optimas

Optimierung im großen Maßstab, unterstützt von libEnsemble

Entdecken Sie die Dokumente »

Beispiele anzeigen · Support · API-Referenz

Optimas ist eine Python-Bibliothek, die für hochskalierbare Optimierung entwickelt wurde, von Laptops bis hin zu massiv-parallelen Supercomputern.

Hauptmerkmale

• Skalierbarkeit : Optimas nutzt die Leistungsfähigkeit von libEnsemble und ist so konzipiert, dass es nahtlos von Ihrem Laptop auf Hochleistungs-Computing-Cluster skaliert werden kann.
• Benutzerfreundlich : Optimas vereinfacht die Durchführung großer paralleler Parameterscans und Optimierungen. Geben Sie die Anzahl der parallelen Auswertungen und die Rechenressourcen an, die jeder von ihnen zugewiesen werden sollen, und Optimas kümmert sich um den Rest.
• Erweiterte Optimierung : Optimas integriert Algorithmen aus der Axe-Bibliothek und bietet sowohl Einzel- als auch Mehrziel-Bayesian-Optimierung. Dazu gehören fortgeschrittene Techniken wie Multi-Fidelity- und Multi-Task-Algorithmen.

Installation

Sie können Optimas von PyPI installieren (empfohlen):

python -m pip install " optimas[all] "

von conda-forge:

conda install optimas --channel conda-forge

oder direkt von GitHub:

python -m pip install " optimas[all] @ git+https://github.com/optimas-org/optimas.git "

Stellen Sie sicher, dass mpi4py in Ihrer Umgebung verfügbar ist, bevor Sie Optimas installieren. Weitere Informationen finden Sie in der vollständigen Installationsanleitung. Wir haben auch spezielle Installationsanweisungen für einige HPC-Systeme wie JUWELS (JSC), Maxwell (DESY) und Perlmutter (NERSC) vorbereitet.

Dokumentation

Weitere Informationen zur Verwendung von Optimas finden Sie in der Dokumentation. Sie finden Installationsanweisungen, ein Benutzerhandbuch, Beispiele und die API-Referenz.

Unterstützung

Benötigen Sie weitere Hilfe? Treten Sie unserem Slack-Kanal bei oder eröffnen Sie eine neue Ausgabe.

Zitieren von Optimas

Wenn Ihre Nutzung von Optimas zu einer wissenschaftlichen Veröffentlichung führt, denken Sie bitte darüber nach, die Originalarbeit zu zitieren:

 @article { PhysRevAccelBeams.26.084601 ,
    title     = { Bayesian optimization of laser-plasma accelerators assisted by reduced physical models } ,
    author    = { Ferran Pousa, A. and Jalas, S. and Kirchen, M. and Martinez de la Ossa, A. and Th'evenet, M. and Hudson, S. and Larson, J. and Huebl, A. and Vay, J.-L. and Lehe, R. } ,
    journal   = { Phys. Rev. Accel. Beams } ,
    volume    = { 26 } ,
    issue     = { 8 } ,
    pages     = { 084601 } ,
    numpages  = { 9 } ,
    year      = { 2023 } ,
    month     = { Aug } ,
    publisher = { American Physical Society } ,
    doi       = { 10.1103/PhysRevAccelBeams.26.084601 } ,
    url       = { https://link.aps.org/doi/10.1103/PhysRevAccelBeams.26.084601 }
}

und libEnsemble:

 @article { Hudson2022 ,
    title   = { {libEnsemble}: A Library to Coordinate the Concurrent
                Evaluation of Dynamic Ensembles of Calculations } ,
    author  = { Stephen Hudson and Jeffrey Larson and John-Luke Navarro and Stefan M. Wild } ,
    journal = { {IEEE} Transactions on Parallel and Distributed Systems } ,
    volume  = { 33 } ,
    number  = { 4 } ,
    pages   = { 977--988 } ,
    year    = { 2022 } ,
    doi     = { 10.1109/tpds.2021.3082815 }
}