Wat machine learning kan doen voor high performance computing

19 JUL 2018

Zijn machine learning en deep learning geschikt om wetenschappelijke workloads op een supercomputer te verbeteren, versnellen of vervangen? Dat onderzoeken we, samen met partners uit diverse wetenschapsgebieden, in het project Machine learning enhanced high performance computing applications in het kader van SURF Open Innovation Lab.

Sneller, nauwkeuriger en goedkoper

De belangrijkste workloads die op een supercomputer draaien bestaan doorgaans uit verschillende vormen van numerieke simulaties. Onlangs zijn wetenschappers begonnen met het toepassen van machine learning-technieken om traditionele rekenkundige simulaties, zoals weersvoorspellingen, te verbeteren. De eerste resultaten wijzen uit dat deze modellen, die machine learning en traditionele simulatie combineren, de nauwkeurigheid en snelheid kunnen verbeteren en de kosten aanzienlijk verlagen.

Potentie voor tal van onderzoeksdomeinen

Voor ons vormde dit het startpunt van het project Machine learning enhanced high performance computing applications. In dit project onderzoeken we of en hoe machine learning en deep learning geschikt zijn om wetenschappelijke workloads, zoals numerieke simulaties, te verbeteren, versnellen of vervangen. De overtuiging is dat naarmate wetenschappers meer vertrouwd raken met deze nieuwe aanpak en naarmate de methodologieën robuuster worden, machine learning de potentie heeft om de standaard tooling te worden voor tal van wetenschappelijke domeinen.

Use cases

Binnen het project hebben we 4 use cases geselecteerd in verschillende domeinen waarin de mogelijkheden worden onderzocht om traditionele HPC-simulaties te verbeteren met machine learning algoritmen: 

  • Machine-Learned turbulence in next-generation weather models – Dr. Chiel van Heerwaarden, Meteorology and Air Quality Group, Wageningen Universiteit;
  • Generating physics events without an event generator – Dr. Sacha Caron, Experimental High Energy Physics, Radboud Universiteit;
  • Distinguising biological interfaces from crystal artifacts in biomolecular complexes using deep learning – Prof. Alexandre M.J.J. Bonvin, Computational Structural Biology, Universiteit Utrecht; 
  • Machine learning for accelerating planetary dynamics in stellar clusters – Prof. Simon Portegies Zwart, Computational Astrophysics, Universiteit Leiden.

Meer informatie

Neem voor meer informatie contact op met Caspar van Leeuwen via caspar.vanleeuwen@surfsara.nl of lees zijn blog.

Laatste wijziging op 19 jul 2018