• <xmp id="om0om">
  • <table id="om0om"><noscript id="om0om"></noscript></table>
  • 3 月 19 日下午 2 點,鎖定 NVIDIA AI 網絡中文專場。立即注冊觀看
    模擬/建模/設計

    從地球科學到工廠生產: GPU Hackathon 優化建模結果

    雖然世界在不斷變化,但開發人員仍在不斷推動他們使用創新技術應對挑戰。最近的臺灣計算云( TWCC ) GPU Hackathon 就是這樣一個例子,它是開發者和工程師使用 GPU 推進 HPC 和 AI 項目的催化劑。

    國家高性能計算中心臺灣網絡服務公司 、 NVIDIA 和 OpenACC 、 12 個團隊和 15 名 NVIDIA 導師之間的合作,使用了從人工智能驅動的制造調度模型到快速洪水預測模型的各種方法來加速項目。

    利用人工智能優化生產效率

    智能制造的關鍵領域之一是優化和自動化生產線流程。團隊 AI 調度員和 工業技術研究中心(工研院)計算智能技術中心( CITC ) 成員來到 hackathon ,使用機器學習開發他們的制造調度模型。

    傳統的調度模型大多采用啟發式規則,能夠即時響應動態事件。然而,他們的短期方法通常不會帶來最佳解決方案,并且在處理變化的變量時被證明是不靈活的,這限制了他們的持續生存能力。

    該團隊的方法使用蒙特卡羅樹搜索( MCTS )方法,將經典的樹搜索實現與強化學習的機器學習原理結合起來。該方法解決了現有的啟發式限制,提高了整體調度模型的效率,提高了效率。

    通過與導師合作,團隊 AI Scheduler 學會了使用 NVIDIA Nsight 系統 來識別瓶頸,并使用 GPU 來并行化代碼。活動結束時,團隊能夠加快 MCTS 算法的模擬步驟。這將調度時間從 6 小時減少到 30 分鐘,并使總體調度效率提高了 11.3 倍。

    工研院 CITC 的曾正蘇博士和黃浩哲博士說:“在本次黑客大會上證明了使用 GPU 加速我們的模型的可行性之后,下一步是將其應用到我們的商業模型中,供工業使用。”。

    使用 GPU 了解地球科學的全局

    臺灣位于歐亞大陸和菲律賓海板塊之間,是世界上構造最活躍的地區之一,也是全球地震研究的重要基地。地質研究和構造活動的時間尺度通常以數千年或數萬年為單位。這需要使用大量數據和足夠的計算能力來進行有效分析。

    Hackathon Team IES-Geodynamics, led by Dr. Tan, is pictured.
    圖 1 。由譚博士(中)領導的 IES 地球動力學團隊如圖所示。

    中央研究院地球研究所 的譚博士領導的 IES 地球動力學團隊來到 GPU Hackathon 加速他們的數值地球動力學模型。它名為 DynEarthSol ,模擬地幔對流、俯沖、造山和構造。此前,該團隊通過將數據分塊并限制計算過程以適應 CPU 有限的計算能力來減少計算和步驟的數量,從而處理大量數據。這使得很難看到研究的全貌。

    Subduction process taking place at convergent boundaries where one tectonic plate moves under another tectonic plate.
    圖 2 。俯沖帶的動畫模擬。

    在黑客競賽的過程中,團隊使用了一種新的數據輸入方法,利用 GPU 計算數據和多個步驟。使用 OpenACC , IES 地球動力學團隊能夠將 80% 的模型移植到 GPU ,并實現了 13.6 倍的加速。

    “這是我第二次參加 GPU 黑客競賽,我肯定會參加下一次,”中央研究院國際研究所研究員譚恩恩教授說。“我們已經學會了采用 GPU 的適當方法,用戶友好的分析工具為我們提供了一個優化模型的好主意。”

    該團隊將繼續致力于移植其模型的剩余 20% 。他們期待使用 GPU 運行更多高分辨率模型,以更深入地了解臺灣的編隊活動。

    用于應急規劃和響應的快速洪水評估

    洪水是最具破壞性的自然災害之一。每年造成大量人員傷亡和經濟損失, 全世界平均有 2100 萬人受洪水影響 ,由于氣候變化和其他因素,預計人數還會增加。預防和減輕這些危害是一項關鍵工作。

    來自 國立楊橋大學( NYCU ) 的 THINKLAB 團隊正在開發一種模型,該模型可以為緊急情況提供快速準確的結果,同時保持操作的簡單性。所提出的 混合淹沒模型( HIM ) 通過元胞自動機方法求解零慣性方程,并與亞網格級插值策略配合使用,以生成更高分辨率的結果。

    Simulating flood extents using the hybrid inundation model (HIM).
    圖 3 。 HIM 產生的洪水范圍示例。

    使用 Python 和 NumPy 庫開發的 HIM 模型在 hackathon 開始時沒有并行或 GPU 計算。在活動期間, THINKLAB 團隊使用 CuPy 為了使他們的代碼在 GPU 上并行運行,然后重點將用戶定義的 CUDA 內核應用于參數。結果是 672 倍加速,計算時間從 2 周縮短到大約 30 分鐘。

    THINKLAB 團隊成員 Obaja Wijaya 說:“我們在這次活動中學到了很多技巧,并向其他人強烈推薦這些活動。”。“NVIDIA 是這一領域的專家,通過與他們的導師合作,我們學會了如何使用 GPU 編程優化模型/代碼。”

    2022 年期間還將安排額外的黑客競技場和新兵訓練營。有關 GPU 黑客大會和未來活動的更多信息,請訪問 https://www.gpuhackathons.org .

    ?

    0

    標簽

    人人超碰97caoporen国产