通过可扩展贝叶斯推断学习可见宇宙星表
分布式、并行与集群计算
2016-11-11 v1 天体物理仪器与方法
机器学习
应用统计
机器学习
摘要
Celeste是一种推断天文星表以达到最先进科学结果的流程。迄今为止，Celeste已扩展到最多数百兆字节的天文图像：贝叶斯后验推断以计算量大而著称。在本文中，我们报告了Celeste的可扩展并行版本，适用于从现代大规模天文数据集中学习星表。我们的算法创新包括用于贝叶斯后验推断的快速数值优化例程，以及将天文优化问题分解为子问题的统计高效方案。我们的可扩展实现完全用Julia编写，这是一种为科学和数值计算设计的新高级动态编程语言。我们利用Julia的高级构造实现共享和分布式内存并行，并在NERSC Cori超级计算机上的多达8192个Xeon核心上展示了有效的负载平衡和高效扩展。
引用
@article{arxiv.1611.03404,
title = {Learning an Astronomical Catalog of the Visible Universe through Scalable Bayesian Inference},
author = {Jeffrey Regier and Kiran Pamnany and Ryan Giordano and Rollin Thomas and David Schlegel and Jon McAuliffe and Prabhat},
journal= {arXiv preprint arXiv:1611.03404},
year = {2016}
}
备注
submitting to IPDPS'17