstract要約: 本稿では,3つの結合パターン(代理,指示,座標)を包含する新しい手法を提案する。
この研究は、技術的な課題、パフォーマンス改善、実装の詳細を強調し、HPC-AI結合の有望な観点に関する洞察を提供する。
- 参考スコア（独自算出の注目度）: 15.310626507531621
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) technologies have fundamentally transformed numerical-based high-performance computing (HPC) applications with data-driven approaches and endeavored to address existing challenges, e.g. high computational intensity, in various scientific domains. In this study, we explore the scenarios of coupling HPC and AI (HPC-AI) in the context of emerging scientific applications, presenting a novel methodology that incorporates three patterns of coupling: surrogate, directive, and coordinate. Each pattern exemplifies a distinct coupling strategy, AI-driven prerequisite, and typical HPC-AI ensembles. Through case studies in materials science, we demonstrate the application and effectiveness of these patterns. The study highlights technical challenges, performance improvements, and implementation details, providing insight into promising perspectives of HPC-AI coupling. The proposed coupling patterns are applicable not only to materials science but also to other scientific domains, offering valuable guidance for future HPC-AI ensembles in scientific discovery.
- Abstract（参考訳）: 人工知能(AI)技術は、データ駆動型アプローチによる数値ベースのハイパフォーマンスコンピューティング(HPC)アプリケーションを根本的に変革し、様々な科学領域において既存の課題、例えば高い計算強度に対処しようと努力してきた。
本研究では,HPCとAI(HPC-AI)の結合のシナリオを,新たな科学的応用の文脈で検討し,結合の3つのパターン(代理,指示,座標)を組み込んだ新しい方法論を提案する。
各パターンは、異なる結合戦略、AI駆動の前提条件、典型的なHPC-AIアンサンブルを示す。
材料科学のケーススタディを通じて、これらのパターンの適用と有効性を示す。
この研究は、技術的な課題、パフォーマンス改善、実装の詳細を強調し、HPC-AI結合の有望な観点に関する洞察を提供する。
提案された結合パターンは、材料科学だけでなく、他の科学分野にも適用でき、科学発見における将来のHPC-AIアンサンブルのための貴重なガイダンスを提供する。
関連論文リスト
- AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。
人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。
我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
論文 参考訳（メタデータ） (2025-05-17T15:01:33Z) - HiPerRAG: High-Performance Retrieval Augmented Generation for Scientific Insights [72.82973609312178]
HiPerRAGは360万以上の科学論文から知識をインデクシングし取り出すワークフローである。
コアとなるのはマルチモーダル文書解析のための高スループットモデルであるOreoと、クエリ対応エンコーダの微調整アルゴリズムであるColTrastだ。
HiPerRAGは、既存の科学的質問応答ベンチマークと、この研究で導入された2つの新しいベンチマークで堅牢なパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-05-07T22:50:23Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - Networking Systems for Video Anomaly Detection: A Tutorial and Survey [55.28514053969056]
ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。
ディープラーニングとエッジコンピューティングの進歩により、VADは大きな進歩を遂げた。
この記事では、NSVADの初心者向けの包括的なチュートリアルを紹介します。
論文 参考訳（メタデータ） (2024-05-16T02:00:44Z) - Approximate Computing Survey, Part II: Application-Specific & Architectural Approximation Techniques and Applications [7.885397057110356]
近似コンピューティングは、エネルギー効率と/または性能を改善するために、システムの設計における結果の質を調整できる。
この急進的なパラダイムシフトは、学界と産業の両方から関心を集めている。
重要な側面(例えば、用語と応用)をカバーし、最先端の近似技術についてレビューする。
論文 参考訳（メタデータ） (2023-07-20T15:54:33Z) - Warm-Starting and Quantum Computing: A Systematic Mapping Study [35.19840943615427]
量子コンピューティング領域におけるウォームスタート技術に関する科学文献の収集と分析を行う。
量子ソフトウェア技術者がウォームスタートテクニックを分類し、実際に適用できるようにすることを目標としています。
論文 参考訳（メタデータ） (2023-03-10T18:50:00Z) - SAIH: A Scalable Evaluation Methodology for Understanding AI Performance
Trend on HPC Systems [18.699431277588637]
本稿では,HPCシステムのAI性能傾向を分析するためのスケーラブルな評価手法(SAIH)を提案する。
データとモデルは絶えずスケールするので、HPCシステムにおけるAIパフォーマンスの傾向と範囲を調べることができる。
論文 参考訳（メタデータ） (2022-12-07T02:42:29Z) - AI-coupled HPC Workflows [1.5469452301122175]
従来のHPCにAI/MLモデルを導入することは、非常に正確なモデリングを可能にしてきた。
AI/MLモデルをHPC計算に統合するさまざまなモードにより、さまざまなタイプのAI結合型HPCが生成される。
論文 参考訳（メタデータ） (2022-08-24T19:16:43Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - 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 and Knowledge-Based Methods for Computer Aided Molecular
Design -- Toward a Unified Approach: State-of-the-Art and Future Directions [0.0]
分子レベルでの操作特性による化合物の最適設計は、しばしば科学的な進歩とプロセスシステムの性能向上の鍵となる。
本稿では,コンピュータ支援分子設計の課題と課題について述べる。
論文 参考訳（メタデータ） (2020-05-18T14:17:51Z)
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。