基于机器学习（ML）的转向可以通过在线选择更科学意义的计算来提高基于合奏的模拟的性能。我们提出了DeepDrivemd，这是ML驱动的科学模拟转向的框架，我们用来通过在大型平行计算机上的有效耦合ML和HPC来实现分子动力学（MD）性能的稳定性提高。我们讨论了DeepDrivemd的设计，并描述了其性能。我们证明，与其他方法相对于其他方法，DeepDrivemd可以在100-1000倍加速度之间达到100-1000倍的加速度，这是通过执行的模拟时间量来衡量的，同时覆盖了模拟过程中采样的状态所量化的相同构象景观。实验是在最多1020个节点的领导级平台上进行的。该结果将DeepDrivemd作为ML驱动的HPC模拟方案的高性能框架建立，该场景支持不同的MD仿真和ML后端，并通过改善当前计算能力来改善长度和时间尺度来实现新的科学见解。
translated by 谷歌翻译
消费者经常阅读产品评论以告知他们的购买决定，因为一些消费者想了解产品的特定组成部分。但是，由于产品评论上的典型句子包含各种详细信息，因此用户必须在许多评论中识别有关他们想知道的组件的句子。因此，我们旨在开发一个系统，以识别和收集句子中产品的组件和方面信息。我们基于BERT的分类器分配了标签，这些标签参考了评论中的句子和句子的各个方面，并提取有关特定组件和方面的评论的句子。我们根据产品评论的模式匹配来确定的单词确定了适当的标签，以创建培训数据。因为我们无法将单词用作标签，所以我们仔细创建了涵盖单词含义的标签。但是，培训数据在组件和方面对不平衡。我们使用WordNet介绍了一种数据增强方法来减少偏差。我们的评估表明，该系统可以使用图案匹配来确定道路自行车的标签，涵盖了88％以上的电子商务网站上的组件和方面指标。此外，我们的数据增强方法可以从0.66到0.76提高F1的F1量度。
translated by 谷歌翻译
知识蒸馏（KD）是一种广泛使用的技术，用于训练对象检测中的紧凑模型。但是，仍然缺乏关于如何在异质探测器之间提炼的研究。在本文中，我们从经验上发现，尽管他们的探测头和标签分配不同，但异构教师探测器的更好的FPN功能可以帮助学生。但是，将特征图直接对齐以提炼探测器有两个问题。首先，老师和学生之间的功能幅度差异可能会对学生实施过度严格的限制。其次，来自教师模型的FPN阶段和具有较大特征大小的通道可能会主导蒸馏损失的梯度，这将压倒KD中其他功能的影响并引入大量噪音。为了解决上述问题，我们建议模仿Pearson相关系数的功能，以专注于教师的关系信息，并放宽对功能大小的约束。我们的方法始终优于现有检测方法，并适用于同质和异类的学生教师对。此外，它的收敛速度更快。基于Resnet-50的视网膜和FCO的强大MaskRCNN-SWIN检测器作为教师，在COCO2017上获得了41.5％和43.9％的地图，分别比基线高4.1 \％和4.8％。
translated by 谷歌翻译