Opis projektu
Indywidualne rozwiązania uczenia maszynowego w modelach pogodowych i klimatycznych
Ponieważ zmiany klimatu są obecnie największym zagrożeniem, przed jakim stoi ludzkość, konieczne jest opracowanie narzędzi potrzebnych do przygotowania się na ich potencjalne skutki. Uczenie maszynowe może pomóc ulepszyć modele służące do prognozowania pogody i zmian klimatu. Mając to na uwadze, twórcy finansowanego przez UE projektu MAELSTROM postarają się udoskonalić europejską architekturę komputerową, aby usprawnić oceny przyszłego wpływu działalności człowieka na klimat. W szczególności ich działania przyczynią się do osiągnięcia postępu w projektowaniu systemów komputerowych wykorzystywanych do optymalizacji wydajności aplikacji i ich efektywności energetycznej, opracowania ram umożliwiających optymalizację użyteczności i wydajności szkolenia metodami uczenia maszynowego w większej skali oraz wielkoskalowych zastosowań uczenia maszynowego w zakresie nauki o pogodzie i klimacie. Zespół zaprojektuje odpowiednio dostosowane systemy obliczeniowe, zoptymalizowane pod kątem potrzeb aplikacji, aby wzmocnić w ten sposób europejskie portfolio wysokowydajnych systemów obliczeniowych.
Cel
To develop Europe’s computer architecture of the future, MAELSTROM will co-design bespoke compute system designs for optimal application performance and energy efficiency, a software framework to optimise usability and training efficiency for machine learning at scale, and large-scale machine learning applications for the domain of weather and climate science.
The MAELSTROM compute system designs will benchmark the applications across a range of computing systems regarding energy consumption, time-to-solution, numerical precision and solution accuracy. Customised compute systems will be designed that are optimised for application needs to strengthen Europe’s high-performance computing portfolio and to pull recent hardware developments, driven by general machine learning applications, toward needs of weather and climate applications.
The MAELSTROM software framework will enable scientists to apply and compare machine learning tools and libraries efficiently across a wide range of computer systems. A user interface will link application developers with compute system designers, and automated benchmarking and error detection of machine learning solutions will be performed during the development phase. Tools will be published as open source.
The MAELSTROM machine learning applications will cover all important components of the workflow of weather and climate predictions including the processing of observations, the assimilation of observations to generate initial and reference conditions, model simulations, as well as post-processing of model data and the development of forecast products. For each application, benchmark datasets with up to 10 terabytes of data will be published online for training and machine learning tool-developments at the scale of the fastest supercomputers in the world. MAELSTROM machine learning solutions will serve as blueprint for a wide range of machine learning applications on supercomputers in the future.
Dziedzina nauki
- natural sciencesearth and related environmental sciencesatmospheric sciencesmeteorology
- natural sciencesearth and related environmental sciencesatmospheric sciencesclimatology
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringcomputer hardwaresupercomputers
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencessoftwaresoftware applications
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
RIA - Research and Innovation actionKoordynator
RG2 9AX Reading
Zjednoczone Królestwo