本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
通过确定性和连续代理网络对具有二进制($ \ pm1 $)权重和激活的随机神经网络模型进行了研究。我们使用平均场理论推导出一组标量方程,描述输入信号如何通过代理网络传播。这些方程表明,这些连续模型表现出对chaostransition的顺序,以及限制最大可训练深度的深度尺度的存在。此外,我们在理论上进行预测并在数值上进行确认,标准连续网络中使用的共同权重初始化方案,当应用于随机二元权重的平均值时,产生波动性能。这项研究表明,与常见的直觉相反,随机二元权重的主题应该初始化接近$ \ pm 1 $,以便更深入的网络可以训练。
translated by 谷歌翻译
从表面心电图(ECG)无创重建心脏跨膜电位(TMP)涉及一个不适定的逆问题。模型约束正则化对于结合关于时空TMP动力学的丰富的生理学知识是有力的。这些模型由高维物理参数控制,如果固定,则可以引入模型误差并降低TMP重建的准确性。然而,由于它们的高维度,在TMP重建期间同时适应这些参数是困难的。我们引入了一种新的模型约束推理框架,该框架用经过训练的深度生成模型取代传统的生理模型,以从低维生成因子生成TMP序列。使用具有长期短期记忆(LSTM)网络的变分自动编码器(VAE),我们训练VAE解码器以学习TMP的条件可能性,同时编码器学习生成因子的先前分布。这两个组件使我们能够开发出一种有效的算法来同时推断来自ECG数据的生成因子和TMP信号。综合和实际数据实验表明,与传统生理模型约束或没有生理学约束的方法相比,所提出的方法显着提高了TMP重建的准确性。
translated by 谷歌翻译
在本文中,共同解决了用户卸载和资源优化的问题,以支持HetNets中的超可靠和低延迟通信(URLLC)。特别地,考虑具有单个宏基站(MBS)和多个重叠小小区基站(SBS)的多层网络,其包括具有不同等待时间和可靠性约束的用户。使用概率保证对用户的延迟和可靠性约束进行建模,URLLC设置中的用户卸载和资源分配(JUR)的联合问题被公式化为优化问题,从而最小化为MBS服务用户的成本。在所考虑的方案中,SBSsbid以给定价格在其覆盖范围内为URLLC用户提供服务,并且MBS决定是在本地为每个用户提供服务还是将其卸载到其中一个覆盖的SBS上。由于JUR优化是NP难的,我们提出了一种低复杂度的基于学习的启发式方法(LHM),其包括基于支持向量机的用户关联模型和凸资源优化(CRO)算法。为了进一步减少延迟,我们提出了一种基于乘法器(ADMM)的交叉方向解决方案来解决CRO问题。仿真结果表明,使用LHM,MBS显着降低了用户的频谱访问延迟($ \ sim $ 93 \%)与JUR相比,与服务用户相比,它的带宽和电力成本(按$ \ sim $ 33 \%)还可以直接服务用户而不需要卸载。
translated by 谷歌翻译
声学数据提供从生物学和通信到海洋和地球科学等领域的科学和工程见解。我们调查了机器学习(ML)的进步和变革潜力,包括声学领域的深度学习。 ML是用于自动检测和利用模式印度的广泛的统计技术家族。相对于传统的声学和信号处理,ML是数据驱动的。给定足够的训练数据,ML可以发现特征之间的复杂关系。通过大量的训练数据,ML candiscover模型描述复杂的声学现象,如人类语音和混响。声学中的ML正在迅速发展,具有令人瞩目的成果和未来的重大前景。我们首先介绍ML,然后在五个声学研究领域强调MLdevelopments:语音处理中的源定位,海洋声学中的源定位,生物声学,地震探测和日常场景中的环境声音。
translated by 谷歌翻译
带有冲突的装箱(BPC)是这样的问题,其中具有兼容性约束的物品必须包装在最少数量的箱中,注意箱的容量并确保在每个箱中包装非冲突物品。在这项工作中,我们介绍了Bin Packing Problem withCompatible Categories(BPCC),这是BPC的一个变体,其中的项目属于toconflicting或兼容的类别,与之前文献中的逐项兼容性相反。在位于人口密集区域的纳米存储体的最后一英里分布的背景中,这是一个常见问题。为了有效地解决实际大小的问题实例,我们提出了一种变邻域搜索(VNS)元启发式算法。计算实验表明,与在高性能计算环境中运行的线性整数规划相比,该算法在很短的时间内产生了良好的解决方案。
translated by 谷歌翻译
我们给出了一种计算一维形状约束函数的算法,该函数最适合加权$ L _ {\ infty} $ norm中的给定数据。我们给出了一种单一算法,该算法适用于各种常用的形状约束,包括单调性,Lipschitz连续性和凸性,更一般地说,任何形状约束可通过一阶和/或二阶差异的界限表达。我们的算法在$ O \ left(n \ log \ frac {U} {\ varepsilon} \ right)$ time中计算加法误差$ \ varepsilon $的近似值,其中$ U $捕获输入值的范围。对于未加权的$ L _ {\ infty} $ convexregression的特殊情况,我们还给出了一个简单的贪心算法$ O(n)$ time。这些是第一个(近)线性时间算法的二阶约束函数拟合。为了实现这些结果,我们使用对基础动态规划问题的几何解释。我们进一步表明,相关问题到方向图(DAG)的推广与线性规划一样困难。
translated by 谷歌翻译
本文关注深度神经网络的近似和表达能力。这是一个活跃的研究领域,目前正在制作许多有趣的论文。文献中最常见的结果证明,神经网络近似具有经典光滑度的函数,与经典线性近似方法相同,例如,在规定的分区上通过多项式或分段多项式逼近。然而,依赖于n个参数的神经网络的近似是非线性近似的一种形式,因此应该与其他非线性方法比较,例如可变节点样条或n项近似值。神经网络在目标应用中的性能,例如机器学习,表明它们实际上比这些传统的非线性近似方法具有更强的相似性。本文的主要结果证明了确实如此。这是通过展示大类函数来实现的,这些函数可以通过神经网络有效地捕获,其中经典非线性方法不能完成任务。本文有目的地将其自身局限于研究ReLU网络对单变量函数的近似。可以设想对几个变量和其他激活函数的函数的许多概括。然而,即使在这里考虑的最简单的设置中,仍然缺乏完全量化神经网络的近似能力的理论。
translated by 谷歌翻译
重载数据和宽覆盖范围一直是物联网(IoT)的关键问题。然而,在移动边缘计算(MEC)网络中,可以在边缘部分地处理大量数据。在本文中,讨论了基于MEC的大数据分析网络。分布式网络终端生成的原始数据由边缘服务器收集和处理。边缘服务器分出大量冗余数据,并将提取的信息传输到中心云进行进一步分析。然而,考虑到限制计算能力,巨大数据源中的部分原始数据可以直接传输到云。为了在线管理有限的资源,我们提出了一种基于Lyapunov优化的算法,共同优化边缘处理器频率,传输功率和带宽分配的策略。该算法旨在稳定数据处理延迟和节省能量,而无需了解数据源的概率分布。所提出的网络管理算法可能有助于futureIoT中的大数据处理。
translated by 谷歌翻译
随着北极条件的迅速变化,北极地区的人类活动将继续增加,对海冰的高分辨率观测需求也将增加。虽然卫星图像可以提供高空间分辨率,但它在时间上是稀疏的,并且在观察之间可能发生显着的冰变形。这使得难以应用要求在图像之间存在持久特征的特征跟踪或图像相关技术。考虑到这一点,我们提出了一种基于最优传输的技术,该技术通常用于测量概率分布之间的差异。当小冰进入或离开图像场景时,我们表明,可以使用规范化的最优运输来定量估计冰变形。我们讨论了我们的方法的动机,并描述了有效的计算实现。结果提供了合成和MODIS图像的组合,以证明我们的方法在原始图像分辨率下估计动力学特性的能力。
translated by 谷歌翻译