카카오스토리

모든 산업을 위한 AI 솔루션 구현 두 번째

기업들은 가장 큰 문제를 해결하기 위해 인공 지능(AI)으로 눈을 돌렸습니다. 강력한 AI 플랫폼이 기존 Workflow에 통합되면 의료 분야에서 보다 정확하고 빠른 진단을 가능하게 하는 것부터 소매 분야에서 개인화된 고객 경험을 제공하는 것에 이르기까지 비즈니스가 개선됙 산업이 변화됩니다. 어떤 일이 일어나고 있는지 알아보세요.

이전 포스팅에서 보건의료와 소매에 이어서 이번 포스팅에서는 통신과 금융 서비스, 산업까지 3가지에 대해 알아보도록 하겠습니다.

1. 통신

AI는 통신 산업에서 커뮤니케이션의 새로운 물결을 열 고 있습니다. GPU와 5G 네트워크의 힘을 활용하여 스 마트 서비스를 엣지로 가져와 배포를 단순화하고 잠재력 을 최대한 발휘할 수 있습니다. 공공 서비스는 교통 카메 라와 AI를 사용하여 교통 혼잡, 보행자 안전 및 주차에 대한 실시간 통찰력을 생성하여 도시를 더 안전하고 스 마트하며 친환경적으로 만들 수 있습니다.

2Hz

2Hz, Inc.는 NVIDIA T4 및 V100 GPU로 구동되는 소음 억제 기술로 라이브 통화에 선명도를 제공합니다. 2Hz의 딥 러닝 알고리 즘은 CPU보다 최대 20배까지 확장되며 GPU에서 TensorRT를 실행하여 2Hz는 실시간 통신을 위한 12밀리초(ms) 대기 시간 요 구 사항을 충족합니다.

China Mobile

NVIDIA EGX로 구동되는 China Mobile의 5G 네트워크는 회사의 Chengdu Research Institute를 통해 접근 가능한 대화형 교육을 제공하고 있습니다. 이 연구소는 NVIDIA CloudXR 클라우드 플랫폼과 가상 현실(VR)의 힘을 사용하여 5G를 통해 학교 를 연결하여 더 적은 자금과 자원으로 시설에 전국의 다른 학교와 동일한 품질의 교육을 제공하는 데 필요한 도구를 제공하고 있습 니다.

차이나 모바일은 필수 응급 서비스도 돕고 있습니다. 5G 네트워크를 통해 연결된 드론은 인구가 희박하고 접근이 불가능한 산 및 산림 지역의 산불을 조기에 원격으로 감지합니다. 비디오, 이미지 및 적외선 스캔을 네트워크를 통해 실시간으로 전달함으로써 긴급 구조 본부가 신속하게 분석하고 가장 중요한 화재 지점에 팀을 배치할 수 있습니다.

envrmnt

5G는 대기 시간이 20ms 미만인 기가비트 속도를 비롯한 다양한 컴퓨팅 기능을 제공합니다. 이를 통해 Verizon Envrmnt 팀 은 강력한 NVIDIA GPU를 배포하여 Verizon의 고성능 컴퓨팅 운영을 강화하고 분산 데이터 센터를 구축하게 되었습니다.

5G는 또한 장치를 더 얇고 가벼우며 배터리 효율을 높여 렌더링, 딥 러닝 및 컴퓨터 비전을 구동할 수 있는 메모리 집약적 병렬 처리의 문 을 열어줍니다. 이러한 발전을 활용하기 위해 Verizon은 네트워크 전체에 NVIDIA GPU를 내장하고 있습니다. 대규모 데이터 센 터, 이러한 GPU가 공급하는 수백 개의 소규모 데이터 센터, 그리고 이러한 GPU가 지원하는 수천 개의 소규모 셀 사이트에 있습니 다.

2. 금융 서비스

금융 서비스 산업은 실시간 사기 모니터링 및 탐지 를 개선하고 콜센터 운영을 개선하며 고객 경험을 개인화하기 위해 AI를 통합하고 있습니다.

AMERICAN EXPRESS

American Express는 사기 거래를 방지하기 위해 딥 러닝 생성 및 순차 모델을 개발하고 있습니다. 대부분의 금융 사기 사용 사례 에서 머신 러닝 시스템은 과거 거래 데이터를 기반으로 구축됩니다. 수천만 명의 고객과 판매자로 구성된 글로벌 통합 네트워크를 통 해 American Express는 방대한 양의 정형 및 비정형 데이터에 액세스할 수 있습니다.

이 리소스를 사용하여 딥 러닝 모델을 사용 하여 실시간으로 입금을 스캔하고 사기 거래와 관련된 패턴을 식별한 다음 이상 징후를 표시하는 기계 학습 시스템을 개발하고 있습 니다.

CapitalOne

모바일 뱅킹 사용자 수는 2021년까지 20억 명에 이를 것으로 예상됩니다. 이러한 성장에 대응하여 Capital One은 GPU 기반 딥 러닝을 사용하여 자연어 문자 메시지에 응답하는 SMS 문자 기반 지능형 비서인 Eno를 개발했습니다.

Eno는 Capital One 고객이 추 적 잔액 및 최근 요금 또는 청구서 지불 여부에 관계없이 계정을 24x7 관리할 수 있도록 지원하여 모바일 뱅킹을 한 차원 높였습니다.

PayPal

PayPal은 높은 기준을 설정하는 새로운 사기 탐지 시스템을 배포하고 있으며, 전 세계적으로 연중무휴 24시간 운영되고 실시간 으로 작동하여 잠재적인 사기로부터 고객 거래를 보호합니다. NVIDIA T4 GPU를 사용하는 이 새로운 수준의 서비스는 GPU 추론 을 사용하여 실시간 사기 탐지를 10% 개선하는 동시에 CPU 기반 시스템에 비해 서버 용량을 거의 8배 낮춥니다.

3. 산업

AI 지원 스마트 공장은 제조 환경을 바꾸고 있 습니다. 산업 및 제조 회사는 실시간 통찰력을 제공하는 GPU 가속화된 대규모 AI 솔루션을 배 포하여 품질을 개선하고 운영 효율성을 높이고 비용 을 절감하고 더 스마트하고 안전한 작업 환경을 구 축하는 데 도움이 됩니다.

BMW

사우스캐롤라이나주 스파르탄버그는 연간 45만 대의 차량을 생산하는 BMW 그룹의 세계 최대 공장의 본거지입니다. 완벽한 배 송 경험을 보장하기 위해 BMW는 GPU를 사용하여 전체 차량 검사를 자동화하는 지능형 이미지 분석을 지원합니다.

NVIDIA EGX 에지 서버를 사용하여 70초 내에 차량당 1,000개의 이미지를 캡처하는 카메라 어레이의 데이터를 처리할 수 있습니다. 시스템은 최고의 정밀도 로 품질을 확인하고 각 고객의 정확한 주문 사양과 일치하도록 수백 가지 사용자 정의 옵션을 확인합니다.

MUSHSHi

Musashi는 전통적으로 복잡하고 수동적인 프로세스였던 기어, 캠축 및 용접부의 결함에 대한 광학 검사에 AI 기술을 활용합니다. NVIDIA DGX Station 및 Tensor Core GPU를 사용하여 TensorFlow 기반 네트워크 알고리즘을 개발하고 훈련하여 이미지를 분 석하고 결함을 식별했습니다. 그런 다음 Musashi는 제조 현장의 NVIDIA Jetson에서 훈련된 추론 알고리즘을 신속하게 구축 및 배포 하여 필요에 따라 제조 프로세스를 발전시키고 조정할 수 있는 능력을 제공할 수 있었습니다.

SEAGATE

Seagate는 에지에서 클라우드로 배포되는 최첨단 딥 러닝 기술을 사용하여 제조 품질 보증을 혁신하고 있습니다. NVIDIA Tensor Core GPU에서 훈련되고 에지에서 추론에 최적화된 이 솔루션은 반도체 웨이퍼, 전기 부품 및 어셈블리의 결 함 검사를 자동화하여 검사 정확도, 제품 품질 및 공장 효율성을 크게 향상시킵니다.

모든 산업을 위한 AI 솔루션 구현

기업들은 가장 큰 문제를 해결하기 위해 인공 지능(AI)으로 눈을 돌렸습니다. 강력한 AI 플랫폼이 기존 워크플로에 통합되면 의료 분야에서 보다 정확하고 빠른 진단을 가능하게 하는 것부터 소매 분야에서 개인화된 고객 경험을 제공하는 것에 이르기까지 비즈니스가 개선되고 산업이 변화됩니다. 어떤 일이 일어나고 있는지 알아보세요.

AI 비즈니스 사례로는 보건의료, 소매, 통신, 금융 서비스, 산업에 걸쳐 5가지 정도로 나뉠 수 있습니다. 내용이 긴 관계로 두 포스팅으로 나뉘어 진행 하도록 하겠습니다.

이 포스팅에는 보건의료와 소매로 진행하며, 다음 포스팅에서 통신과 금융 서비스, 산업 3가지를 확인해 보세요. 

1. 보건의료

세계 최고의 조직은 의사와 과학자에게 AI를 제공 하여 삶과 연구의 미래를 변화시키는 데 도움을 주 고 있습니다. AI를 통해 상호 운용 가능한 데이터를 처리하 고 개인화 의료 및 차세대 클리닉에 대한 증가하 는 수요를 충족하며 워크플로에 고한 지능형 애플리케이션을 개발하고 이미지 분석 및 생명 과 학 연구와 같은 영역을 가속화할 수 있습니다.

King's College London

King's College London은 영국 연구 및 혁신(UKRI)이 자금을 지원하는 가치 기반 의료를 위한 런던 의료 영상 및 인공 지능 센터 (AI4VBH)의 일부로 연합 학습 및 알고리즘 배포 플랫폼을 만들기 위해 NVIDIA 및 OWKIN과 협력했습니다.

이 플랫폼은 4개의 NHS 파트너 병원을 연결하여 환자의 개인 정보를 보호하면서 분산된 데이터 세트를 형성합니다. 이 연합 데이터세트는 센터 파트너가 사용 할 수 있으며 암 및 심부전에서 치매 및 뇌졸중에 이르기까지 광범위한 영역에서 연구, 임상 및 운영 개선을 제공하는 데 사용됩니다.

AI4VBH 센터는 고도로 최적화되고 가속화된 AI를 위해 NVIDIA DGX-2™ 및 DGX-1 슈퍼컴퓨터와 NVIDIA Clara™ 툴킷을 활용합니다.

MGH & BWH

MGH(Massachusetts General Hospital)와 BWH(Brigham and Women's Hospital) 임상 데이터 과학 센터의 과학자들은 Partners HealthCare와 연합 학습 이니셔티브를 시작했습니다. 임상의와 연구자는 다양한 데이터 세트에 액세스하여 진료 현장에 서 사용할 수 있는 더 나은 AI 모델을 개발할 수 있습니다.

동시에 이 이니셔티브는 이러한 개별 기여를 활용하여 환자의 개인 정보를 손상시키지 않으면서 글로벌 모델을 만들 것입니다. MGH & BWH 임상 데이터 과학 센터는 NVIDIA DGX 딥 러닝 시스템과 NVIDIA Clara의 개인 정보 보호 연합 학습 기능을 사용하여 여러 기관에서 AI를 개발하고 배포할 수 있습니다.

Oxford Nanopore Technologies

Oxford Nanopore Technologies는 휴대용 저비용 실시간 DNA 및 RNA 시퀀서인 MinION 장치로 병원체 발견을 가속화하고 있습니다. MinION에 연결하는 것은 휴대용 AI 슈퍼컴퓨터인 MinIT입니다. NVIDIA AGX™로 구동되는 MinIT는 언제 어디서나 누 구나 DNA 및 RNA 시퀀싱을 가능하게 하여 실험실까지 배송하는 시간을 없애고 답변에 걸리는 시간을 몇 달에서 몇 시간으로 단축 합니다.

2. 소매

Accenture 보고서에 따르면 AI는 성장과 수익성 을 높여 2035년까지 소매업체에 2조 2천억 달러 가치의 가치를 창출할 수 있습니다. 대규모 디지털 혁신이 진행됨에 따라 업계는 AI를 사용하여 자산 보호를 개선하고 매장 내 분석을 제공하며 운영을 간소화함으로써 비즈니스 가치를 높일 수 있습니다.

지능형 매장은 GPU 기반 인텔리전스 비디오 분석(IVA)을 활용하여 스캔 오류를 실시간으로 정 확하게 감지하고 인기 있는 통로, 고유 방문자 및 고객 인구 통계에 대한 데이터를 수집할 수 있습니다.

AIFI

AiFi는 현재 24시간 연중무휴 자동 계산대 없는 매장인 NanoStore를 소매 대기업 및 대학과 함께 파일럿 테스트 중입니 다. NanoStores는 500개 이상의 다양한 제품을 보유하고 NVIDIA T4 Tensor Core GPU로 구동되는 이미지 인식을 사용하여 상품 선택을 캡처하고 고객 탭에 추가합니다.

TRACXPOiNT

매장 내 소매 경험을 온라인 경험만큼 간소화하기 위해 Tracxpoint는 인공 지능 카트(AIC)를 만들었습니다. NVIDIA DGX Station™에서 교육을 받고 NVIDIA® TensorRT® 를 사용하여 추론 하고 NVIDIA Jetson™ TX2 에서 Deepstream SDK 로 실시간 비디오 분석을 수행할 수 있는 AIC는 1초 이내에 100,000개 제품을 인식할 수 있습니다.

고객은 장바구니에 제품을 담기만 하면 됩니다. 또한 AIC는 실시간으로 공급업체로부터 개인화된 제안을 제공하고 고객이 슈퍼마켓을 쉽게 탐색할 수 있 도록 지원하며 자동 디지털 결제를 수락합니다.

Walmart

4,700개 미국 매장에 100,000개 이상의 다양한 제품이 있는 Walmart Labs 데이터 과학 팀은 매주 5억 개의 매장 조합 에 대한 수요를 예측해야 합니다. CUDA-X AI™ 및 NVIDIA GPU를 기반으로 구축된 NVIDIA RAPIDS™ 오픈 소스 데이터 과학 및 머신 러닝 라이브러리로 예측을 수행함으로써 Walmart 팀은 머신 러닝 기능을 100배 더 빠르게 엔지니어링하고 알 고리즘을 20배 더 빠르게 훈련할 수 있습니다.

AI 모니터 지구의 활력

DEEPSAT, 딥 러닝 프레임워크 위성 이미지 분류, 조치 지표면의 변화와 그 영향 탄소 및 기후 모니터링

AI를 통한 변호 모니터링

지구의기후는 역사를 통해 변해왔스비다. 마지막으로 650,000년 동안 빙하의 전진과 후퇴를 7번의 주기로 겪었고, 마지막 빙하기(약 7,000년 전)의 갑작스러운 종말은 근대 기후의 시작과 인간 문명.

이러한 기후 변화의 대부분은 매우 작은 변화에 기인합니다. 태양 에너지의 양을 변경하는 지도 궤도에서 우리 행성을 받습니다. 그러나 최근의 많은 변화는 탄소의 증가된 양과 직접적인 관련이 있습니다.

대기 NASA 고다드 우주 연구 연구소(GISS) 과학자들이 매월 지구 온도를 분석한 결과, 2016년 9월은 136년 동안의 현대 기록 보관 기간 중 가장 따뜻한 9월이었습니다.

이러한 변화의 영향을 감안할 때 위성 이미지에서 지표면을 모니터링하고 영향을 이해할 필요가 있습니다. 작물 수확량 변화, 초목 및 기타 경관에 대한 온난화가 매우 중요합니다. 그러나 인공위성 이미지를 자동화 분류는 위성 데이터 고유의 높은 변동성과 충분한 훈련 데이터의 부족으로 인해 도전 과제입니다.

대부분의 방법은 연구 지역(전 세계)을 감안할 때 확장하기 어려운 상용 소프트웨어에 의존하며 컴퓨팅 및 메모리 집약적 처리, 비용, 대규모 병렬 아키텍처, 머신 러닝 자동화.

DeepSAT를 위한 딥 러닝

지구의 건강 상태를 더 잘 파악하기 위해 NASA는 위성 이미지 분류 및 분할을 위한 딥 러닝 프 레임워크인 DeepSat을 개발했습니다. NASA의 지구 과학 및 탄소 모니터링 시스템 내 심층 신 경망의 앙상블인 DeepSat은 가능한 가장 높은 해상도로 지형 변화의 중요한 신호를 제공하여 과 학자들이 독립적인 모델링 작업에 데이터를 사용할 수 있도록 합니다.

DeepSat은 다음을 포함하여 다양한 방식으로 사용됩니다.

cuDNN NVIDIA Tesla®가 탑재된 슈퍼컴퓨터 GPU 클러스터 배출을 상쇄하기 위해 식생 경관에 의해 격리된 탄소의 양; 고해상도에서 기후 예측 변수를 축소 하기 위해; 도시 열섬 및 옥상 태양열 효율과 같은 효과를 평가할 수 있는 중요한 레이어를 제공 합니다. DeepSat은 수백만 개의 조정 가능한 매개변수를 사용하여 훈련된 강력한 모델 라이브러리를 제 공하고 매우 크고 노이즈가 많은 데이터 세트에 걸쳐 확장할 수 있습니다.

NVIDIA GPU의 컴퓨팅 성능을 통해 NASA는 미국 대륙에서 330,000개의 이미지 장면을 조사 한 결과 네트워크를 훈련할 수 있었습니다. 평균 이미지 타일은 6000 x 7000픽셀이었고 각각 무게 는 약 200MB였습니다. 이 샘플의 전체 데이터 세트는 1미터의 지상 샘플 거리와 함께 단일 시대에 대 해 65TB에 가까웠습니다.

NASA는 또한 모델 훈련을 위해 다양한 토지 덮개 유형을 나타내는 레이블 이 지정된 다각형으로 손으로 생성한 대규모 훈련 데이터베이스(SATnet)를 구축했습니다.

CNN 모델 은 NVIDIA® DIGITS™ DevBox에서 훈련되었으며 훈련된 모델은 모든 217,088 NVIDIA CUDA® 코어 가 있는 NVIDIA Tesla® GPU가 장착된 NASA Ames Pleiades 슈퍼 컴퓨터 GPU 클러스터를 사용하는 이미지 장면 .

탄소 영향에 대한 더 확실한 파악

NVIDIA GPU로 구동되는 테스트 및 교육 성능은 전반적으로 눈에 띄게 개선되었습니다. 입 력 크기를 늘리면 노이즈가 적은 경사하강법, 분류를 위한 더 많은 컨텍스트를 제공하는 더 큰 이미지, 향상된 분류/분할 정확도가 가능해졌습니다.

교육 시간이 단축되어 자동으로 더 많은 실험과 더 빠른 혁신이 이루어졌습니다. "우리의 최고의 네트워크 데이터 세트는 97.95%의 분류 정확도를 생성했으며 3개의 최첨 단 물체 인식 알고리즘보다 11% 더 우수한 성능을 보였습니다."라고 Ganguly는 말했습 니다.

지구의 행동에 대한 그러한 통찰력은 산업, 국가 및 인류 자체에 잠재적인 영향을 미칩니다. 지구의 활력 징후의 변화를 보여주는 이미지는 정부가 자연 재해에 대비할 수 있도록 더 잘 준비할 수 있습니다.

즉, 산불, 홍수 및 눈사태의 위험이 있는 지역을 보여줍니다. 또한 더 덥 고 건조한 지구에서 농작물 생산을 지원하고 해수면, 온도 및 산도 수준에 대한 더 깊은 통찰력 을 제공할 수 있습니다. 그것우리 지구의 미래가 그것에 달려 있다고 해도 과언이 아닙니다.

AI 퀀텀 돌파구

프로리다 대학과 노스 캐롤라이나 대학은 ANAKIN-ME 신경망 엔진을 개발하여 매우 저렴한 비용으로 높은 정확도로 계산 속도로 빠른 양자 역학 시뮬레이션을 생성합니다.

양자 화학(QC) 가속화 약물 발견

제약 산업에서 약물 발견은 길고 비용이 많이 드는 과정입니다. 평균 12년 26억 달러가 소요됩니다.

시장에 화학, 약물 발견 프로세스를 가속화하는 한 가지 핵심은 분자 역학(MD)을 보다 정확하게 시뮬레이션하는 능력입니다. 수백만 개의 잠재적인 약물 조합을 신속하게 선별하여 연구자들이 가장 유망한 옵션에 에너지를 집중할 수 있습니다.

모든 약물 발견은 잠재적인 효능을 이해하기 위해 분자 시뮬레이션이 필요합니다. 분자 에너지, 수백만 개의 분자가 서로 상호 작용하는 방식을 결정하기 위해 스캔되는 곳에서 이러한 이해를 돕습니다.

그러나 정확한 MD 시뮬레이션을 위해서는 정확한 양자 역학(QM) 시뮬레이션도 필요합니다. QM 시뮬레이션은 수백만 개의 잠재적인 약물을 정확하게 스크리닝하는 과정에 필수적입니다.

불행히도 QM 시뮬레이션은 계산 비용이 너무 많이 들기 때문에 연구자들은 정확도가 떨어지는 도구를 사용해야 합니다. 결과적으로 덜 효과적인 약물 후보가 됩니다. 시스템 크기의 입방체 전력(O(N3))으로 DFT 스케일을 사용하여 정확한 분자 에너지 계산. 따라서 정확한 계산은 상대적으로 작은 것으로 제한됩니다.

MD 시뮬레이션을 위한 시스템 및 짧은 시간 척도, 여기에 더해 QM으로 1천마 개의 약물 후보를 스크리닝 시뮬레이션을 계산하는데 최대 5년이 걸릴 수 있습니다. 이 느리고 값비싼 과정 때문에 플로리다 대학(UFL)과 노스캘롤라이나 대학(UNC)의 연구원들이 모여 QM 시뮬레이션의 정확성과 동시에 프로세스를 수년에서 단 몇 분으로 단축합니다.

QC 시뮬레이션을 위한 딥러닝

QM 시뮬레이션 시간과 비용의 문제를 해결하기 위해 UF 화학과 Adrian Roitberg 박사와 UNC Eshelman School of Pharmacy 박사 Olexandr Isayev의 감독하에 일하는 UF 화학 대학원 생 Justin S. Smith가 개발했습니다.

ANAKIN-ME(분자 에너지를 위한 정확한 NeurAI 네트워크 엔진) 또는 줄여서 ANI라고 하는 새로운 시뮬레이션 절차 및 방법. ANI는 QM 에너지 함수를 학습하여 계산적으로 빠르고 매우 정확한 분자 에너지 표면, 기하학 및 힘을 생성하는 심층 신경망입니다.

오늘날 계산된 분자 구조의 총 수는 2천만 개 이상입니다. ANI는 NVIDIA GPU와 함께 딥 러닝을 사 용하여 계산 비용이 100배 더 비싼 방법만큼 정확한 분자의 분자 에너지 표면을 예측합니다. ANI는 또 한 C, H, N, O, S, F 원자가 있는 모든 유기 분자로 이동할 수 있습니다. 이 분자는 화학/의학, 화학/약물 발견 공간의 상당 부분을 다루고 있으며 더 많은 요소가 진행 중입니다. 또한 ANI는 결합을 끊고 화학 반응 을 기술하여 현대의 가장 큰 한계 중 하나를 극복합니다.

포스 필드.

기본적으로 ANI는 Schrodinger 방정식의 Hamiltonian을 학습하도록 훈련되었으며 결과는 거의 즉각적입니다. ANI의 정확도는 화학적 정확도 내에 있는 참조 DFT 데이터에서 약 ~1kcal/ mole입니다.

ANI는 또한 1,000,000배의 속도에서 동등한 화학적 정확도를 제공하여 QC 시뮬레이 션을 위한 첫 번째 원칙 모델을 재현할 수 있습니다.마지막으로, ANI는 CPU에서 240일 동안 NVIDIA GPU를 사용하여 단 8분 만에 천만 개의 약물 후보를 스크리닝할 수 있습니다.

시장 출시 시간 단출

ANI는 약물 발견 및 재료 과학을 위한 완전히 새로운 세상을 엽니다.ANI, 초대형 시스템 및 시 간 척도를 활용하면 딥 러닝 시뮬레이션을 통해 일상적으로 액세스할 수 있습니다. 더 중요한 것 은 이제 더 빠르고 정확한 신약 스크리닝이 가능하며 분자 합성 및 수많은 실험을 수행하는 비용을 없 애 비용을 크게 절감할 수 있다는 것입니다.

“분자 에너지에 대한 빠르고 정확한 설명은 약물 발견 및 재료 과학을 포함한 많은 분야에서 획기적 인 발전으로 이어질 수 있습니다. ANI는 컴퓨터 화학의 다음 혁명을 시작할 수 있습니다." 플로리다 대학의 화학 대학원생인 Justin S. Smith. ANI를 사용하면 발견 가능성이 무궁무진합니다.

ANI는 저렴한 방법이 실패하고 진 정한 MD가 필요하지만 비용이 많이 드는 곳에서 우세합니다. 더 높은 효율을 위해 태양 전지를 모델링하든 후기 약물 발견에서 다형체 문제라고 불리는 문제를 해결 하든 ANI는 물질 특성의 변화를 예측하고 분자 상호 작용에 대한 더 큰 이해를 제공하며 결국 제품을 시 장에 출시하는 데 도움이 됩니다.

길을 가다 융합에너지로 딥 러닝으로

딥 러닝은 토카망 핵융합로의 붕괴를 예측하고 청정 에너지로 가는 길을 닦는데 사용됩니다.

수백만 년 동안 지구에 적력을 공급하다

우리 시대의 가장 큰 도전 중 하나는 지속 가능한 청정 에너지원을 찾는 여기 지구에서 우리의 미래에 힘을 실어주세요. 과학자 오늘날 융합이 그 핵심이라고 믿습니다. 미래 작은 것을 활용하는 능력을 상상해보십시오. 에너지 원자로 내의 태양의 약속이라면 융합이 실현될 수 있으며, 수백만 명의 주요 에너지원이 됩니다.

다른 형태의 에너지와 달리 핵융합은 폭주 반응이 일어날 수 없기 때문에 본직적으로 안전합니다. 조건의 가장 간단한 변화는 즉시 반응을 켄칭합니다. 주요 연료원인 중수소는 지구의 바다에 풍부하게 존재하며 폐기물을 50년 이내에 빠르게 부패합니다. 가장 중요한 것은 핵융합을 위한 에너지 곱셈 계수가 잠재적으로 450:1만큼 높다는 것입니다.

세계 최대의 실험용 핵융합로인 국제 ITER 시설의 연구원들은 순 에너지를 생산하는 최초의 핵융합 시스템을 구축하기 위해 노력하 고 있습니다. ITER는 오랜 기간 동안 핵융합 반응을 유지할 수 있는 최초의 제어 장치가 될 것입니다. 그러나 대규모 파괴 사건으로 인해 플라즈마(하전 입자의 매우 뜨거운 가스)가 구속을 벗어나 "토카막"으로 알려진 수십억 달러 장치에 심각한 손상을 일으킬 수 있기 때문에 이러한 연소 플라즈마 반응을 유지하는 것은 매우 어렵습니다. 성공하려면 ITER이 진정으로 지속 가능한 에너지원을 만 드는 경로를 방해하는 중단을 예측, 대응 및 최소화하거나 피할 수 있어야 합니다.

계선을 위한 딥 러닝 예측

붕괴를 피하고 안전하게 핵융합 반응을 예측하고 조종하기 위해 계속해서 전력을 생산하기 위해 프린스턴 대학의 연구원들은 고급 기계 학습 FRNN(Fusion Recurrent Neural Network) 예측 코드를 개발했습니다.

FRNN 은 딥 러닝 방법을 사용하고 200 NVIDIA® Pascal™ P100 GPU로 성공적으로 확장하여 자기적으로 제한된 핵융합 토카막 장치의 원자로 관련 조건에서 매우 해로운 붕괴 사건의 시작. 교란은 자기장이 파괴되어 물리적 구속 용기에 다양한 수준의 손상과 함께 방전이 빠르게 종료되는 대규모 이벤트입니다.

중단되는 동안 기계는 플라즈마의 열 에너지와 전류가 밀리초 미만으로 소멸되기 때문에 막대 한 열 및 전자기 부하를 받습니다. 적은 수의 사건으로도 피해를 입으면 지속 가능한 토카막 핵융합로 건설 이 불가능합니다. 예측에 사용되는 기존의 고성능 컴퓨팅 시뮬레이션은 너무 정확하지 않고 느립니다.

그러 나 지난 10년 동안 전통적인 기계학습 방법이 개선되어 약 85%의 정확도, 5%의 오탐율 및 중단의 시작을 예측할 수 있습니다. 이 전에 약 30밀리초의 회피를 위한 충분한 시간과 함께 이벤트. 필요한 추가 개선 사항을 제공하기 위해 딥 러닝 컨볼루션 및 순환 신경망 기능은 이제훈련 및 관련 예측에 사용되는 JET(Joint European Tokamak) 실험의 대규모 데이터베이스 와 함께 FRNN 소프트웨어에서 구현됩니다.

Google Tensorlow 프레임워크로 개발된 FRNN 소프트웨어는 딥 러닝을 사용하여 충분한 양의 핵융합 플라즈마 파괴를 예측합니다. 손상 및 가동 중지 시간을 최소화하는 시간 ‒ 오늘날의 강력한 JET(Joint European Torus)와 같은 열핵 융합 실험과 궁극적으로 연소 플라즈마 ITER 실험을 위한 것입니다. 에 의해 JET의 과거, 시간 종속, 0차원(포인트/스칼라) 진단 데이터를 사용하여 중단을 감지하도 FRNN 훈련 실험, Princeton 연구원은 예측 능력을 초과할 수 있습니다.

90%의 정확도를 달성함으로써 기존 시뮬레이션 5% 위양성 비율. 이를 통해 (i) 딥 러닝 소프트웨어의 이식성을 입증하는 주요 목표를 향한 길을 잘 가고 있습니다. JET와 같은 하나의 주요 실험에 대해 현재의 다른 많은 토카막 시설 및 결국 ITER에 한 교육을 받았습니다. (ii) 적시에 대응 95%의 정확도와 신뢰성을 제공하는 예측 기능 30밀리초 이상 전에 양성 및 5% 미만의 거짓 양성 혼란의 시작.

미래를 위한 동력

ITER는 연소 플라즈마 토카막 실험입니다. 10의 에너지 곱셈 계수 - 즉, 성공하면 ITER에서 10을 생성합니다. 소비하는 에너지의 양을 곱합니다. 일단 점화되면 열이 포착됩니다. 융합 반응에 의해 열 에너지를 유지하기에 충분할 것입니다. 연료가 유지되는 한 핵융합 반응이 지속되는 데 필요한 범위 추가했습니다.

상업용 발전소에서 이를 통해 생산된 에너지는 원자의 융합은 용기 벽에서 열로 흡수되어 생성 증가와 터빈과 발전기에 의한 전기 ITER는 작은 사업이 아닙니다. 7개 정부(유럽 연합, 일본, 중국, 한국, 인도, 러시아 및 미국)의 회원 세계 인구의 절반 이상을 대표하는 이 단체의 목표는 하나를 정복하는 것입니다. 지구에서 무한한 에너지를 재생산하는 과학의 위대한 개척지 그것은 태영과 별에 연료를 공급합니다.

21세기 계획 도구 AI 기반

NVIDIA GPU 기반 AI는 전 세계 인구 분포의 매핑 및 분석을 가속화합니다.

인류의 필요 매핑

지구 인구가 70억에 이르고 성장함에 따라 인구 분포는 사회적 요구를 충족시키는 데 필수적입니다. 인프라, 자원 및 필수 서비스. Oak Ridge national Laboratory(ORNL)의 과학자들은 더 완전한 그림을 만들기 위해 노력합니다.

ORNL의 노력은 대규모 생성 및 분석에 중점을 두고 있습니다. 다학제적 문제 해결을 위한 솔루션 개발을 위한 자리 데이터 예상 인구 증가를 위해서는 학교 등이 필요합니다. 74억 명의 사람들이 계획을 세워야 합니다. 그것은 많은 데이터와 그것을 처리할 수 있는 많은 컴퓨팅 능력입니다.

Urban Dynamics Institute의 이사이자 GIST(Geographic Information Science and Technology) 그룹의 그룹 리더인 Budhendra Bhaduri는 "컴퓨팅 기능이 제한적이었습니다." 오래된 문제는 우리가 정보를 추출하기에 충분한 컴퓨팅이 없는 데이터에 빠져있습니다. 우리는 이제 문제를 해결했습니다.

순식간에 도시 이해하기

매핑 정착에는 위성 이미지 특징을 추출, 표현, 모델링 및 해석할 수 있는 고급 알고리즘이 포함됩니다. 10년 전 CPU 기반 아키텍처의 자동화 된 기능 추출 알고리즘의 합의 식별 속도를 높이는 데 도움이 되었습니다.

그러나 인구의 급격한 변화(예: 마이그레이션 또는 자연재해 이후의 변화)를 식별하려면 더 많은 컴퓨팅 성능이 필요했습니다. GPU와 ORNL의 LandScan 고화질 세계 인구 데이터를 사용하여 ORNL팀은 이제 고해상도 위성 이미지를 신속하게 처리하여 인간 거주지와 변화하는 돗 역할을 매핑할 수 있습니다.

NVIDIA Tesla GPU의 병렬 처리 기능을 통해 연구원들은 계산 비용이 많이 드는 기능 설명자 알고리즘을 개발하고 사용하여 최대 200배의 극적인 속도로 이미지를 처리할 수 있었습니다.

처리 시간의 가속화는 이러한 대규모 프로젝트에 매우 중요합니다. Bhaduri는 "약 200평방 마일에 달하는 에티오피아의 수도인 아디스아바바를 20초 이내에 처리할 수 있습니다. 예전에는 며칠이 걸리던 그 시간 안에 지상에 있는 모든 건물을 추출할 수 있습니다"

70억의 삶에 영향을 미치다

ORNL의 작업 결과는 지구상의 모든 사람의 삶에 영향을 미칠 기능성이 있습니다. NVIDIA GPU는 학교 및 교육, 물 분배 등과 같은 주요 사회 서비스를 계획하는 데 중요한 글로벌 커뮤니티 매핑을 가속화하고 있습니다.

이것의 보다 효율적인 계획, 상품 및 서비스 제공, 부족한 자원을 보다 효율적을 사용합니다.

Bhaduri는 계속해서 "위성 이미지를 처리하는 전례 없는 능력으로 우리는 인구 조사에서 한 번도 언급된 적이 없는 사람들을 발견했습니다. 이전에 알려지지 않은 인구분포를 이해하면 전 세계적으로 기본적인 인적 서비스를 제공하는 데 도움이 될 것입니다." 소아마비 퇴치 노력에서 얻은 자식은 서아프리카 에볼라 발병에 대한 비상 대응에도 적용되었습니다.

재난이 발생하면 ORNL은 대응자가 피해를 평가하고 그에 따라 대응할 수 있도록 지도와 분석을 신속하게 생성할 수 있습니다. Bhaduri는 "세계 어느 곳에서나 재해가 발생하는 경우 영상으 확보하는 즉시 대응자에게 매우 유용한 정보를 생성하여 며칠이 아닌 몇 시간 만에 복구할 수 있습니다."라고 말했습니다.

GPU를 통해 ORNL 연구원은 정기적으로 난민 캠프를 매핑하는 것부터 인도적 지원 계획에 이르기까지 토네이도에 취약한 이동 주택 정착지를 식별하는 것까지 이전에는 할 수 없었던 방식으로 데이터 세트를 분석할 수 있습니다. 결국 그들의 작업은 생명을 구하고 있으며 기술을 더 잘 활용하는 방법은 없습니다.

중력을 보다 Deep과 실시간 학습

레이저 간섭계 중력과 관측소(LIGO)는 수백만 광년 떨어진 중력파를 실시간으로 감지합니다.

천체 물릭학의 새로운시대

불과 한 세기 전 아인슈타인은 자신의 혁명적 이론을 소개했습니다. 일반 상대성 이론. 아인슈타인도 그의 동시대 사람도 처음에는 어떤 자연적인 결과를 받아들였습니다. 블랙홀의 존재와 같은 이 이론의 중력파.

100년 후인 2015년 9월 14일, 레이저 간섭계 중력파 관측소(LIGO)의 쌍발 탐지기가 아인슈타인의 예측과 일치하는 신호를 감지했습니다. 한 쌍의 블랙홀과 그 결과 단일 블랙홀의 나선형 및 병합 블랙홀. 이러한 관찰을 통해 LIGO는 중력파와 블랙홀이 쌍성계를 형성할 수 있음을 증명했습니다.

현재까지 LIGO가 달성한 위업 총 4번. 그리고 최근에 LIGO 및 VIGRO 감지기가 처음으로 중력파 방출을 들었습니다. 두 개의 중성자 별의 충돌에 의해 - 관측 가능한 빛도 방출하는 우주 사건. 이 이벤트는 천체 물리학 사건을 동시에 보고 듣는 다중 메신저 천체 물리학의 시작.

중력파를 감지하고 특성화하는 것은 계산적으로 까다로운 작업입니다. LIGO 데이터 그리드는 세계는 잡음이 많은 데이터에서 중력파 신호를 검색하는 데 사용됩니다. 중력파를 가속하기 위해 천문 시설인 LIGO를 통해 대기 시간이 짧은 전자기 및 천체 입자 추적을 가능하게 합니다. 과학자들은 XSEDE, Blue Waters 및 Open을 포함한 고성능 및 처리량 컴퓨팅 리소스를 사용합니다.

과학 그리드.

신경망 훈련

다중 메신저 천문학의 경계를 넓히기 위해 과학자들은 딥 러닝과 NVIDIA® Tesla® GPU 를 사용하여 실시간으로 데이터를 캡처하고 분석하고 있습니다. 특히 NCSA Gravity Group의 과학자인 Daniel George와 Eliu Huerta는 15개 레이어를 실행하는 심층 CNN(Convolutional Neural Network)을 개발하고 훈련했습니다.

그런 다음, 그들 은 그것을 NVIDIA Tesla GPU의 MXNet 프레임워크. 무작위 검색으로 CNN의 아키텍처를 설계하는 데는 3주 동안 300시간. 추가로 10시간이 미세 조정에 필요합니다. 신호의 매개변수를 감지하고 추정하기 위해 분류기와 예측기의 두 가지 유형 의 신경망이 개발되었습니다.

분류기는 배경 잡음보다 진폭이 훨씬 약한 신호를 감지하고 예측기는 이 러한 신호에서 매우 낮은 오류율로 블랙홀의 질량을 추정합니다. NSCA 시스템이 훈련되고 조정되면 기존 및 AI 추론 방법과의 패턴 일치를 비교했습니다.

결과는 천 문학적이었습니다. CNN은 원시 시계열 데이터에서 최고의 성능을 발휘하여 추가 계산 단계를 건너뛰 어 속도를 높이고 대기 시간을 줄이는 데 기여했습니다. AI 추론 방식은 성능을 100배 향상시켰고 GPU는 AI 추론 성능을 50배 향상시켰다. 추론의 전반적인 이점 GPU 하드웨어와 결합된 방법은 3차 이상의 크기.

새로운 시스템은 실시간 허용 오차 내에서 결과를 제공하여 다중 센서 조정을 가능하게 했습니다. 또한, 이 새로운 패러다임은 새로운 발견을 가능하게 합니다. 현재 누락된 중력파 소스의 클래스 중력파 탐지 알고리즘 확립, 새로운 과학적 발견.

우주의 어두운 부문을 들여다보다

NVIDIA GPU에서 실행되는 훈련된 CNN은 탐색 기능을 제공합니다. LIGO를 사용한 중력파 소스의 더 깊은 매개변수 공간. 이것, 천체 관측을 조정하는 능력과 결합 할 수 없는 천체 물리학 현상의 연구를 가능하게 할 것입니다. 다른 수단을 통해 관찰할 수 있습니다.

“중력파 천체물리학은 다학제적 노력입니다. NCSA에서 HPC, HTC, 분석 및 수치 분야의 전문 지식을 결합합니다. 중력파 소스 모델링. 그런 다음 우리는 혁신적인 분야의 경계를 넓히기 위한 인공 지능의 응용. 우리의 NVIDIA와의 파트너십은 우리의 일상 연구 활동의 핵심 요소입니다.

" University of Illinois at Urbana-Champaign의 NCSA 중력 그룹 책임자인 Eliu Huerta 박사는 말했습니다. “실시간 분석을 가능하게 하는 것은 10대 빅데이터 중 하나인 멀티메신저 천체물리학 실현의 열쇠 미국 국립과학재단(National Science Foundation)을 위한 미래 투자에 대한 아이디어.”

2015년의 첫 번째 신호 감지부터 계산 방식의 발명까지 NVIDIA GPU를 사용한 집중적인 접근 방식, LIGO는 우리가 중력을 참조하십시오. 운영의 지난 16개월 동안 1,000명 이상의 LIGO Scientific Collaboration(LSC) 회원이 참여했습니다. 충돌에 의한 중력파 검출 그러나 세 쌍의 블랙홀.

LIGO 및 Virgo와 같은 고급 감지기 사용 우주 및 지상 기반 전자기와 함께 관찰 망원경, 중성미자, 우주선 탐지기 등 과학계와 천체물리학자들에게 무한한 기회를 주기 위해 모든 메신저를 통해 우주를 탐험하세요.

GPU 기반 더 똑똑하고 더 빠르게 시각적 검색

Bing은 Nvidia ㅣ술을 배포하여 개체 감지 속도를 높이고 실시간으로 적절한 결과를 제공합니다.

시작적 검색: 합당한 이유

시작적 검색은 차세대 검색 분야로 간주되며 Microsoft의 Bing은 Nvidia GPU의 성능을 활용하여 이를 현실로 만들었습니다. 동시에 NVIDIA CUDA 프로파일링 툴체인 및 cuDNN을 사용ㅎ여 시스템을 보다 비용 효율적으로 만듭니다.

그러나 규모에 따른 시각적 검색은 쉬운 일이 아닙니다. 사용자가 사진 내의 개체 위에 마우스를 높일 때 적절한 결과를 즉시 제공하려면 이미지 내의 이미지를 분류 감지 및 일치하도록 훈련된 알고리즘에 의한 방대한 계사이 필요합니다. 또한 노력할 가치가 있습니다.

Bing의 수석 엔지니어인 Yan Wang은 "사진은 천 마디 말도다 가치가 있습니다"라고 말했습니다.

그러나 지금까지는 당신이 찾던 것을 기다리는 데 오랜 시간이 걸렸습니다. 2015년 Bing은 사용자가 허위 이미지 주위에 상자를 그리거나 플랫폼에서 이미 감지한 하위 이미지 상자를 클릭할 수 있는 이미지 검색 기능을 도입했습니다. 그런 다음 해당 이미지를 새로운 검색의 기초를 사용할 수 있습니다.

Bing은 사용자의 기대에 부응할 수 있을 만큼 충분히 빠른 솔루션을 찾았습니다. 그들은 개체 감지 플랫폼을 CPU에서 NVIDIA Tesla M60 GPU 가속기를 실행하는 Azure NV 시리즈 가상 머신으로 전환했습니다.

이를 통해 Bing은 객체 감지 대기 시간을 CPU에서 2.5에서 200밀리초로 줄였습니다. NVIDIA cuDNN을 통한 추가 최적화는 대부분의 애플리케이션에서 우수한 사용자 경험 임계값보다 훨씬 낮은 40밀리초로 낮췄습니다.

우수한 경험 만들기

NVIDIA GPU로의 전환에 대한 보상은 즉각적이었고 추론 지연 시간은 즉시 10배 감소했습니다. 그러나 Bing의 엔지니어들은 여기서 멈추지 않았습니다.

NVIDIA cuDNN GPU 가속 딥 러닝 라이브러리를 코드에 통합하고 드라이버 모드를 Windows 디스플레이 드라이버 모델에서 Tesla 컴퓨팅 클러스터로 업데이트하여 대기 시간을 40밀리초로 줄여 총 60배의 성능 향상을 달성했습니다. 이미지에서 더 많은 객체 범주를 감지하기 위해 빠른 R-CNN 2단계 프로세스에서 1단계 "단일 샷 감지" 프로세스로 이동했습니다. 이를 통해 기능 속도가 10배 빨라지고 80개 이상의 이미지 범주를 감지할 수 있습니다.

Bing 팀은 또한 필터 트리거 모델과 Microsoft의 ObjectStore 키-값 저장소를 활용하여 향후 사용을 위해 결과를 처리하고 캐시하는데 필요한 데이터 양을 제한합니다. 이를 통해 비용의 90% 이상을 절약할 수 있어 매일 받는 요청을 보다 경제적으로 처리할 수 있습니다.

ing Visual Search에서 제공하는 사용자 경험은 이러한 추가 노력을 반영합니다. Bing 검색 페이지에서 사용자는 "이미지 검색"을 선택하고 텍스트를 입력하거나 사진을 업로드한 다음 사진에서 자동으로 감지된 핫스팟을 선택하거나 관심 있는 부분에 상자를 그려 거의 즉각적인 검색 결과를 트리거할 수 있습니다. 예를 들어 지갑 위에 상자를 그리는 것은 가격 책정과 함께 수많은 지갑 구매 기회를 생성합니다.

개발 및 배포 측면에서 NVIDIA GPU로의 전환은 Bing 팀이 더 민첩하고 학습 및 혁신 속도를 높일 수 있도록 지원했습니다. CPU를 사용하면 중요한 변경이 있을 때마다 수십억 개의 이미지로 구성된 전체 데이터 세트에서 업데이트된 모델을 실행하는 데 몇 달이 걸립니다. GPU를 사용하면 이제 이 프로세스가 즉각적이므로 모델을 자주 업데이트하고 Bing 사용자에게 더 많은 기능을 제공하는 것이 실용적입니다.

획기적인 순간 시각적 검색용

이제 실시간 개체 감지 및 시각적 검색이 가능하여 Bing Visual Search가 획기적인 순간이 되었습니다. 더 깊고 복잡한 모델을 처리할 수 있는 기능을 통해 Bing Visual Search는 더 많은 범주의 감지 가능한 개체를 지원할 수 있습니다. 그리고 백엔드 모델에 대한 더 빠른 업데이트로 Bing은 개발 측면에서 더 많은 노력을 기울일 수 있습니다.

Clemson University HPC 관리자

NGC 컨테이너로 HPC 클러스터 향상 프로비저닝

Srinath와 Clemson HPC 관리 팀은 다음을 제공하는 솔루션이 필요했습니다. 원활한 HPC 경험을 제공하고 IT와 연구원 모두의 효율성을 극대화합니다. 또한 작업을 단순화하고 사용자가 더 빨리 연구를 수행할 수 있도록 해야합니다.

NGC 컨테이너 레지스트리에서 소프트웨어 컨테이너를 찾았습니다. GPU 최적화 애플리케이션 컨테이너는 HPC 관리자의 수고를 덜어줍니다. 응용 프로그램 및 모든 관련 종속성은 기본 하드웨어 또는 설치된 기타 소프트웨어에 구애받지 않는 독립형 환경에 패키징됩니다.

따라서 컨테이너는 설치 프로세스를 제거하고 클러스터의 다른 애플리케이션에 영향을 주지 않고 애플리케이션 배포를 완료할 수 있습니다.

예를 들어 컨테이너를 사용하면 HPC 관리자가 VMD와 같은 다른 애플리케이션을 방해하지 않고 NAMD와 같은 애플리케이션을 업그레이드할 수 있습니다.

그리고 한 사용자가 최신 버전의 NAMD를 사용하고 다른 사용자가 이전 버전으로 계속 작업하기를 원하면 두 버전 모두 자체 컨테이너에서 병렬로 실행할 수 있으므로 연구원이 시뮬레이션에 접근하는 방식에 유연성을 제공합니다.

그리고 한 사용자가 최신 버전의 NAMD를 사용하고 다른 사용자가 이전 버전으로 계속 작업하기를 원하면 두 버전 모두 자체 컨테이너에서 병렬로 실행할 수 있으므로 연구원이 시뮬레이션에 접근하는 방식에 유연성을 제공합니다.

컨테이너가 HPC에 제공하는 또 다른 중요한 이점은 재현성입니다. 이는 연구원에게 주요 고려 사항이지만 베어 메탈 설정에서는 달성하기가 매우 어렵습니다. 컨테이너에서 실행되는 응용 프로그램은 항상 동일한 환경을 사용하기 때문에 성능을 재현하고 이식할 수 있으므로 사용자가 연구를 공유하고 기반으로 구축할 수 있습니다.

NGC 컨티에너 배포 손쉬운 Palmetto

Clemson은 이러한 모든 이점을 보았지만 아마도 가장 중요한 것은 Srinath와 HPC 관리 팀이 Palmetto 클러스터에 컨테이너를 배포합니다.

HPC 환경용으로 설계된 Singularity에서 NGC 컨테이너를 실행함으로써 Srinath는 사용자에게 NVIDIA GPU Cloud에서 컨테이너를 다운로드하고 Singularity에서 컨테이너를 실행하는 단계별 지침을 안내합니다.

NGC 컨테이너는 또한 사용자가 TensorFlow와 같은 소프트웨어의 빈번한 릴리스에 대한 업데이트를 요구할 때 Srinath와 그의 팀이 보다 신속하게 대응할 수 있도록 합니다. Srinath는 "NGC 컨테이너가 Singularity에서 작동한다는 사실 외에 NGC 컨테이너에서 가장 좋아하는 것 중 하나는 최신 버전의 애플리케이션을 사용할 수 있다는 점입니다."라고 말했습니다.

컨테이너 혜택 관리자 및 비슷한 사용자

조직이 NGC 컨테이너의 이점을 경험하는 데 오랜 시간이 걸리지 않았으며 Clemson은 IT 부서에서 집안일을 크게 줄이는 것부터 시작하여 수많은 성과를 즉시 깨달았습니다.

Srinath는 "소프트웨어 설치에 소요되는 시간을 줄임으로써 우선 순위가 더 높은 작업을 확실히 처리할수 있습니다."라고 말했습니다. "예를 들어 워크플로 개선 또는 코드 병렬화와 같은 실제 문제가 있는 연구원을 도울 수 있습니다."

분자 역학 연구를 위해 단백질, 지질 및 핵산을 시뮬레이션하는 GROMACS와 같은 응용 프로그램을 설치하는 데 반나절 이상을 소비하는 대신 사용자는 이제 응용 프로그램을 몇 분 안에 배포할 수 있습니다. 클러스터에서 실행하십시오. Srinath는 반나절 작업을 분 단위로 줄이는 비율이 대부분의앱을 설치하는데 걸리는 시간을 나타냅니다.

HPC 단순환 신청 배포 엔비디아 GPU 클라우드 컨테이너

HPC 리소스 액세스 가능성에 대한 답 찾기

50개 이상의 대학 학과의 교수진과 대학원생이 연구를 지원하기 위해 고성능 컴퓨팅 (HPC) 리소스와 응용 프로그램을 찾고 있을 때 상황이 급하게 복잡해질 수 있습니다.

Clemson University에서 IT 관리자는 액세스 권한을 관리합니다. 2,000개 이상의 NVIDIA GPU로 구성된 학교의 Palmetto HPC 클러스터 최신 Tesla V100을 포함한 가속 노드. 다양한 연구 프로젝트에 참여하는 과학자들은 자주 시간을 요청합니다.

클러스터에서 분자 역학, 양자 화학, 전산 유체 역학 및 딥 러닝 전반에 걸쳐 가장 까다로운 시뮬레이션을 수행합니다.

Clemson IT 부서의 연구 진행자인 Ashwin Srinath는 “그들은 문제를 해결하고 싶어하는데 너무 커서 랩톱이나 워크스테이션에서 해결할 수 없습니다. “대부분의 우리 연구원들은 HPC가 작동하는 방식에 대해 별로 알고 싶어하지 않습니다.그들은 단지 정말 큰 기계에서 프로그램을 실행하기를 원할 뿐입니다.”

그러나 HPC 리소스에 이러한 종류의 서비스를 제공하기 위해 노력하는 것은 어려운 일입니다. 이미 복잡한 환경 모듈 네트워크의 베어메탈에 애플리케이션을 설치하거나 업데이트하면 IT가 느려지고 애플리케이션 액세스가 지연되어 연구 속도가 느려집니다. 종속성을 업데이트하면 의도치 않게 종속성 네트워크가 끊어져 다른 응용 프로그램이 중단되는 경우가 많습니다.

또한 지원해야 할 다양한 유형의 사용자와 프로젝트가 있기 때문에 HPC 관리자는 매우 다양한 애플리케이션에 대한 신규 설치 및 앱 업그레이드 요청을 이행하는 데 지나치게 많은 시간을 소비합니다. 일부 사용자는 이전 버전의 응용 프로그램에서 시뮬레이션을 실행하고 다른 사용자는 최신 기능에 액세스하기를 원할 수 있으므로 상황이 더욱 복잡해집니다.

여러 버전의 응용 프로그램을 설치, 업데이트 및 유지 관리해야 하는 것은 연구원 생산성을 저하시킬 수 있는 부차적인 우선 순위입니다.

아마도 더 중요한 것은 이렇게 추가된 IT 워크로드가 시뮬레이션을 실행하기 위해 더 오래 기다려야 함으로써 애플리케이션 사용자의 생산성을 저해한다는 것입니다.

또한 때때로 기능이 제한된 이전 버전의 애플리케이션에서 시뮬레이션을 실행하는 것 외에는 선택의 여지가 없어 제한된 통찰력과 차선의 결과를 얻을 수 있습니다.