دانشمندان و مهندسان آزمایشگاه برنده سه جایزه برای بهترین اختراعات در مسابقه R&D 100 شدند.

نیوزویز – دانشمندان و مهندسان آزمایشگاه ملی لاورنس لیورمور (LLNL) موفق به کسب سه جایزه در میان 100 اختراع برتر جهان شده اند.
مجله تجارت مجله تحقیق و توسعه جهانی اخیراً برندگان جوایز را که اغلب به آنها «اسکار نوآوری» می گویند، معرفی کرد و محصولات تجاری جدید، فناوری ها و موادی را که برای فروش یا مجوز برای اهمیت فناوری در دسترس هستند، شناسایی کرد.
با نتایج امسال، آزمایشگاه اکنون در مجموع 179 جایزه R&D 100 از سال 1978 جمع آوری کرده است. جوایز در شصت و یکم اهدا خواهد شدSt جشن R&D 100 جوایز کراوات سیاه در 16 نوامبر در سن دیگو.
جوایز 100 تحقیق و توسعه LLNL امسال شامل یک بسته نرم افزاری است که به کاربرد تکنیک های یادگیری عمیق در چالش های علم و داده های بزرگ در تحقیقات سرطان کمک می کند. نرم افزاری که به درک بهتر قدرت، انرژی و عملکرد ابررایانه ها کمک می کند. و یک فرمت عددی که فشردهسازی سریع و دقیق دادهها را برای برنامههای ابررایانه مدرن امکانپذیر میسازد.
هر سه برنده جایزه LLNL R&D 100 “وجوه اولیه” داخلی را از برنامه تحقیق و توسعه هدایت شده آزمایشگاهی (LDRD) دریافت کردند. این بودجه امکان انجام پروژههای با ریسک بالا و بالقوه با سود بالا را در خط مقدم علم و فناوری فراهم میکند.
کیم بودیل، مدیر آزمایشگاه، گفت: «جوایز R&D 100 هر ساله متحولکنندهترین فناوریهای بازی را نشان میدهد. “محققان در LLNL تلاش می کنند تا به مهم ترین چالش های پیش روی جهان امروز از طریق علم و فناوری نوآورانه رسیدگی کنند و این جوایز به رسمیت شناختن مهمی از تأثیر این کار است.”
این نرم افزار از اکتشافات علمی پشتیبانی می کند
ابررایانه ها می توانند تحقیقات و اکتشافات علمی قابل توجهی را انجام دهند، اما به هماهنگی پیچیده کدهای برنامه، اجزای سخت افزاری مختلف و نرم افزار سیستم نیاز دارند.
سیستمهای کارآمد میتوانند درخواستهای کاربر بیشتری را رسیدگی کنند، سرعت اکتشافات علمی را بهبود بخشند، و به درک بهتر هزینههای انرژی و انرژی کمک کنند، و امکان استفاده بهتر در شیوههای ابررایانه را فراهم کنند.
تیمی از دانشمندان کامپیوتر در LLNL، Variorum، یک کتابخانه نرمافزاری خنثی برای نمایش و نظارت بر قدرت، انرژی، و عملکرد دیسکهای سختافزاری سطح پایین در معماریهای مختلف به شیوهای مناسب برای ابرکامپیوتر، توسعه دادهاند.
این بخشی از پروژه محاسباتی Exascale (ECP) وزارت انرژی (DOE) است، بهویژه پروژه Argo، که در آن Variorum یک جزء کلیدی مدیریت انرژی در سطح گره در ابتکار PowerStack برای محاسبات با کارایی بالا (HPC) است.
Variorum بر سهولت استفاده و کاهش بار یکپارچه سازی در برنامه های علمی و گردش کار تمرکز دارد. پشتیبانی از هر سه ابرکامپیوتر آینده ایالات متحده – El Capitan در LLNL، Aurora در آزمایشگاه ملی Argonne، و Frontier در آزمایشگاه ملی Oak Ridge – و بسیاری از سیستمهای HPC دیگر را فعال کرده است.
تیم Variorum توسط دانشمند کامپیوتر آزمایشگاه Lab Tapasya Patki رهبری می شود و شامل دانشمندان علوم کامپیوتر Aniruddha Marathe، Barry Rountree، Eric Green، Kathleen Shoga و Stephanie Brink می شود.
تسریع حرکت داده ها برای ابر رایانه ها
تیمی از محققان LLNL ZFP را توسعه دادند، یک نرم افزار منبع باز که داده های عددی را بسیار سریع فشرده می کند و امکان کاهش حرکت داده ها را فراهم می کند، چیزی که برای برنامه های کاربردی محاسباتی با کارایی بالا (HPC) امروزی حیاتی است. عملکرد HPC تا حد زیادی توسط حرکت داده ها محدود می شود، نه قدرت محاسباتی خام.
ZFP به کاربران کامپیوتر اجازه می دهد تا داده های عددی را با استفاده از فضای کمتر ذخیره کنند تا بتوانند مجموعه داده های بزرگ تری را در حافظه جمع کنند یا فضای دیسک مورد نیاز را کاهش دهند. ZFP همچنین به کاربران این امکان را میدهد که دادهها را بهعنوان مثال بین حافظه و دیسک، بین گرههای محاسباتی مختلف در یک ابر رایانه و از طریق اینترنت، سریعتر انتقال دهند، به طوری که فرستنده آن را فشرده میکند، دادهها را به شکل کاهشیافته منتقل میکند و گیرنده آن را به ترتیب از حالت فشرده خارج میکند. برای بازیابی داده های اصلی
ZFP به طور موثر حافظه واحد پردازش مرکزی (CPU) و واحد پردازش گرافیکی (GPU) موجود را تا 10 برابر افزایش می دهد. ذخیره سازی آفلاین را از 10 برابر به 100 بار کاهش می دهد. و – با کاهش حجم داده ها – حرکت داده ها را تسریع می کند.
برخلاف فرمتهای فشرده رقیب که برای ذخیرهسازی فایلها طراحی شدهاند، ویژگی منحصربهفرد ZFP این است که از دسترسی تصادفی با سرعت بالا به عناصر آرایه – برای عملیات خواندن و نوشتن – برای ذخیرهسازی در حافظه نیز پشتیبانی میکند.
ZFP توسط تیمی از محققان LLNL به رهبری دانشمند کامپیوتر پیتر لیندستروم و از جمله دانشمندان کامپیوتر دانیل آشر و مارک اس میلر توسعه داده شد. علاوه بر این، سه کارمند سابق آزمایشگاه – استیون هربین، متیو لارسن و مارکوس سالاسو – که از آن زمان LLNL را ترک کردهاند، بخشی از تیم بودند.
کندل به بیماران سرطانی کمک می کند
پروژه ECP-CANDLE (پروژه محاسباتی Exascale—محیط یادگیری توزیع شده سرطان) منابع ترکیبی DOE و موسسه ملی سرطان را گرد هم آورد تا با بکارگیری تکنیک های یادگیری ماشینی و یادگیری عمیق در مجموعه داده های سرطان در مقیاس بزرگ در محاسبات توزیع شده، تحقیقات خاص سرطان را تسریع بخشد. محیط.
بسته نرمافزاری بهدستآمده به نام CANDLE، ویژگیها و قابلیتهای کلیدی را در اختیار محققان سرطان قرار میدهد تا بتوانند تعاملات مولکولی را با استفاده از شبیهسازیهای دینامیکی مطالعه کنند و پاسخهای درمانی و همچنین مسیر و نتایج بیمار را پیشبینی کنند.
به عنوان بخشی از یک کنسرسیوم پنج آزمایشگاهی، این کار منجر به تمرکز ویژه تیم LLNL در CANDLE بر روی توسعه ابزارها، الگوریتمها و روشهای یادگیری عمیق توزیعشده مقیاسپذیر در جعبه ابزار منبع باز Livermore Big Artificial Neural Neural (LBANN) و هدایت توسعه شد. مدلهای شبکه عصبی نشاندهنده انتقال حالت مجتمع پروتئین RAS-RAF هنگام اتصال به غشای لیپیدی است.
چندین نوآوری کلیدی که توسط تیم تحقیقاتی LLNL ایجاد شد، ایجاد یک الگوریتم مسابقات یادگیری عمیق مقیاسپذیر، ذخیرهسازی دادههای توزیعشده در حافظه مقیاسپذیر بهینهسازی شده برای یادگیری شبکههای عصبی عمیق، بهبود روشهای موازیسازی تانسور و مدل، و توانایی تنظیم پویا محاسبات بود. هسته هایی که برای معماری های سخت افزاری HPC نسل بعدی بهینه شده اند.
علاوه بر این، پروژه CANDLE و تیم LLNL تلاش کردند تا ابزارهای یادگیری عمیق خارجی مانند PyTorch، DeepSpeed و Megatron-LM را برای اجرا بر روی نسل اول کامپیوترهای exascale فعال کنند و همچنین به بهینه سازی عملکرد آنها در این سیستم ها کمک کنند.
همکاران CANDLE عبارتند از: Argonne، Oak Ridge، Lawrence Livermore، و Los Alamos National Laboratories، و همچنین آزمایشگاه ملی Fredrick برای تحقیقات سرطان.
بخش LLNL از تیم ECP-CANDLE توسط برایان ون اسن، دانشمند کامپیوتر آزمایشگاهی و فرد استریتز دانشمند اصلی کامپیوتر رهبری می شود و شامل اعضای فعلی تیم تام بنسون، آدام مودی، تال بن نون، نیکول درایدن، و پیر فیدوروویچ می شود. دیوید هیسوم، سام آد جاکوبز، نائویا مارویاما و تیم مون، کارکنان سابق آزمایشگاه.
برای اطلاعات بیشتر:


