用于学习随机偏微分方程解的高度可扩展物理信息GAN
计算物理
2019-10-31 v1 机器学习
机器学习
摘要
正问题与反问题的不确定性量化是物理与生物医学领域的核心挑战。我们通过将随机计算模型与观测数据利用物理信息GAN模型相结合，解决了汉福德场址地下水流建模问题中的这一挑战。汉福德场址的地理范围、空间异质性及多相关长度尺度要求训练一个计算密集的GAN模型至数千维。我们开发了一种利用域并行性的分层方案，将判别器与生成器映射到多个GPU，并采用高效通信方案以确保训练稳定性与收敛性。我们开发了该方案的高度优化实现，其在Summit超级计算机上扩展至27500块NVIDIA Volta GPU与4584个节点，扩展效率达93.1%，实现了1228 PF/s的峰值与1207 PF/s的持续半精度速率。
引用
@article{arxiv.1910.13444,
title = {Highly-scalable, physics-informed GANs for learning solutions of stochastic PDEs},
author = {Liu Yang and Sean Treichler and Thorsten Kurth and Keno Fischer and David Barajas-Solano and Josh Romero and Valentin Churavy and Alexandre Tartakovsky and Michael Houston and Prabhat and George Karniadakis},
journal= {arXiv preprint arXiv:1910.13444},
year = {2019}
}
备注
3rd Deep Learning on Supercomputers Workshop (DLS) at SC19