optimas

Optimización a escala, impulsada por libEnsemble

Explora los documentos »

Ver ejemplos · Soporte · Referencia API

Optimas es una biblioteca de Python diseñada para una optimización altamente escalable, desde computadoras portátiles hasta supercomputadoras masivamente paralelas.

Características clave

• Escalabilidad : Aprovechando el poder de libEnsemble, Optimas está diseñado para escalar sin problemas desde su computadora portátil hasta clústeres informáticos de alto rendimiento.
• Fácil de usar : Optimas simplifica el proceso de ejecución de grandes exploraciones y optimizaciones de parámetros paralelos. Especifica el número de evaluaciones paralelas y los recursos informáticos a asignar a cada una de ellas y Optimas se encargará del resto.
• Optimización avanzada : Optimas integra algoritmos de la biblioteca Ax, ofreciendo optimización bayesiana de objetivo único y multiobjetivo. Esto incluye técnicas avanzadas como algoritmos de fidelidad múltiple y tareas múltiples.

Instalación

Puedes instalar Optimas desde PyPI (recomendado):

python -m pip install " optimas[all] "

de conda-forge:

conda install optimas --channel conda-forge

o directamente desde GitHub:

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

Asegúrese de que mpi4py esté disponible en su entorno antes de instalar optimas. Para obtener más detalles, consulte la guía de instalación completa. También hemos preparado instrucciones de instalación dedicadas para algunos sistemas HPC como JUWELS (JSC), Maxwell (DESY) y Perlmutter (NERSC).

Documentación

Para obtener más información sobre cómo utilizar Optimas, consulte la documentación. Encontrará instrucciones de instalación, una guía del usuario, ejemplos y la referencia de API.

Apoyo

¿Necesitas más ayuda? Únase a nuestro canal Slack o abra una nueva edición.

Citando óptimos

Si su uso de Optimas conduce a una publicación científica, considere citar el artículo original:

 @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 }
}

y 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 }
}