CosmoFlow：利用深度学习大规模认知宇宙
宇宙学与河外天体物理
2018-11-13 v2 天体物理仪器与方法
机器学习
计算物理
摘要
深度学习是一种有前景的工具，用于确定描述我们宇宙的物理模型。为应对此问题可观的计算代价，我们提出 CosmoFlow：一个构建于 TensorFlow 框架之上的高度可扩展深度学习应用。CosmoFlow 使用高效的 3D 卷积与池化原语实现，并结合许多逐元素操作的线程改进，以提升在 Intel(C) Xeon Phi(TM) 处理器上的训练性能。我们还利用 Cray PE Machine Learning Plugin 实现到多节点的高效扩展。我们在 Cori 的 8192 个节点上展示了具有 77% 并行效率的完全同步数据并行训练，达到 3.5 Pflop/s 的持续性能。据我们所知，这是 TensorFlow 框架在超级计算机规模下首个完全同步训练的大规模科学应用。这些增强使我们能够处理大型 3D 暗物质分布，并以空前精度预测宇宙学参数 、 与 n。
引用
@article{arxiv.1808.04728,
title = {CosmoFlow: Using Deep Learning to Learn the Universe at Scale},
author = {Amrita Mathuriya and Deborah Bard and Peter Mendygral and Lawrence Meadows and James Arnemann and Lei Shao and Siyu He and Tuomas Karna and Daina Moise and Simon J. Pennycook and Kristyn Maschoff and Jason Sewall and Nalini Kumar and Shirley Ho and Mike Ringenburg and Prabhat and Victor Lee},
journal= {arXiv preprint arXiv:1808.04728},
year = {2018}
}
备注
11 pages, 6 pages, presented at SuperComputing 2018