XiaoMi-AI文件搜索系统
World File Search SystemMaui
个人简历 VINOD KUMAR，博士 主席兼......
DOE：能源部、DOD：国防部、NREL：国家可再生能源实验室、NETL：国家能源技术实验室、ORNL：橡树岭国家实验室、AFRL：空军研究实验室、AFTC：空军测试中心、HAFB：霍洛曼空军基地、MHPCC：毛伊高性能计算中心、UTEP：德克萨斯大学埃尔帕索分校、GFDL：地球物理流体动力学实验室、MHD：磁流体动力学、HPC：高性能计算研究资助的研究活动● UTEP（PI Kumar、Bronson、Sharma、Tandon、Tosh）、UNM（Lead、PI Vorobieff）、NMSU、NMT、PVTAMU V 和 Sandia（PI Tezaur）。，“里奥格兰德百亿亿次级模拟高级研究联盟 (Grande CARES)”，DOE NNSA MSIPP，2022-27，500 万美元（UTEP 125 万美元） ● V. Kumar (PI)，“6 马赫钝拱顶的边界层转变测量”，AFOSR，2022-24，65 万美元 ● V. Kumar (PI)，扩大国家高级建模与仿真基金会，DOE/ASCR，2022-23，4.4 万美元 ● A. Bronson (PI)、V. Kumar (Co-PI)、O. Cedillos (Co-PI)，“HF 合金熔体反应润湿形成 B4C 填料床陶瓷复合材料”，AFOSR，2021-2024，45 万美元 ● V. Kumar ( PI )、R. Edmonds (合作者 - 霍洛曼空军基地)，“HHSTT 雪橇水制动现象的 CFD 建模”，AFOSR， 2019 年 6 月 - 2022 年 12 月，360,000 美元（AFOSR 270,000 美元）● V. Kumar（PI）、V. Tandon、B. Calvo，“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2022 年，60,000 美元● V. Kumar（PI）、V. Tandon、B. Calvo，“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2021 年，65,000 美元● V. Kumar（PI）、N. Agarwal（共同 PI），“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2020 年，64,000 美元● V. Kumar（PI）、N. Agarwal（共同 PI），“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会(TWC)，2019 年，32,000 美元 ● V. Kumar (PI)、N. Agarwal (Co-PI)，“探索针对 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2018 年，26,000 美元 ● C. Ramana (PI)、V. Kumar (CO-PI)、A. Bronson (CO-PI)、D. Hodges (CO-PI)，“收购原子层沉积系统以实现用于极端环境应用的先进高电气强度材料”，AFOSR，2019-20 年，590,000 美元 ● V. Kumar ( PI )、R.Gudimetla (合作者 –AFRL)，“遥感和成像物理学：开发深湍流对长路径激光传播影响的新指标”，AFOSR，2017 年 5 月 – 2020 年 5 月，150,000 美元 ● A. Bronson (PI)、V. Kumar (Co-PI)，“Hf-Ti-Me 合金熔体与 B4C 的计算实验反应润湿”，AFOSR，2017 年 8 月 15 日 – 2020 年 8 月 14 日，668,710 美元（AFOSR 45 万美元）● V. Kumar (PI)、W. Spotz（合作者 – Sandia），“流化床实验的高保真计算模型”，NETL - 能源部-化石能源，2015 年 9 月 1 日 – 2018 年 8 月 31 日，400,000 美元● V. Tandon (PI)、V. Kumar (Co-PI)、N. Soheil (Co-PI)、C. Ferregut (Co-PI)、W. Stern - GFDL (合作者)，● V. Kumar (Co-PI)，“了解气候变化对德克萨斯州交通系统的影响和成本”，TxDOT，2015 年 9 月 - 2017 年 8 月，25 万美元 ● V. Tandon (PI)、V. Kumar (Co-PI)，“了解气候变化对公路水力设计程序的影响”，SPTC 研究、教育和推广支持，2015 年 11 月 1 日至 2017 年 10 月 31 日，9 万美元 ● V. Kumar (PI)，“Sunshot 粒子接收器项目：近黑体、封闭式粒子接收器与流化床热交换器集成”，分包（NREL、DOE），2014 年 12 月 - 2015 年 3 月，27,808 美元
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。