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
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
可靠的感知和避免系统对于实现无人驾驶飞机的安全自主操作至关重要。现有的感知和避免方法通常需要专用的传感器,这些传感器太大或功率密集,无法用于小型车辆。本文提出了一种基于视觉图像序列估计物体距离的方法,允许使用低成本的机载单目相机作为简单的防撞传感器。我们提出了一种深度复现的卷积神经网络和训练方法,用于从视频序列生成深度图。我们的网络使用Microsoft AirSim模拟器生成的模拟摄像头和深度数据进行训练。从经验上看,我们证明了我们的模型与使用优先方法生成的模型相比具有更好的性能。我们进一步证明了该方法可以用于避免模拟中的障碍。
translated by 谷歌翻译
在大脑中,学习信号随时间和突触位置而变化,并且基于神经调节的复杂过程中突触的学习历史应用。另一方面,在人工神经网络中学习是通过在学习开始之前设置的超参数来形成的,其在整个学习期间保持静态,并且对于整个网络是均匀的。在这项工作中,我们提出了一种深度人工神经调节方法,它将生物神经调节的概念应用于随机梯度下降。演化的神经调节动力学在网络训练过程中修改深层神经网络中每层的学习参数。通过验证,相同的神经调节动力学可以应用于不同的模型,并可以扩展到进化过程中未遇到的新问题。最后,我们检查进化的神经调节,表明进化发现了动态的,特定位置的学习策略。
translated by 谷歌翻译
金融业的强有力规定意味着需要解释任何基于机器学习的决策。这排除了使用强大的监督技术,如神经网络。在这项研究中,我们提出了一种新的无监督和半监督技术,称为拓扑层次分解(THD)。此过程将数据集分解为较小的组,其中组与简单的复杂关联,该复杂关系接近数据集的基础拓扑。我们将THD应用于FICOmachine学习挑战数据集,其中包括使用MAPPER算法构建单纯复合体的匿名家庭资产借用应用程序。我们识别不同群体的个人无法偿还贷款,并通过从数据集上的两个THD中提取解释性解释,说明如何通过单纯复杂的特征值分布来解释给予或拒绝贷款的决定。
translated by 谷歌翻译
我们证明了条件自回归生成模型(vanden Oord等,2016a)在离散潜在空间(van den Oord等,2017b)上的应用,用于MCTS的前向规划。为了测试这种方法,我们引入了一个具有不同难度级别的新环境,以及移动目标和障碍。高质量框架生成和经典规划方法的结合几乎与我们的任务的真实环境性能相匹配,证明了该方法在动态环境中基于模型的规划的有用性。
translated by 谷歌翻译