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
虽然机器学习(ML)领域正在迅速发展,但是为了实现广泛采用所需的“学习系统”的发展存在相对滞后。此外,很少有这样的系统被设计用于支持科学ML的特殊要求。在这里,我们展示了科学数据和学习中心(DLHub),这是一个多租户系统,提供模型库和服务功能,侧重于科学应用.DLHub解决了当前系统中的两个重要缺点。首先,其自助服务模型存储库允许用户共享,发布,验证,复制和重用模型,并通过打包和分发模型以及所有组成组件来解决与模型再现性相关的问题。其次,它实现了可扩展和低延迟的服务功能,可以利用并行和分布式计算资源,通过简单的Web界面使对已发布模型的访问民主化。与其他模型服务框架不同,DLHub可以存储和提供任何与Python 3兼容的模型或处理功能,以及多功能管道。我们展示了相对于包括TensorFlow Serving,SageMaker和Clipper在内的其他模型服务系统,DLHub提供了更强大的功能,在没有记忆和批处理的情况下具有可比性,并且在后两种技术可以使用时性能显着提高。我们还描述了DLHub在科学应用中的早期用途。
translated by 谷歌翻译
在机器学习中,机器人能够根据输入数据序列估计动力学是非常重要的。使用当前的神经网络可以解决这个问题。在本文中,我们将讨论数据集的10个状态的预处理,然后使用LSTM递归神经网络来估计来自其他9个输入状态的一个输出状态(动态)。我们将讨论循环神经网络的体系结构,数据收集和预处理,损失函数,测试数据的结果,以及可以改善网络的变化的讨论。本文的结果将用于人工智能研究,并确定LSTM递归神经网络架构的能力,以估计系统的动态。
translated by 谷歌翻译
在机器学习中,机器人知道对象的状态并识别特定的期望状态是非常重要的。这是一个可以使用卷积神经网络解决的图像分类问题。在本文中,我们将讨论使用VGG卷积神经网络来识别烹饪对象的状态。我们将讨论激活功能,优化器,数据增强,层添加以及其他不同的体系结构的使用。本文的结果将用于识别VGG卷积神经网络的替代方案,以提高准确性。
translated by 谷歌翻译
我们提出了一种通过卷积神经网络对图像内容进行细粒度3D处理的新方法,我们将其称为可转换瓶颈网络(TBN)。它将给定的空间变换直接应用于ourencoder-bottleneck-decoder体系结构中的体积瓶颈。多视图监督鼓励网络学习在空间上解开瓶颈内的特征空间。可以使用任意空间变换来操纵所得到的空间结构。我们证明了TBNs对于新型合成的功效,在具有挑战性的基准上实现了最先进的结果。我们证明,为此任务培训的网络所产生的瓶颈包含有意义的空间结构,使我们能够直观地在3D中执行各种图像处理,远远超出训练期间的严格转换。这些操作包括非均匀缩放,非刚性扭曲以及组合来自不同图像的内容。最后,我们从瓶颈中提取显式3D结构,从单个输入图像执行令人印象深刻的3D重构。
translated by 谷歌翻译
模板3D形状对于图形和视觉中的许多任务非常有用,包括拟合观察数据,分析形状集合以及转移形状属性。由于现实世界形状的几何形状和拓扑结构的多样性,以前的方法通常使用手工模板库。在本文中,我们研究从数据学习一般形状模板。为了允许广泛变化的几何和拓扑,我们选择基于局部形状元素的组成的含义表面表示。虽然计算机图形学早已为人所知,但在机器学习视觉的背景下尚未探索这种表现形式。我们表明,结构化隐式函数适合于学习,并允许网络平滑地同时适应多种形状。学习的形状模板支持诸如形状探索,对应,抽象,插值和RGB图像的语义分割之类的应用。
translated by 谷歌翻译
我们介绍了两种估计量子系统密度矩阵的方法:量子最大似然和量子变分推理。在这些方法中,我们构造了一个变分族来模拟混合量子态的密度矩阵。我们还介绍了量子流,即正常化流量的量子模拟,它可以用来增加这个变分族的表达性。然后通过优化适当的损失函数来获得感兴趣的本征态和特征值。该方法在性质上与传统的晶格技术不同,后者依赖于总结晶格配置的相关函数的时间依赖性。然后,可以使用所得到的密度矩阵估计来评估任意算子的期望,这打开了门的可能性。
translated by 谷歌翻译
虽然嵌入式FPGA因其低延迟和高能效而成为DNN加速设备的有吸引力的平台,但边缘规模FPGA器件的资源稀缺也使得它对DNN部署具有挑战性。在本文中,我们提出了一种同时具有自下而上和自上而下方法的FPGA / DNN协同设计方法:面向自下而上硬件的DNN模型搜索高精度,以及自上而下的FPGA加速器设计,考虑DNN特定的特性。我们还构建了自动协同设计流程,包括用于执行面向硬件的DNN模型搜索的Auto-DNN引擎,以及用于为探索的DNN生成FPGA加速器的可合成C代码的Auto-HLS引擎。我们使用PYNQ-Z1 FPGA演示了对象检测任务的协同设计方法。结果表明我们提出的DNN模型和加速器在所有方面都优于最先进的FPGA设计,包括交叉联盟(IoU)(高6.2%),每秒帧数(FPS)(高2.48倍),功耗(降低40%)和能源效率(高2.5倍)。与基于GPU的解决方案相比,我们的设计提供了类似的精度,但消耗的能源却少得多。
translated by 谷歌翻译
目的 - 功能性肠病,包括肠易激综合征,慢性便秘和慢性腹泻,是临床实践中见到的最常见的一些疾病。许多患者描述了一系列改变肠道稠度和症状的诱因。然而,使用肠道日记的症状触发因素之间的关系表征由于缺乏顺应性和缺乏客观的粪便稠度测量而受到阻碍。我们寻求利用计算机视觉和深度卷积神经网络(CNN)开发一种粪便检测和跟踪系统,该系统可供患者,提供者和研究人员用于评估慢性胃肠道(GI)疾病。
translated by 谷歌翻译
逆向合成计划的问题可以被构建为一个玩家游戏,其中化学家(或计算机程序)通过关于执行哪些反应的一系列选择从分子目标向更简单的起始材料反向工作。这个游戏具有挑战性,因为可能的选择的组合空间是天文数字,并且每个选择的价值仍然不确定,直到综合计划完成并且其成本被评估。在这里,我们使用深度强化学习来解决这个问题,以确定在逆向合成计划的每个步骤中做出(接近)最佳反应选择的政策。利用模拟经验或自我发挥,我们训练神经网络,根据其分子结构的表现,估计任何给定分子的预期合成成本或价值。我们表明,基于该价值网络的学习策略优于使用最少数量的反应从可用起始材料合成非熟悉分子的启发式方法。我们将讨论如何将此处描述的学习策略纳入现有的综合规划工具,以及如何将其应用于合成成本目标或材料可用性的变化。
translated by 谷歌翻译