单神经元分辨率全脑动力学的海量并行因果推断
分布式、并行与集群计算
2020-11-24 v1 动力系统
定量方法
摘要
经验动态建模（EDM）是一种非线性时间序列因果推断框架。EDM 的最新实现 cppEDM 因计算成本仅用于小数据集。随着数据收集能力的增长，极大需要在大规模数据集中识别因果关系。我们提出 mpEDM，一种面向现代以 GPU 为中心的超级计算机优化的 EDM 并行分布式实现。我们改进原始算法以减少冗余计算，并优化实现以充分利用 GPU 与 SIMD 单元等硬件资源。作为一个用例，我们在 AI Bridging Cloud Infrastructure (ABCI) 上使用以单神经元分辨率采样的完整动物脑数据集运行 mpEDM，以识别全脑的动态因果模式。mpEDM 比 cppEDM 快 1530 倍，且在 512 个节点上以 199 秒分析了含 101,729 个神经元的数据集。这是迄今规模最大的 EDM 因果推断。
引用
@article{arxiv.2011.11082,
title = {Massively Parallel Causal Inference of Whole Brain Dynamics at Single Neuron Resolution},
author = {Wassapon Watanakeesuntorn and Keichi Takahashi and Kohei Ichikawa and Joseph Park and George Sugihara and Ryousei Takano and Jason Haga and Gerald M. Pao},
journal= {arXiv preprint arXiv:2011.11082},
year = {2020}
}
备注
10 pges, 10 figures, accepted at IEEE International Conference on Parallel and Distributed Systems (ICPADS)2020, corresponding authors: Keichi Takahashi, Gerald M Pao