Авторы

Совместное использование технологий OpenMP и MPI на узлах вычислительного кластера

Данная работа посвящена проблеме реализации эффективной параллельной программы, решающей поставленную задачу с использованием максимально доступного количества ресурсов вычислительного кластера, с целью получения соответствующего выигрыша в производительности по отношению к последовательной версии алгоритма. Основная цель работы заключалась в исследовании возможностей совместного использования технологий распараллеливания OpenMP и MPI с учетом характеристик и особенностей решаемых задач для повышения производительности выполнения параллельных алгоритмов и программ на вычислительном кластере. В статье проведен краткий обзор подходов к вычислению функции трудоемкости для последовательных программ. Для определения трудоемкости параллельных программ в работе был использован подход на основе пооперационного анализа. Описаны особенности технологий распараллеливания последовательных программ OpenMP и MPI. Приведены основные программно-аппаратные факторы, влияющие на скорость выполнения параллельных программ на узлах вычислительного кластера. Основное внимание в работе уделено исследованию влияния на производительность соотношения количества вычислительных и обменных операций в программе. Для реализации исследований были разработаны тестовые параллельные OpenMP- и MPI-программы, в которых задается общее количество операций и соотношение между вычислительными и обменными операциями; также в тестовых программах был предусмотрен замер времени их выполнения. В качестве программно-аппаратной платформы был использован вычислительный кластер, состоящий из нескольких узлов. Проведенные экспериментальные исследования позволили подтвердить эффективность гибридной модели параллельной программы в многоузловых системах с разнородной памятью с использованием OpenMP в подсистемах с общей памятью, а MPI – в подсистеме с распределенной памятью. Читать дальше...

Гибридная интеллектуальная система машинного обучения для моделирования процессов обработки фосфатного рудного сырья

Представлены результаты исследования, целью которого являлось создание интеллектуальной системы машинного обучения для моделирования процессов агломерации шихты при обработке фосфатного рудного сырья. Актуальность исследования обоснована необходимостью совершенствования информационного обеспечения процессов управления технологическими системами в условиях цифровой трансформации производственной среды, проводимой в рамках четвертой промышленной революции и характеризуемой массовым внедрением индустриального Интернета вещей, что приводит к лавинообразному увеличению объемов технологических данных. Их обработка современными методами анализа, в том числе методами искусственного интеллекта, способна повысить качество принимаемых решений и обеспечить конкурентные преимущества. Научную новизну результатов исследования составляет структура предложенной гибридной интеллектуальной системы машинного обучения для моделирования процессов обработки фосфатного рудного сырья, в основе которой лежит совместное применение динамической модели агломерационного процесса в среде Simulink и глубокой нейронной сети. Архитектура нейронной сети разработана с учетом специфики математического описания процесса агломерации и включает входные полносвязные слои, принимающие результаты измерений переменных технологического процесса, а также рекуррентный слой, обрабатывающий объеденную последовательность с выходов полносвязных слоев. Интеграция Simulink-модели и глубокой нейронной сети делает возможным быструю адаптацию интеллектуальной системы под конкретную агломерационную машину за счет применения двухэтапной процедуры машинного обучения: сначала на имитационной модели Simulink, а затем на реальном объекте. Учитывая значительную инерционность процессов, сопровождающих агломерацию, такой подход обеспечивает оперативное изменение настройки гибридной интеллектуальной системы машинного обучения под новый состав сырья и технологические параметры. Разработана программа, предоставляющая удобный графический интерфейс для подготовки и применения интеллектуальной системы, а проведенные имитационные эксперименты показали, что процесс ее дообучения под новые технологические параметры проходит значительно быстрее первичного обучения при сохранении высокой точности получаемых результатов моделирования. Читать дальше...

Гибридная цифровая модель на основе Neural ODE в задаче повышения экономической эффективности переработки мелкорудного сырья

Представлены результаты исследования, целью которого являлась разработка структуры гибридной цифровой модели управления процессами переработки мелкорудного сырья, а также алгоритма преобразования технологических данных в соответствии с этой структурой, обеспечивающего повышение качества управления и, как следствие, экономическую эффективность переработки. Оригинальной идеей, положенной в основу гибридной цифровой модели, является применение нейронных обыкновенных дифференциальных уравнений (Neural ODE) для расчета динамики технологических объектов и реализуемых в них процессов. Neural ODE являются разновидностью физически-­мотивированных нейронных сетей, использующих физические законы в процессе своего обучения. Получаемая в результате цифровая интеллектуальная система машинного обучения способна с высокой точностью восстанавливать функцию динамики, используя данные наблюдений за технологическим объектом или процессом. Предложенная гибридная модель предусматривает совместное применение Neural ODE и имитационных Simulink-­моделей технологических процессов переработки мелкорудного сырья при расчете управляющих воздействий. Это позволяет быстро моделировать и анализировать реакцию динамических объектов на управляющие воздействия и оперативно вносить необходимые изменения, не дожидаясь реакции физического оригинала. Проведенные численные эксперименты показали, что применение Neural ODE в составе гибридной цифровой модели с высокой точностью воспроизводит динамику технологических объектов при различных начальных условиях. Для сравнения были проведены эксперименты с моделью, в которой вместо Neural ODE была использована рекуррентная нейронная сеть LSTM. Эксперименты продемонстрировали, что в последнем случае динамика моделировалась с высокой точностью только при исходных начальных условиях, а при их изменении происходила ее сильная деградация. В то же время применение Neural ODE вместо LSTM показало устойчиво высокую точность отображения динамики при указанных изменениях, что будет способствовать улучшению качества управления технологическими процессами переработки мелкорудного сырья и их экономической эффективности. Читать дальше...