[ad_1]
Interferometer gelombang gravitasi berbasis darat seperti LIGO telah mendeteksi puluhan sumber gelombang gravitasi. Kemajuan ilmiah lebih lanjut akan lebih cepat jika kerangka kerja AI untuk deteksi gelombang gravitasi skala produksi dikembangkan.
Simulasi numerik dari dua lubang hitam yang bergabung dengan distribusi yang disebut gelombang gravitasi. Kredit gambar: NASA Universe melalui Flickr, CC OLEH 2.0
Makalah terbaru di arXiv.org memperkenalkan pendekatan yang mengoptimalkan model AI untuk inferensi yang dipercepat. Para peneliti menggabungkan AI dan komputasi kinerja tinggi (HPC) untuk mempercepat pelatihan model AI, mengoptimalkannya, dan memaksimalkan ilmunya dengan mendistribusikan inferensi ke puluhan GPU.
Menggunakan deteksi sinyal yang dipercepat dengan HPC dalam skala besar, satu bulan data strain LIGO canggih diproses dalam waktu 50 detik menggunakan 20 node di superkomputer ThetaGPU. Model-model ini mempertahankan sensitivitas yang sama seperti model AI tradisional, tidak melaporkan kesalahan klasifikasi, dan mengurangi waktu-untuk-wawasan hingga 3x.
Kami memperkenalkan ansambel model kecerdasan buatan untuk deteksi gelombang gravitasi yang kami latih di superkomputer Summit menggunakan 32 node, setara dengan 192 GPU NVIDIA V100, dalam waktu 2 jam. Setelah sepenuhnya terlatih, kami mengoptimalkan model ini untuk inferensi yang dipercepat menggunakan NVIDIA TensorRT. Kami menggunakan ansambel AI yang dioptimalkan untuk inferensi di superkomputer ThetaGPU di Argonne Leadership Computer Facility untuk melakukan inferensi terdistribusi. Menggunakan seluruh superkomputer ThetaGPU, yang terdiri dari 20 node yang masing-masing memiliki 8 GPU NVIDIA A100 Tensor Core dan 2 CPU AMD Rome, ansambel AI yang dioptimalkan NVIDIA TensorRT kami memproses data LIGO lanjutan selama sebulan penuh (termasuk aliran data Hanford dan Livingston) dalam 50 detik. Ansambel AI kami yang dioptimalkan inferensi mempertahankan sensitivitas yang sama dengan model AI tradisional, yaitu, mengidentifikasi semua penggabungan lubang hitam biner yang diketahui sebelumnya diidentifikasi dalam dataset LIGO canggih ini dan melaporkan tidak ada kesalahan klasifikasi, sementara juga memberikan kecepatan inferensi 3X dibandingkan dengan model kecerdasan buatan tradisional . Kami menggunakan slide waktu untuk mengukur kinerja ansambel AI kami untuk memproses data LIGO tingkat lanjut hingga 5 tahun. Dalam kumpulan data yang disempurnakan secara sintetis ini, ansambel AI kami melaporkan rata-rata satu kesalahan klasifikasi untuk setiap bulan data LIGO lanjutan yang ditelusuri. Kami juga menyajikan kurva karakteristik pengoperasian receiver dari ansambel AI kami menggunakan dataset LIGO canggih yang telah berumur 5 tahun ini. Pendekatan ini menyediakan alat yang diperlukan untuk melakukan deteksi gelombang gravitasi berbasis AI yang dipercepat dalam skala besar.
Makalah penelitian: Chaturvedi, P., Khan, A., Tian, M., Huerta, EA, dan Zheng, H., “AI yang dioptimalkan dengan inferensi dan komputasi kinerja tinggi untuk deteksi gelombang gravitasi pada skala”, 2022. Tautan: https://arxiv.org/abs/2201.11133
[ad_2]
