optimas

Pengoptimalan dalam skala besar, didukung oleh libEnsemble

Jelajahi dokumen »

Lihat Contoh · Dukungan · Referensi API

Optimas adalah pustaka Python yang dirancang untuk pengoptimalan yang sangat skalabel, mulai dari laptop hingga superkomputer paralel besar.

Fitur Utama

• Skalabilitas : Memanfaatkan kekuatan libEnsemble, Optimas dirancang untuk menskalakan secara mulus dari laptop Anda ke cluster komputasi berkinerja tinggi.
• Ramah Pengguna : Optimas menyederhanakan proses menjalankan pemindaian dan pengoptimalan parameter paralel yang besar. Tentukan jumlah evaluasi paralel dan sumber daya komputasi yang akan dialokasikan ke masing-masing evaluasi dan Optimas akan menangani sisanya.
• Optimasi Tingkat Lanjut : Optimas mengintegrasikan algoritma dari perpustakaan Axe, menawarkan optimasi Bayesian tujuan tunggal dan multi-tujuan. Ini mencakup teknik-teknik canggih seperti algoritma multi-fidelity dan multi-task.

Instalasi

Anda dapat menginstal Optimas dari PyPI (disarankan):

python -m pip install " optimas[all] "

dari conda-forge:

conda install optimas --channel conda-forge

atau langsung dari GitHub:

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

Pastikan mpi4py tersedia di lingkungan Anda sebelum menginstal optimas. Untuk lebih jelasnya, lihat panduan instalasi lengkap. Kami juga telah menyiapkan petunjuk pemasangan khusus untuk beberapa sistem HPC seperti JUWELS (JSC), Maxwell (DESY) dan Perlmutter (NERSC).

Dokumentasi

Untuk informasi lebih lanjut tentang cara menggunakan Optimas, lihat dokumentasinya. Anda akan menemukan petunjuk instalasi, panduan pengguna, contoh dan referensi API.

Mendukung

Butuh bantuan lebih lanjut? Bergabunglah dengan saluran Slack kami atau buka terbitan baru.

Mengutip optimis

Jika penggunaan Optimas oleh Anda mengarah pada publikasi ilmiah, mohon pertimbangkan untuk mengutip makalah aslinya:

 @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 }
}

dan 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 }
}