Научного сотрудничества между Национальной лаборатории Лоренса Беркли (лаборатории Беркли), Тихоокеанская Северо-Западная Национальная лаборатория (PNNL), Университет Брауна, и NVIDIA добилась носить его выступление на саммите суперкомпьютер с глубоким изучением прикладной используется для моделирования подповерхностного потока при исследовании ядерных отходов территории. Их достижения, которые будут представлены во время «глубокого обучения на суперкомпьютерах» мастерская по SC19, демонстрирует перспективность физико-сообщил генеративных состязательности сети (Ганс) для анализа сложных, крупномасштабных научно-технических проблем.
«В науке мы знаем, что законы физики и принципы наблюдений-массы, импульса, энергии и т. д.» сказал Джордж Karniadakis, профессор прикладной математики в коричневый и соавтор на бумаге мастерской SC19. «Концепция физики-сообщил Ганс-кодировать информацию из физики в нейронной сети. Это позволяет выйти за рамки домена обучение, что очень важно в приложениях, где условия могут меняться».
Ганс были применены к модели лица человека с поразительной точностью, отметить Прабхат, соавтор на бумаге SC19, кто ведет данных и аналитики отдела услуг в национальных энергетических исследований научной лаборатории Беркли вычислительный центр. «В науке, лаборатории Беркли изучили применение ванили Ганс для создания искусственных вселенных и экспериментов по физике частиц; одна из открытых проблем до сих пор является включение физических ограничений в прогнозы», — сказал он. «Джордж и его группа в Университете Брауна разработали подход, включающий физики в Ганс и использовать их для синтеза данных — в данном случае поля подповерхностных потоков».
Для этого исследования, исследователи сосредоточились на Хэнфорд сайт, создан в 1943 году в рамках Манхэттенского проекта по производству плутония для ядерного оружия и в итоге домой в первый полномасштабный реактор для наработки плутония в мире, еще восемь ядерных реакторов и пять плутония-вычислительных комплексов. Для производства плутония закончилась в 1989 году, осталось позади остались десятки миллионов литров радиоактивных и химических отходов в больших подземных резервуарах и более 100 квадратных километров загрязненных подземных вод в результате удаления порядка 450 млрд галлонов жидкости для свалки грунта. Так за последние 30 лет американское министерство энергетики сотрудничает с Агентством по охране окружающей среды и штата Вашингтон Департамент экологии по очистке Хэнфорд, который расположен на 580 квадратных миль (почти 500 000 акров) в южно-центральной части Вашингтона, все его части, прилегающей к реке Колумбии-самой крупной реки на Тихоокеанском северо-западе и является важнейшей магистрали для промышленности и дикой природы.
Для отслеживания работы по уборке, работники сделали ставку на бурение скважин на площадке Хэнфорд и размещения датчиков в эти скважины, чтобы собрать сведения о геологических свойствах и грунтовые воды и наблюдать прогрессирование загрязнений. Среды, как в Хэнфордском комплексе, не являются однородными с переменным в пространстве свойств, объяснил Алекс Тартаковский, вычислительная математика в PNNL и соавтор на SC19 бумаги. «Оценка свойств Хэнфорд сайт из данных потребуется более миллиона измерений, а на практике у нас может быть тысяча. Законы физики помогают нам компенсировать недостаток данных».
«Стандартный подход оценки параметров заключается в предположении, что параметры могут принимать различные формы, а затем для каждой формы вы должны решить недр уравнений течения возможно миллионы раз, чтобы определить параметры, наиболее подходящие замечания», — добавил Тартаковский. Но для этого исследования, исследовательская группа приняла другую тактику: с помощью физика-сообщил Ган и высокопроизводительные вычисления для оценки параметров и количественной оценки неопределенности в подповерхностном.
Для этого в начале работы проверки, исследователи решили использовать синтетические данные-данные, полученные по расчетной модели на основе экспертных знаний об объекте Хэнфорд. Это позволило им создать виртуальное представительство на сайте, чтобы потом они могли манипулировать мере необходимости в зависимости от параметров они были заинтересованы в измерении-в первую очередь, гидравлическая проводимость и гидравлического напора, как ключ к моделированию расположения загрязнений. Будущие исследования будут включать реальные данные датчика и реальных условиях.
«Первоначальной целью этого проекта было оценить точность методов, поэтому мы использовали синтетические данные, а не реальные измерения», — сказал Тартаковский. «Это позволило нам оценить работу физика-сообщил Ганс как функция числа измерений».
В подготовке Ган на суперкомпьютере саммит по руководством Оак Ридж вычислительной OLCF объекта, команда смогла достигнуть 1.2 пик возможностей и устойчивой производительности-первый пример масштабного Ган архитектура применяется в SPDEs. Географическая, пространственная неоднородность и множественной корреляции длина шкалы Хэнфорд сайте необходимое обучение Ган модель к тысячам размеры, поэтому команда разработали оптимизированные реализации, уменьшенная на 27,504 для NVIDIA твердотельного накопителя V100, если Тензор ядра GPU и 4,584 узлов на встрече с 93.1% масштабирования эффективности.
«Достижение таких масштабах и производительности, необходимый для полной оптимизации стека и несколько стратегий, чтобы извлечь максимальную параллельность», — сказал Майк Хьюстон, который возглавляет команду систем искусственного интеллекта в Nvidia. «На уровне чипа, мы оптимизировали структуру и дизайн нейронной сети для максимального использования тензорного ядра через поддержку cuDNN в TensorFlow. На уровне узлов, мы использовали NCCL и NVLink для высокоскоростного обмена данными. И на системном уровне, мы оптимизировали хоровод и MPI не только для объединения данных и моделей, но для обработки параллельных стратегий противника. Для максимально эффективного использования наших процессоров, мы были в сегментировании данных, а затем распространять его в соответствии с методом распараллеливания».
«Это новый максимум-водяной знак для GAN архитектуры», — сказал Прабхат. «Мы хотели создать недорогой заменой очень дорогостоящих моделирования, и то, что мы смогли здесь показать, что физика-ограниченное архитектуры Ган может произвести пространственных полей согласуется с нашими знаниями физики. Кроме того, этот проект образцом приняли участие эксперты из недр моделирование, Прикладная математика, глубокое обучение, и HPC. Как Пупкин считает широкое применение глубокого изучения, и, в частности, Ганс … для моделирования проблем, я ожидал несколько научных коллективов, которые будут вдохновлены этими результатами.»
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!