optimas

Otimização em escala, desenvolvida por libEnsemble

Explore os documentos »

Ver exemplos · Suporte · Referência de API

Optimas é uma biblioteca Python projetada para otimização altamente escalável, desde laptops até supercomputadores massivamente paralelos.

Principais recursos

• Escalabilidade : aproveitando o poder do libEnsemble, o Optimas foi projetado para escalar perfeitamente do seu laptop para clusters de computação de alto desempenho.
• Fácil de usar : Optimas simplifica o processo de execução de grandes varreduras e otimizações de parâmetros paralelos. Especifique o número de avaliações paralelas e os recursos computacionais a atribuir a cada uma delas e o Optimas tratará do resto.
• Otimização Avançada : Optimas integra algoritmos da biblioteca Ax, oferecendo otimização Bayesiana de objetivo único e multiobjetivo. Isso inclui técnicas avançadas, como algoritmos multifidelidade e multitarefa.

Instalação

Você pode instalar o Optimas do PyPI (recomendado):

python -m pip install " optimas[all] "

de conda-forge:

conda install optimas --channel conda-forge

ou diretamente do GitHub:

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

Certifique-se de que mpi4py esteja disponível em seu ambiente antes de instalar o optimas. Para mais detalhes, confira o guia de instalação completo. Também preparamos instruções de instalação dedicadas para alguns sistemas HPC, como JUWELS (JSC), Maxwell (DESY) e Perlmutter (NERSC).

Documentação

Para mais informações sobre como usar o Optimas, consulte a documentação. Você encontrará instruções de instalação, um guia do usuário, exemplos e a referência da API.

Apoiar

Precisa de mais ajuda? Junte-se ao nosso canal Slack ou abra uma nova edição.

Citando ótimos

Se o seu uso do Optimas levar a uma publicação científica, considere citar o artigo 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 }
}

e 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 }
}