optimas

การเพิ่มประสิทธิภาพตามขนาด ขับเคลื่อนโดย libEnsemble

สำรวจเอกสาร »

ดูตัวอย่าง · การสนับสนุน · การอ้างอิง API

Optimas เป็นไลบรารี Python ที่ออกแบบมาเพื่อการปรับแต่งที่ปรับขนาดได้สูง ตั้งแต่แล็ปท็อปไปจนถึงซูเปอร์คอมพิวเตอร์คู่ขนานขนาดใหญ่

คุณสมบัติที่สำคัญ

• ความสามารถในการปรับขนาด : Optimas ใช้ประโยชน์จากพลังของ libEnsemble ได้รับการออกแบบมาเพื่อปรับขนาดได้อย่างราบรื่นจากแล็ปท็อปของคุณไปจนถึงคลัสเตอร์คอมพิวเตอร์ประสิทธิภาพสูง
• ใช้งานง่าย : Optimas ช่วยลดความยุ่งยากในการเรียกใช้การสแกนพารามิเตอร์แบบขนานขนาดใหญ่และการปรับแต่งให้เหมาะสม ระบุจำนวนการประเมินแบบขนานและทรัพยากรการประมวลผลที่จะจัดสรรให้กับแต่ละรายการ แล้ว Optimas จะจัดการส่วนที่เหลือ
• การเพิ่มประสิทธิภาพขั้นสูง : Optimas รวมอัลกอริธึมจากไลบรารี Axe ซึ่งนำเสนอการเพิ่มประสิทธิภาพแบบเบย์ทั้งแบบวัตถุประสงค์เดียวและหลายวัตถุประสงค์ ซึ่งรวมถึงเทคนิคขั้นสูง เช่น อัลกอริธึม multi-fidelity และ multi-task

การติดตั้ง

คุณสามารถติดตั้ง Optimas ได้จาก PyPI (แนะนำ):

python -m pip install " optimas[all] "

จากคอนดาฟอร์จ:

conda install optimas --channel conda-forge

หรือโดยตรงจาก GitHub:

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

ตรวจสอบให้แน่ใจว่า mpi4py พร้อมใช้งานในสภาพแวดล้อมของคุณก่อนที่จะติดตั้ง optimas สำหรับรายละเอียดเพิ่มเติม โปรดดูคู่มือการติดตั้งฉบับเต็ม นอกจากนี้เรายังได้เตรียมคำแนะนำในการติดตั้งเฉพาะสำหรับระบบ HPC บางระบบ เช่น JUWELS (JSC), Maxwell (DESY) และ Perlmutter (NERSC)

เอกสารประกอบ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีใช้ Optimas โปรดดูเอกสารประกอบ คุณจะพบคำแนะนำในการติดตั้ง คู่มือผู้ใช้ ตัวอย่าง และข้อมูลอ้างอิง API

สนับสนุน

ต้องการความช่วยเหลือเพิ่มเติมหรือไม่? เข้าร่วมช่อง Slack ของเราหรือเปิดประเด็นใหม่

อ้างถึงออพติมาส

หากการใช้ Optimas ของคุณนำไปสู่การตีพิมพ์ทางวิทยาศาสตร์ โปรดพิจารณาอ้างอิงบทความต้นฉบับ:

 @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 }
}

และ 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 }
}