Magang jarak jauh ALCF menangani proyek komputasi dunia nyata

Magang jarak jauh ALCF menangani proyek komputasi dunia nyata


Newswise – Setelah menyelesaikan tahun pertamanya di Universitas Rice, Max Bowman menantikan musim panas yang terbenam dalam lingkungan penelitian yang dinamis di Laboratorium Nasional Argonne Departemen Energi AS (DOE). Meskipun musim panasnya pasti tidak berjalan sesuai rencana, magang virtualnya di Argonne Leadership Computing Facility (ALCF), sebuah Kantor Fasilitas Pengguna Sains DOE, terbukti menjadi pengalaman yang tak terlupakan dan bermanfaat.

“Upaya yang dilakukan Argonne untuk membuat magang virtual menjadi kenyataan sangat jelas, dan saya dapat dengan mudah terhubung dengan mentor saya, staf lain, dan siswa lain,” kata Bowman, yang proyeknya difokuskan pada pengembangan alat komputasi kuantum. “Saya masih bisa bekerja secara efektif dan tumbuh sebagai ilmuwan dan individu. Itu adalah kesempatan yang luar biasa. ”

Bowman adalah satu dari 33 siswa, mulai dari siswa sekolah menengah atas hingga kandidat PhD, yang bekerja di ALCF musim panas ini. Setiap tahun, fasilitas ini mendatangkan siswa musim panas kelas baru, melalui program seperti Magang Laboratorium Ilmu Pengetahuan DOE dan Penunjukan Pembantu Penelitian Argonne, untuk bekerja bersama mentor staf dalam proyek penelitian dunia nyata yang membahas masalah di garis depan komputasi ilmiah.

“Dengan program siswa musim panas kami, kami dapat memberikan pengalaman penelitian praktis kepada siswa dengan menggunakan beberapa teknologi komputasi tercanggih di dunia,” kata Direktur ALCF Michael Papka. “Dan ini memberi kami kesempatan untuk bekerja dengan peneliti muda berbakat, dan semoga menginspirasi mereka untuk menjadi bagian dari generasi profesional komputasi berkinerja tinggi berikutnya.”

Berikut ringkasan singkat dari beberapa proyek siswa tahun ini.

Mengaktifkan Simulasi Komputer Quantum

Dalam bidang komputasi kuantum yang berkembang pesat, salah satu tantangan utama adalah merancang metode untuk memodelkan sejumlah sumber kebisingan yang dapat mengurangi keakuratan komputasi kuantum. Tantangan ini adalah fokus pekerjaan Bowman di ALCF.

“Ilmuwan harus membangun teknik untuk mengurangi atau memperhitungkan kebisingan saat mengembangkan algoritme kuantum atau memeriksa hasil komputasi, jadi kemampuan untuk secara akurat mengkarakterisasi model kebisingan ini sangat penting,” kata Bowman.

Untuk membantu mengatasi masalah ini, peneliti Argonne mengembangkan simulator sistem kuantum, yang disebut QuaC, yang memungkinkan simulasi skalabel dari berbagai jenis sistem kuantum terbuka, dengan dukungan khusus untuk kumpulan qubit yang berisik, untuk lebih memahami propertinya. Magang Bowman bertujuan untuk membuat QuaC lebih ramah pengguna.

“Pekerjaan saya mencakup pembuatan plugin Python yang mudah digunakan yang memungkinkan para ilmuwan untuk secara klasik mensimulasikan sirkuit kuantum dengan noise berbasis fisika dengan cara yang dapat diskalakan,” katanya.

Ini melibatkan pengembangan plugin yang menggabungkan fitur QuaC dan Qiskit, perpustakaan sains informasi kuantum populer yang dikembangkan terutama oleh IBM. Antarmuka Python dirancang untuk memudahkan peneliti dan siswa menggunakan QuaC untuk mensimulasikan komputer kuantum yang berisik dengan parameter gangguan fisik yang ditentukan.

Selain mengembangkan plugin, Bowman juga berkesempatan untuk mengeksplorasi pentingnya berbagai komponen model derau kuantum, serta metode untuk menyimpulkan model ini dari sirkuit kuantum yang dijalankan pada perangkat keras IBM-Q.

Namun interaksinya dengan mentor Argonne Hal Finkel dan Matthew Otten serta komunitas laboratorium yang lebih luas mungkin memiliki dampak paling signifikan pada karier penelitiannya di masa mendatang.

“Pengambilan terbesar saya dari musim panas adalah kekuatan komunitas dan bimbingan dalam penelitian,” kata Bowman. “Pengalaman ini menegaskan minat saya pada ilmu informasi kuantum, dan saya berencana mengejar karir yang terkait dengan bidang ini. Saya tertarik menggunakan komputasi kuantum untuk menyelidiki atau memprediksi sifat material berskala nano. “

Menganalisis Kemacetan di Superkomputer

Kemacetan jaringan adalah salah satu masalah terbesar yang dihadapi sistem komputasi kinerja tinggi (HPC) saat ini, yang memengaruhi segalanya mulai dari kinerja kode hingga throughput sistem hingga pengalaman pengguna.

“Seharusnya tidak mengherankan bagi pengembang bahwa kemacetan pada sistem ALCF dapat merusak kinerja aplikasi yang berjalan di atasnya,” kata Joy Kitson, lulusan Universitas Delaware baru-baru ini yang memulai gelar PhD di Universitas Maryland musim gugur ini. “Pekerjaan kami berupaya memahami bagaimana perilaku kemacetan pada sistem ini, dengan tujuan menggunakan pengetahuan tersebut untuk mengurangi kemacetan dan dampaknya pada kinerja aplikasi.”

Bekerja dengan ilmuwan komputer ALCF Sudheer Chunduri dan profesor Universitas Maryland Abhinav Bhatele, Kitson menggunakan data operasional dari superkomputer Theta ALCF untuk menganalisis lalu lintas komunikasi, dengan fokus pada bagaimana kemacetan didistribusikan di ruang dan waktu di seluruh sistem. Interkoneksi Cray Aries Theta terdiri dari beberapa grup router jaringan yang semuanya memiliki tautan langsung satu sama lain.

“Kami menemukan bahwa durasi periode kemacetan tingkat sistem yang intens sangat bervariasi, dengan tiga periode seperti itu berlangsung dalam urutan hari,” kata Kitson. “Kemacetan ini umumnya didistribusikan secara merata di seluruh wilayah sistem yang berbeda, tetapi kami mengamati kemacetan terberat pada tautan yang menghubungkan router dalam grup yang sama.”

Sebuah poster yang merinci karyanya akan dipresentasikan pada Konferensi Internasional 2020 untuk Komputasi Kinerja Tinggi, Jaringan, Penyimpanan, dan Analisis (SC20).

Selain belajar tentang aspek teknis kemacetan sistem HPC, Kitson juga mendapat manfaat dari memiliki proyek terbuka yang memungkinkannya memetakan jalannya sendiri menuju kesuksesan.

“Sangat penting untuk dapat mengarahkan sendiri pada proyek seperti ini, terutama saat bekerja dari jarak jauh,” katanya. “Pada akhirnya terserah saya bagaimana memfokuskan upaya saya dan mendapatkan hasil yang berguna dari proyek, dan peran mentor saya lebih untuk memverifikasi bahwa saya sedang menuju ke arah yang wajar.”

Menerapkan Pembelajaran Mesin ke Simulasi Cuaca

Sebagai mahasiswa pascasarjana di Massachusetts Institute of Technology, penelitian Dominic Skinner terutama melibatkan penerapan pemodelan matematika ke sistem biologis. Musim panas ini, dia mencari pekerjaan magang yang akan mengembangkan keterampilan komputasi ilmiahnya.

“Saya ingin menghabiskan musim panas melakukan penelitian dalam beberapa kapasitas, dan sepertinya itu adalah poin yang baik di PhD saya untuk beristirahat dan mengerjakan sesuatu yang lain untuk sementara waktu,” kata Skinner. “Yang membuat saya tertarik pada ALCF secara khusus adalah pekerjaan yang dilakukan dalam pembelajaran mesin ilmiah.”

Melalui Magang Pascasarjana Ilmu Matematika National Science Foundation, Skinner berkolaborasi dengan mentor Romit Maulik, Margaret Butler Fellow dari ALCF, untuk menerapkan teknik pembelajaran mesin pada data meteorologi.

“Saat mensimulasikan cuaca secara numerik, grid terbaik yang mungkin ada pada superkomputer masih tidak dapat menyelesaikan semua detail lokal,” kata Skinner. “Jadi, perkiraan dibuat untuk persamaan yang menjelaskan dinamika yang belum terselesaikan, dan baru-baru ini ditemukan bahwa alat dari pembelajaran mesin dapat memberikan perkiraan berdasarkan data yang bekerja dengan baik. Saya sangat tertarik pada bagaimana kami dapat mempercepat pelatihan dan penerapan model ini. ”

Bekerja dengan kumpulan data iklim dunia nyata, Skinner dapat mengidentifikasi periode tertentu yang memerlukan penggunaan model pembelajaran mesin yang rumit untuk mendorong perkiraan, dan periode lain di mana mereka dapat menggunakan model yang tidak terlalu menuntut komputasi untuk melakukan pekerjaan itu.

“Ini berpotensi menghemat sumber daya komputasi yang signifikan bila diterapkan pada prediksi ansambel yang sering digunakan dalam pemodelan iklim,” katanya. “Saya sebagian besar bekerja dengan model kecil sebagai prototipe, tetapi ide tersebut dimaksudkan untuk ditingkatkan ke model yang jauh lebih besar.”

Pengalaman langsung yang diperoleh Skinner dengan teknik pembelajaran mesin musim panas ini adalah sesuatu yang ia rencanakan untuk dimanfaatkan dalam penelitian akademisnya di masa mendatang.

“Saya telah belajar banyak tentang pembelajaran mesin ilmiah dan bagaimana itu dapat digunakan dalam masalah praktis,” kata Skinner. “Bidang ini masih relatif baru, tetapi sudah berguna dan telah memberi saya alat yang sangat diperlukan untuk maju.”

Memetakan Perjalanan Pengguna ALCF

Menjadi pengguna baru di fasilitas superkomputer melibatkan banyak langkah, yang meliputi membuat akun, menyelesaikan perjanjian pengguna, menyiapkan ruang kerja proyek, dan belajar mengirim dan menjalankan pekerjaan. Menjadikan proses ini sesederhana dan semulus mungkin adalah kunci untuk pengalaman pengguna yang positif.

Baru lulus dari Glenbard East High School di Lombard, Ill., Sarah Iovinelli datang ke ALCF musim panas ini untuk mendokumentasikan dan menganalisis pengalaman orientasi bagi pengguna dan staf pendukung ALCF. Sekarang sebagai mahasiswa baru yang mempelajari desain pengalaman pengguna di DePaul University, Iovinelli mewawancarai beberapa pengguna fasilitas dan anggota staf untuk membuat peta perjalanan yang merinci proses bangun dan berjalan di ALCF.

“Peta perjalanan pengguna melacak bagaimana dan kapan orang berinteraksi dengan organisasi dan bagaimana perasaan mereka tentang pengalaman itu,” katanya. “Proyek ini merinci semua titik kontak yang terlibat dalam orientasi di ALCF, memberikan fasilitas sumber daya untuk mencari potensi perbaikan proses.”

Melayani sebagai usaha pertamanya dalam dunia desain pengalaman pengguna, proyek ini membantu Iovinelli meningkatkan keterampilan dan kepercayaan dirinya sebelum memulai studi di DePaul.

“Sebagai desainer baru, mungkin menakutkan untuk terjun ke tahap penelitian dan mencari cara untuk menghubungkannya dengan peluang desain potensial,” katanya. “Namun melalui pengalaman saya di ALCF, meneliti seluk beluk interaksi pengguna dengan fasilitas menjadi salah satu bagian favorit saya dari proses tersebut. ”

Fasilitas Komputasi Kepemimpinan Argonne memberikan kemampuan superkomputer kepada komunitas ilmiah dan teknik untuk memajukan penemuan dan pemahaman mendasar dalam berbagai disiplin ilmu. Didukung oleh program Office of Science, Advanced Scientific Computing Research (ASCR) Departemen Energi AS (DOE), ALCF adalah salah satu dari dua Fasilitas Komputasi Kepemimpinan DOE di negara yang didedikasikan untuk sains terbuka.

Laboratorium Nasional Argonne mencari solusi untuk menekan masalah nasional dalam ilmu pengetahuan dan teknologi. Laboratorium nasional pertama di negara itu, Argonne, melakukan penelitian ilmiah dasar dan terapan terdepan di hampir setiap disiplin ilmu. Peneliti Argonne bekerja erat dengan para peneliti dari ratusan perusahaan, universitas, dan federal, lembaga negara bagian dan kota untuk membantu mereka memecahkan masalah spesifik mereka, memajukan kepemimpinan ilmiah Amerika dan mempersiapkan bangsa untuk masa depan yang lebih baik. Dengan karyawan dari lebih dari 60 negara, Argonne dikelola oleh UChicago Argonne, LLC untuk Kantor Ilmu Pengetahuan Departemen Energi AS.

Kantor Ilmu Pengetahuan Departemen Energi AS adalah pendukung terbesar penelitian dasar dalam ilmu fisika di Amerika Serikat dan sedang berupaya untuk mengatasi beberapa tantangan paling mendesak di zaman kita. Untuk informasi lebih lanjut, kunjungi https://energy.gov/science.


Diposting Oleh : http://54.248.59.145/

About the author