机构名称：
¥ 1.0
简介：下一代科学工作流程预计将在由超级计算机、科学仪器、存储系统和网络组成的复杂联合体上执行，并新增了边缘和云系统和服务。这些多域联合体的复杂性使得管理和优化其性能变得困难，因为微小的阻抗不匹配（可以在系统之间动态发展）可能会大大降低整个联合体的性能。最近，软件定义一切 (SDX) 技术与容器化框架相结合，提供了可以监控和收集各个级别的关键测量值的自定义工具，以支持诊断和性能优化；但它们的数据太大，人类操作员和分析师无法处理和做出决策。从数据中提取关键参数、关系和趋势的机器学习 (ML) 方法提供了通用解决方案。必须基于坚实、严谨的基础为这些问题定制开发人工智能 (AI) 和 ML 方法，因为黑盒方法通常无效且不健全。用于测量驱动科学联盟的 AI-Science：我们建议为科学联盟的绩效开发全面的 AI-Science，以便 (i) 通过软件化层监控和控制跨多个领域的存储、网络、实验和计算系统，速度和规模比当前实践高出几个数量级，(ii) 通过使用动态状态和性能估计方法，以高性能最佳地实现和协调复杂的工作流程，以及 (iii) 汇总跨站点和时间的测量结果，以基于机器学习、博弈论和信息融合领域的基本原理使用 AI-Science 开发基础设施级配置文件、优化和诊断。这种方法为测量驱动、性能优化的科学联盟提供了以下功能：
用于科学仪器联合性能优化和诊断的 AI-Science
主要关键词
相关文件推荐
