PulseAugur
中
实时 10:24:02
English(EN) Prediction of Runtime Parameters of Parallel Chemistry Applications via Active and Generative Learning

机器学习预测并行化学应用的运行时参数

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了两种机器学习方法来预测并行化学应用的运行时参数。这些方法将主动学习和生成式学习与梯度提升回归树相结合，在单双耦合簇（Coupled-Cluster with Singles and Doubles）计算上实现了低至0.023的平均绝对百分比误差（MAPE）和99.9%的决定系数。当使用主动学习来解决训练数据有限的问题时，模型仅使用原始数据集的20-25%就能达到约0.2的MAPE。 AI

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tanzila Tabassum, Omer Subasi, Ajay Panyala, Epiya Ebiapia, Gerald Baumgartner, Erdal Mutlu, P Sadayappan, Karol Kowalski ·

    Prediction of Runtime Parameters of Parallel Chemistry Applications via Active and Generative Learning

    arXiv:2606.16226v1 Announce Type: new Abstract: In this work, we develop two main Machine Learning based approaches to predict the runtime parameters of highly scalable parallel chemistry computations.These approaches employ active and generative learning together with the empiri…

相关话题