基于硬件加速的 COVID-19 随机流行病学模型仿真推断
分布式、并行与集群计算
2022-02-16 v1 人工智能
硬件体系结构
摘要
流行病学模型在理解与控制大规模大流行中处于核心地位。若干流行病学模型需要基于仿真的推断（如近似贝叶斯计算（ABC））以将参数拟合至观测数据。ABC 推断高度适于高效的硬件加速。本工作中，我们开发了针对 COVID-19 随机流行病学模型的并行 ABC 推断。该统计推断框架在 Intel Xeon CPU、NVIDIA Tesla V100 GPU 与 Graphcore Mk1 IPU 上实现并比较，结果结合其计算架构进行讨论。结果表明 GPU 比 Xeon CPU 快 4 倍，IPU 快 30 倍。大量性能分析指出，IPU 与 GPU 的差异可归因于 IPU 更高的通信带宽、内存更贴近计算单元以及更高的计算能力。所提框架在 16 个 IPU 上可扩展，在所执行实验中扩展开销不超过 8%。我们给出了框架实际应用的示例，对该流行病学模型在三个国家间进行推断，并简要概述结果。
引用
@article{arxiv.2012.14332,
title = {Hardware-accelerated Simulation-based Inference of Stochastic Epidemiology Models for COVID-19},
author = {Sourabh Kulkarni and Mario Michael Krell and Seth Nabarro and Csaba Andras Moritz},
journal= {arXiv preprint arXiv:2012.14332},
year = {2022}
}