optimas

Optimisation à grande échelle, optimisée par libEnsemble

Explorer les documents »

Voir les exemples · Assistance · Référence API

Optimas est une bibliothèque Python conçue pour une optimisation hautement évolutive, des ordinateurs portables aux supercalculateurs massivement parallèles.

Principales fonctionnalités

• Évolutivité : tirant parti de la puissance de libEnsemble, Optimas est conçu pour évoluer de manière transparente de votre ordinateur portable aux clusters de calcul hautes performances.
• Convivial : Optimas simplifie le processus d'exécution d'analyses et d'optimisations de paramètres parallèles importants. Précisez le nombre d'évaluations parallèles et les ressources informatiques à allouer à chacune d'elles et Optimas s'occupe du reste.
• Optimisation avancée : Optimas intègre les algorithmes de la bibliothèque Axe, offrant à la fois une optimisation bayésienne mono-objectif et multi-objectif. Cela inclut des techniques avancées telles que des algorithmes multi-fidélité et multi-tâches.

Installation

Vous pouvez installer Optimas depuis PyPI (recommandé) :

python -m pip install " optimas[all] "

de conda-forge :

conda install optimas --channel conda-forge

ou directement depuis GitHub :

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

Assurez-vous mpi4py est disponible dans votre environnement avant d'installer optimas. Pour plus de détails, consultez le guide d'installation complet. Nous avons également préparé des instructions d'installation dédiées pour certains systèmes HPC tels que JUWELS (JSC), Maxwell (DESY) et Perlmutter (NERSC).

Documentation

Pour plus d'informations sur l'utilisation d'Optimas, consultez la documentation. Vous trouverez des instructions d'installation, un guide d'utilisation, des exemples et la référence de l'API.

Soutien

Besoin d'aide supplémentaire ? Rejoignez notre chaîne Slack ou ouvrez un nouveau numéro.

Citer des optimas

Si votre utilisation d'Optimas conduit à une publication scientifique, pensez à citer l'article 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 }
}

et 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 }
}