WO2020125079A1 - 一种基于时间预测的高通量材料仿真计算优化方法 - Google Patents
一种基于时间预测的高通量材料仿真计算优化方法 Download PDFInfo
- Publication number
- WO2020125079A1 WO2020125079A1 PCT/CN2019/105131 CN2019105131W WO2020125079A1 WO 2020125079 A1 WO2020125079 A1 WO 2020125079A1 CN 2019105131 W CN2019105131 W CN 2019105131W WO 2020125079 A1 WO2020125079 A1 WO 2020125079A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- job
- jobs
- shared
- model
- execution time
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Definitions
- the invention belongs to the field of material science, and particularly relates to a method for simulating and optimizing high-throughput materials based on time prediction.
- the so-called high-throughput material calculation means that with the help of powerful computing resources, a large number of calculation tasks can be completed at once, and through the analysis of the calculation results, the candidate material designs that meet the requirements are screened out. And such calculation tasks exist in the form of operations on high-performance computing systems in a specific form, and are called high-throughput material calculation operations. Because its calculation is generally very large, how to optimize and improve its performance becomes a challenging problem.
- the current mainstream performance optimization methods are all for a single high-throughput material calculation operation. As long as the performance of a job can be improved, this method will have the same optimization effect for other similar jobs. However, the disadvantage of these methods is that they only optimize from the local information of a single job, and do not take into account the physical internal correlation between different jobs. From a macro and overall perspective, the more significant optimization potential that may be brought about by analysis It is ignored, so the effect of optimization is easily limited by various local factors, and the overall performance of the optimization cannot be greatly improved.
- the purpose of the present invention is to overcome the shortcomings of the prior art that it cannot fully optimize the execution time of computationally intensive simulation tasks, and to propose a time-based prediction optimization method for high-throughput material simulation calculation.
- the invention combines the characteristics of the high-throughput material calculation simulation task, can greatly improve the efficiency of high-throughput operation execution, and greatly shorten the time of new material design.
- the present invention proposes a time-based prediction and optimization method for high-throughput material simulation calculation, characterized in that the method includes the following steps:
- step 1-1) Use all the executed jobs in the calculation database established in step 1-1) as a training set to construct a deep neural network, and use the initial configuration, operating parameters, and hardware configuration of the executed jobs as the input of the deep neural network. Use the execution time as output, and use the operations in the training set to supervise the deep neural network to obtain the trained deep neural network;
- step 1-2 the deep neural network after training is the final job configuration Prediction model with corresponding execution time
- step 2) Use the prediction model obtained in step 1) to predict the execution time of all unexecuted jobs in different situations; the specific steps are as follows:
- step 3 According to the optimal scheduling scheme of each model generated in step 3), all jobs are executed in sequence until all jobs are completed, and the method ends.
- the present invention optimizes by analyzing the internal correlation between many simulation operations in the calculation of high-throughput materials, and is an optimization method focusing on the overall operation. It is completely different from the previous performance optimization method for a single job, but the previous local optimization method for a single job can be integrated into this method without affecting it. The two are a complementary and superimposed relationship.
- the present invention proposes a high-throughput material simulation calculation and optimization method based on time prediction, which is further described in detail below in conjunction with specific embodiments.
- the present invention proposes a high-throughput material simulation calculation optimization method based on time prediction. It is assumed that a high-throughput material calculation simulation (HTCS, High Throughput Computing) Simulation is composed of M models, and the expression is as follows:
- Model i represents the i-th model.
- the i-th model can be composed of N i jobs, so the model Model i can be further expressed as:
- S i,j represents the j-th job of the i-th model
- the doping elements are different from each other, and the other aspects are exactly the same.
- the so-called independent execution mode is that the job is executed on the parallel computing system based on the INCAR, POSCAR, POTCAR, and KPOINT file input files independently generated for the job at design time, and has nothing to do with other jobs.
- the so-called shared execution mode involves two jobs, A and B, where A is the completed job and B is the job to be executed. B optimizes its operating efficiency by sharing the results of A's execution.
- shared CONTCAR execution refers to using the CONTCAR obtained after the execution of A to replace the POSCAR generated by B's original design stage for execution.
- B sharing A's CHGCAR execution means that B uses the CHGCAR output of A as an additional input file to obtain its charge distribution. This requires modifying its original INCAR file and setting the ICHARG flag to 1.
- B sharing A's CONTCAR and CHGCAR execution means that B not only uses A's CONTCAR as its POSCAR, but also uses A's CHGCAR as an additional input to obtain its charge distribution for execution, and at the same time sets the ICHARG flag in its INCAR file to 1. The effect of the three shared execution methods will be different for different jobs.
- adjacent elements For the two elements EA and EB in the periodic table, if they are in the same row of the periodic table and are directly adjacent, they are called row adjacent elements. If they are in the same column of the periodic table and are directly adjacent, they are called column adjacent elements. Whether two elements are adjacent rows or columns, they are called adjacent elements.
- the present invention provides a method for simulating and optimizing high-throughput materials based on time prediction.
- the method includes the following steps:
- step 1-1) Use all the executed jobs in the calculation database established in step 1-1) as a training set to construct a deep neural network, and use the initial configuration, operating parameters, and hardware configuration of the executed jobs as the input of the deep neural network.
- the execution time is used as output, and the deep neural network is supervisedly trained using the operations in the training set to obtain the trained deep neural network.
- step 1-2 the deep neural network after training is the final job configuration A prediction model corresponding to the execution time.
- the deviation between the execution time predicted by the deep neural network and the actual execution time of the job in the test set exceeds the set error threshold then more jobs need to be generated and trained to optimize and improve the deep neural network model.
- the executed jobs and the corresponding execution time are added to the training set, and then return to steps 1-2), use the updated training set to retrain the deep neural network, until all jobs in the test set are predicted by the deep neural network and the actual execution time
- the deviation of the execution time meets the set error threshold (here we set the error threshold to the relative error of the predicted time and the actual execution time does not exceed 10%), then step 1-2) the deep neural network after training is finally obtained Forecasting model of job configuration and corresponding execution time.
- step 2) Use the prediction model obtained in step 1) to predict the execution time of all unexecuted jobs in different situations. Specific steps are as follows:
- the specific sharing execution method during job sharing execution is determined by the SL ⁇ L matrix generated before.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于时间预测的高通量材料仿真计算优化方法，属于材料科学领域。该方法首先构建作业配置与对应执行时间的预测模型，利用预测模型，生成高通量材料仿真计算中所有作业在不同情形下的执行时间，进而通过有向图对高通量材料仿真计算中每个模型生成最优调度方案；按照每个模型的最优调度方案，依次执行所有的作业，直到所有作业执行完毕。本发明结合高通量材料计算仿真任务的特点，可大幅度提高高通量作业执行的效率，大大缩短新材料设计的时间。
Description
相关申请的交叉引用
本申请要求清华大学于2018年12月19日提交的、发明名称为“一种基于时间预测的高通量材料仿真计算优化方法”的、中国专利申请号“201811552331.0”的优先权。
本发明属于材料科学领域，具体涉及一种基于时间预测的高通量材料仿真计算优化方法。
目前，新材料的获取已经从传统的通过大量实验发现新材料的模式转到通过大量的仿真计算来设计新材料的高通量计算模式，可以大大提升新材料获取的效率。
所谓高通量材料计算,就是借助能力强大的计算资源，可以一次快速完成大批量的计算任务，通过对计算结果的分析，筛选出满足要求的候选材料设计。而这样的计算任务，在具体形式上以高性能计算系统上作业的形式存在，被称为是高通量材料计算作业。由于其计算量一般都非常大，因此如何优化和提高其性能就成为一个挑战性问题。目前主流的性能优化方法都是针对单个高通量材料计算作业进行的。只要能够提高一个作业的性能，该方法对其它类似的作业也会有相同的优化效果。但是这类方法的缺点是它们仅仅从单个作业的局部信息出发来进行优化，没有考虑到不同作业之间在物理上的内在关联，从宏观和总体角度分析所可能带来的更显著的优化潜力被忽略了，因此优化的效果容易受到各种局部因素的限制，无法更全面地大幅度提高整体作业的优化性能。
以材料基因工程为代表的高通量材料计算，目前的主要工作是放在实现计算各个阶段的自动化衔接上，典型的项目是国际上的AFlow和MP项目，但是如何大幅度降低作业本身的执行时间，特别是优化计算密集型作业的执行时间，尚没有好的解决方案。
发明内容
本发明的目的是为克服已有技术无法充分优化计算密集型仿真任务执行时间的不足之处，提出一种基于时间预测的高通量材料仿真计算优化方法。本发明结合高通量材料计算仿真任务的特点，可大幅度提高高通量作业执行的效率，大大缩短新材料设计的时间。
本发明提出一种基于时间预测的高通量材料仿真计算优化方法，其特征在于，该方法 包括以下步骤：
1)构建作业配置与对应执行时间的预测模型；具体步骤如下：
1-1)建立高通量材料仿真计算中已执行作业的初始配置与对应执行时间的计算数据库；
1-2)将步骤1-1)建立的计算数据库中的所有已执行作业作为训练集，构建一个深度神经网络，将已执行作业的初始配置、运行参数、硬件配置作为深度神经网络的输入，将执行时间作为输出，利用训练集中的作业对该深度神经网络进行有监督的训练，得到训练完毕的深度神经网络；
1-3)选取M个未用于训练深度神经网络的作业作为测试集，利用测试集对步骤1-2)训练完毕的深度神经网络模型进行检验：
如果每个测试集中的作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差在设定的误差阈值之内，则步骤1-2)训练完毕的深度神经网络为最终得到的作业配置与对应执行时间的预测模型；
如果测试集中的作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差超过设定的误差阈值，则生成新的已执行作业并加入到训练集中，然后重新返回步骤1-2)，利用更新后的训练集重新训练深度神经网络；
2)利用步骤1)得到的预测模型，预测所有未执行作业在不同情形下的执行时间；具体步骤如下：
2-1)将高通量材料仿真计算中所有未执行的作业输入预测模型，模型输出每个作业对应的独立执行时间的预测值；
2-2)对高通量材料仿真计算中基于同一模型的所有L个作业，利用预测模型预测每个作业在不同共享执行模式下共享其它作业执行情况下的共享执行时间，记录所有共享执行模式中时间最少的一种共享执行模式，并把该模式对应的共享执行时间作为该作业对应的最终的共享执行时间，形成该模型对应的共享执行时间矩阵Q
L×L，并且用矩阵SH
L×L表示对应作业的共享执行模式；
3)对高通量材料仿真计算中每个模型生成最优调度方案；对于每一个模型，具体步骤如下：
3-1)令S为同一模型所有待执行的作业的集合；
3-2)基于该模型的共享执行时间矩阵Q
L×L和S构造一个有向图G＝<V,E>,其中V＝S∪{r},r是新加入的根节点，任给q
ij∈Q
L×L，构建一条边<i,j>∈E且该边的权重e
ij＝q
ij；从r到其它所有作业也分别构建对应的一条边加入到E中，该边的权重是独立执行每个作业的执行时间；
3-3)在G上执行Edmonds算法得到最小覆盖分支A；
3-4)按照广度优先遍历A，同一层次的作业形成可并行执行作业的集合，得到一系列作业的集合J
1,…,J
k，k表示A的深度,并且
得到该模型的最优调度方案；
4)按照步骤3)生成的每个模型的最优调度方案，依次执行所有的作业，直到所有作业执行完毕，方法结束。
本发明的特点及有益效果在于：
(1)本发明通过分析高通量材料计算中众多仿真作业之间的内在关联来进行优化，是一种着眼整体作业的优化方法。与之前的单个作业的性能优化方法思路完全不同，但是之前的针对单个作业的局部优化方法可以不受影响地结合到本方法之中，二者是一种互补和叠加的关系。
(2)本发明提出的优化方法整体效果非常显著，大部分作业的性能会有显著的提升。可大幅度提高高通量作业执行的效率，大大缩短新材料设计的时间
(3)本方法综合考虑了所有作业之间的效果后从总体上进行的优化，与只考虑部分作业之间关系作出的优化决策相比，效果更显著。
本发明提出一种基于时间预测的高通量材料仿真计算优化方法，下面结合具体实施例进一步详细说明如下。
本发明提出一种基于时间预测的高通量材料仿真计算优化方法，假定一个高通量材料计算仿真(HTCS,High Throughput Computing Simulation)由M个模型构成，表达式如下：
其中M表示高通量材料计算模型的总数，Model
i表示第i个模型。
其中第i个模型可以由N
i个作业组成，因此可以进一步把模型Model
i表示为：
其中，S
i,j表示第i个模型的第j个作业；
对于同一个模型对应的不同作业，其掺杂元素互不相同，其它的方面都完全一样。
下面基于广泛使用的VASP软件来具体说明如何对作业进行计算和优化。这里首先定义高通量作业的两种执行方式：独立执行模式和共享执行模式。
所谓独立执行模式，就是该作业基于设计时为该作业独立产生的INCAR，POSCAR，POTCAR以及KPOINT文件输入文件，在并行计算系统上进行执行，与其它的作业没有任何关系。
所谓共享执行模式，它涉及到两个作业A和B，其中A是已经完成的作业，B是将要 执行的作业，B通过共享A执行的结果来优化其运行效率。具体又分三种不同的共享执行模式，分别是共享CONTCAR执行，共享CHGCAR执行和同时共享CONTCAR和CHGCAR执行。所谓B共享A的CONTCAR执行，是指利用A执行完后得到的CONTCAR取代B原来设计阶段产生的POSCAR进行执行。B共享A的CHGCAR执行，是指B利用A输出的CHGCAR作为额外的输入文件来得到其电荷分布，这需要同时修改其原来的INCAR文件，将其中的ICHARG标记设置为1。B共享A的CONTCAR和CHGCAR执行，是指B不仅用A的CONTCAR作为其POSCAR，而且还利用A的CHGCAR作为额外的输入来得到其电荷分布进行执行，同时将其INCAR文件中的ICHARG标记设置为1。三种共享执行方式的效果会因为不同的作业而不同。
下面我们定义相邻元素的概念，对于元素周期表中的两个元素EA和EB，如果它们处于元素周期表的同一行，而且直接相邻，则互称为行相邻元素。如果它们处于元素周期表的同一列，而且直接相邻，则互称为列相邻元素。两个元素不管是行相邻还是列相邻，都称为相邻元素。
下面进一步定义可共享作业的概念。对基于同一模型的作业，由于它们只是掺杂元素不同，我们把两个掺杂元素相邻的作业互为可相邻共享作业。
本发明提出一种基于时间预测的高通量材料仿真计算优化方法，该方法包括以下步骤：
1)1)构建作业配置与对应执行时间的预测模型。具体步骤如下：
1-1)建立高通量材料仿真计算中已执行作业的初始配置(即就是VASP计算所需要的4个初始配置文件)与对应执行时间的计算数据库，统一管理所有已执行的作业。这一数据库可以尽量包括进来各种情形下已经完成的作业。
1-2)将步骤1-1)建立的计算数据库中的所有已执行作业作为训练集，构建一个深度神经网络，将已执行作业的初始配置、运行参数、硬件配置作为深度神经网络的输入，将执行时间作为输出，利用训练集中的作业对该深度神经网络进行有监督的训练，得到训练完毕的深度神经网络。
1-3)选取1～5个未用于训练深度神经网络的作业作为测试集，利用测试集对步骤1-2)训练完毕的深度神经网络模型进行检验：
如果每个测试集中的作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差在设定的误差阈值之内，则步骤1-2)训练完毕的深度神经网络为最终得到的作业配置与对应执行时间的预测模型。
如果测试集中的作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差超过设定的误差阈值，则需要产生和训练更多的作业对该深度神经网络模型进行优化和提高，将新的已执行作业和对应执行时间加入到训练集中，然后重新返回步骤1-2)，利用更 新后的训练集重新训练深度神经网络，直到测试集中所有作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差满足设定的误差阈值(这里我们设定误差阈值为预测时间和实际执行时间的相对误差不超过10％)，则步骤1-2)训练完毕的深度神经网络为最终得到的作业配置与对应执行时间的预测模型。
2)利用步骤1)得到的预测模型，预测所有未执行作业在不同情形下的执行时间。具体步骤如下：
2-1)将高通量材料仿真计算中所有未执行的作业输入预测模型，模型输出每个作业对应的独立执行时间的预测值。
2-2)对高通量材料仿真计算中基于同一模型的所有L个作业利用预测模型预测每个作业在三种不同共享执行模式下共享其它作业执行情况下的共享执行时间，记录三种共享执行模式中时间最少的一种共享执行模式，并把该模式对应的共享执行时间作为该作业对应的最终的共享执行时间。这样就形成该模型对应的一个共享执行时间矩阵Q
L×L，并且用矩阵SH
L×L表示对应元素的共享执行模式。极个别特殊情况下当所有共享执行模式都不如独立执行模式的情况下，记录执行方式为独立执行模式。
3)对高通量材料仿真计算中每个模型生成最优调度方案；对于每一个模型，具体步骤如下：
3-1)令S为同一模型所有待执行的作业的集合；
3-2)基于该模型的共享执行时间矩阵Q
L×L和S构造一个有向图G＝<V,E>,其中V＝S∪{r},r是新加入的根节点，任给q
ij∈Q
L×L，构建一条边<i,j>∈E且该边的权重e
ij＝q
ij。从r到其它所有作业也分别构建对应的一条边加入到E中，该边的权重是独立执行每个作业的执行时间。
3-3)在G上执行Edmonds算法得到最小覆盖分支A；
3-4)按照广度优先遍历A，同一层次的作业形成可并行执行作业的集合，这样就形成一系列作业的集合J
1,…,J
k，k表示A的深度,并且
下一层次的作业J
i+1依赖上一层次作业J
i的执行结果，得到该模型的最优调度方案。
4)按照步骤3)生成的每个模型的最优调度方案，依次执行所有的作业，直到所有作业执行完毕，方法结束；具体原则如下：
4-1)每个模型中，当上一层次的作业执行完后，同一层次的所有作业可以同时递交执行，不需要相互等待。
4-2)作业共享执行时具体的共享执行方式由之前产生的S
L×L矩阵决定。
Claims (2)
- 一种基于时间预测的高通量材料仿真计算优化方法，其特征在于，该方法包括以下步骤：1)构建作业配置与对应执行时间的预测模型；具体步骤如下：1-1)建立高通量材料仿真计算中已执行作业的初始配置与对应执行时间的计算数据库；1-2)将步骤1-1)建立的计算数据库中的所有已执行作业作为训练集，构建一个深度神经网络，将已执行作业的初始配置、运行参数、硬件配置作为深度神经网络的输入，将执行时间作为输出，利用训练集中的作业对该深度神经网络进行有监督的训练，得到训练完毕的深度神经网络；1-3)选取M个未用于训练深度神经网络的作业作为测试集，利用测试集对步骤1-2)训练完毕的深度神经网络模型进行检验：如果每个测试集中的作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差在设定的误差阈值之内，则步骤1-2)训练完毕的深度神经网络为最终得到的作业配置与对应执行时间的预测模型；如果测试集中的作业通过深度神经网络预测得到的执行时间与实际的执行时间的偏差超过设定的误差阈值，则生成新的已执行作业并加入到训练集中，然后重新返回步骤1-2)，利用更新后的训练集重新训练深度神经网络；2)利用步骤1)得到的预测模型，预测所有未执行作业在不同情形下的执行时间；具体步骤如下：2-1)将高通量材料仿真计算中所有未执行的作业输入预测模型，模型输出每个作业对应的独立执行时间的预测值；2-2)对高通量材料仿真计算中基于同一模型的所有L个作业，利用预测模型预测每个作业在不同共享执行模式下共享其它作业执行情况下的共享执行时间，记录所有共享执行模式中时间最少的一种共享执行模式，并把该模式对应的共享执行时间作为该作业对应的最终的共享执行时间，形成该模型对应的共享执行时间矩阵Q L×L，并且用矩阵SH L×L表示对应作业的共享执行模式；3)对高通量材料仿真计算中每个模型生成最优调度方案；对于每一个模型，具体步骤如下：3-1)令S为同一模型所有待执行的作业的集合；3-2)基于该模型的共享执行时间矩阵Q L×L和S构造一个有向图G＝<V,E>,其中V＝S∪{r},r是新加入的根节点，任给q ij∈Q L×L，构建一条边<i,j>∈E且该边的权重e ij＝q ij； 从r到其它所有作业也分别构建对应的一条边加入到E中，该边的权重是独立执行每个作业的执行时间；3-3)在G上执行Edmonds算法得到最小覆盖分支A；3-4)按照广度优先遍历A，同一层次的作业形成可并行执行作业的集合，得到一系列作业的集合J 1,…,J k，k表示A的深度,并且得到该模型的最优调度方案；
4)按照步骤3)生成的每个模型的最优调度方案，依次执行所有的作业，直到所有作业执行完毕，方法结束。 - 如权利要求1所述的方法，其特征在于，所述共享执行模式包括：共享CONTCAR执行模式、共享CHGCAR执行模式和同时共享CONTCAR和CHGCAR执行模式；所述共享CONTCAR执行模式，是指未执行作业利用已执行作业得到的CONTCAR取代未执行作业原始的POSCAR进行执行；所述共享CHGCAR执行模式，是指未执行作业利用已执行作业输出的CHGCAR作为额外的输入文件得到对应的电荷分布，并同时修改未执行作业原始INCAR文件，将其中的ICHARG标记设置为1；所述共享CONTCAR和CHGCAR执行模式，是指未执行作业利用已执行作业得到的CONTCAR取代未执行作业原始的POSCAR进行执行，并且未执行作业利用已执行作业输出的CHGCAR作为额外的输入文件得到对应的电荷分布，并同时修改未执行作业原始INCAR文件，将其中的ICHARG标记设置为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/143,513 US20210124860A1 (en) | 2018-12-19 | 2021-01-07 | High-throughput computational material simulation optimisation method and apparatus based on time prediction |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811552331.0A CN109815537B (zh) | 2018-12-19 | 2018-12-19 | 一种基于时间预测的高通量材料仿真计算优化方法 |
| CN201811552331.0 | 2018-12-19 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| US17/143,513 Continuation US20210124860A1 (en) | 2018-12-19 | 2021-01-07 | High-throughput computational material simulation optimisation method and apparatus based on time prediction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020125079A1 true WO2020125079A1 (zh) | 2020-06-25 |
Family
ID=66602114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/105131 WO2020125079A1 (zh) | 2018-12-19 | 2019-09-10 | 一种基于时间预测的高通量材料仿真计算优化方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210124860A1 (zh) |
| CN (1) | CN109815537B (zh) |
| WO (1) | WO2020125079A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815537B (zh) * | 2018-12-19 | 2020-10-27 | 清华大学 | 一种基于时间预测的高通量材料仿真计算优化方法 |
| CN111291657B (zh) * | 2020-01-21 | 2022-09-16 | 同济大学 | 一种基于难例挖掘的人群计数模型训练方法及应用 |
| CN112540849B (zh) * | 2020-12-11 | 2022-07-26 | 清华大学 | 一种分布式计算作业的参数配置优化方法及系统 |
| CN113985156A (zh) * | 2021-09-07 | 2022-01-28 | 绍兴电力局柯桥供电分局 | 一种基于变压器声纹大数据的智能故障识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156761A (zh) * | 2010-12-01 | 2011-08-17 | 北京邮电大学 | 一种微波射频器件快速仿真与优化方法 |
| US20140236957A1 (en) * | 2013-02-15 | 2014-08-21 | Norfolk Southern Corporation | System and method for terminal capacity management |
| CN107229693A (zh) * | 2017-05-22 | 2017-10-03 | 哈工大大数据产业有限公司 | 基于深度学习的大数据系统配置参数调优的方法和系统 |
| CN108984985A (zh) * | 2018-09-07 | 2018-12-11 | 中南大学 | 基于神经网络的天线结构设计方法 |
| US20180357543A1 (en) * | 2016-01-27 | 2018-12-13 | Bonsai AI, Inc. | Artificial intelligence system configured to measure performance of artificial intelligence over time |
| CN109815537A (zh) * | 2018-12-19 | 2019-05-28 | 清华大学 | 一种基于时间预测的高通量材料仿真计算优化方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1405679A (zh) * | 2001-04-26 | 2003-03-26 | 德克萨斯仪器股份有限公司 | 多处理器对象控制 |
| CN101013384A (zh) * | 2007-02-08 | 2007-08-08 | 浙江大学 | 一种基于模型的实时系统的可调度性分析方法 |
| US8276148B2 (en) * | 2009-12-04 | 2012-09-25 | International Business Machines Corporation | Continuous optimization of archive management scheduling by use of integrated content-resource analytic model |
| CN102819460B (zh) * | 2012-08-07 | 2015-05-20 | 清华大学 | 一种基于预算功率指导的高能效gpu集群系统调度方法 |
| US10686869B2 (en) * | 2014-09-29 | 2020-06-16 | Microsoft Technology Licensing, Llc | Tool for investigating the performance of a distributed processing system |
| CN106228314A (zh) * | 2016-08-11 | 2016-12-14 | 电子科技大学 | 基于深度增强学习的工作流调度方法 |
| CN106802553B (zh) * | 2017-01-13 | 2019-10-11 | 清华大学 | 一种基于强化学习的铁路机车运行操控系统混合任务调度方法 |
| CN107590188B (zh) * | 2017-08-08 | 2020-02-14 | 杭州灵皓科技有限公司 | 一种自动化垂直细分领域的爬虫爬取方法及其管理系统 |
| CN107767022B (zh) * | 2017-09-12 | 2021-07-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
| CN108399272B (zh) * | 2018-01-15 | 2021-05-07 | 北京航空航天大学 | 人工智能程序员书写数字飞行器代码的神经网络决策方法 |
-
2018
- 2018-12-19 CN CN201811552331.0A patent/CN109815537B/zh active Active
-
2019
- 2019-09-10 WO PCT/CN2019/105131 patent/WO2020125079A1/zh active Application Filing
-
2021
- 2021-01-07 US US17/143,513 patent/US20210124860A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156761A (zh) * | 2010-12-01 | 2011-08-17 | 北京邮电大学 | 一种微波射频器件快速仿真与优化方法 |
| US20140236957A1 (en) * | 2013-02-15 | 2014-08-21 | Norfolk Southern Corporation | System and method for terminal capacity management |
| US20180357543A1 (en) * | 2016-01-27 | 2018-12-13 | Bonsai AI, Inc. | Artificial intelligence system configured to measure performance of artificial intelligence over time |
| CN107229693A (zh) * | 2017-05-22 | 2017-10-03 | 哈工大大数据产业有限公司 | 基于深度学习的大数据系统配置参数调优的方法和系统 |
| CN108984985A (zh) * | 2018-09-07 | 2018-12-11 | 中南大学 | 基于神经网络的天线结构设计方法 |
| CN109815537A (zh) * | 2018-12-19 | 2019-05-28 | 清华大学 | 一种基于时间预测的高通量材料仿真计算优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109815537B (zh) | 2020-10-27 |
| US20210124860A1 (en) | 2021-04-29 |
| CN109815537A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020125079A1 (zh) | 一种基于时间预测的高通量材料仿真计算优化方法 | |
| Gong et al. | A novel hybrid multi-objective artificial bee colony algorithm for blocking lot-streaming flow shop scheduling problems | |
| Wang et al. | A bi-population based estimation of distribution algorithm for the flexible job-shop scheduling problem | |
| Wang et al. | Hybrid krill herd algorithm with differential evolution for global numerical optimization | |
| Jovanovic et al. | Ant colony optimization algorithm with pheromone correction strategy for the minimum connected dominating set problem | |
| Dong et al. | A hybrid PSO/SA algorithm for bi-criteria stochastic line balancing with flexible task times and zoning constraints | |
| Hemasian-Etefagh et al. | Dynamic scheduling applying new population grouping of whales meta-heuristic in cloud computing | |
| Zhao et al. | An improved particle swarm optimization with decline disturbance index (DDPSO) for multi-objective job-shop scheduling problem | |
| Yahyaoui et al. | A suitable initialization procedure for speeding a neural network job-shop scheduling | |
| Zhang et al. | Efficient and merged biogeography-based optimization algorithm for global optimization problems | |
| Sun et al. | Research on building truss design based on particle swarm intelligence optimization algorithm | |
| Su et al. | Algorithms for solving assembly sequence planning problems | |
| Yoo et al. | Scheduling algorithm for real-time tasks using multiobjective hybrid genetic algorithm in heterogeneous multiprocessors system | |
| CN106446134A (zh) | 基于谓词规约和代价估算的局部多查询优化方法 | |
| Li et al. | Iterated local search for distributed multiple assembly no-wait flowshop scheduling | |
| Han et al. | Scheduling placement-sensitive BSP jobs with inaccurate execution time estimation | |
| Wei et al. | Leader population learning rate schedule | |
| Liu et al. | Scheduling optimization of task allocation in integrated manufacturing system based on task decomposition | |
| Sahana | An automated parameter tuning method for ant colony optimization for scheduling jobs in grid environment | |
| Lu et al. | On advancing physical design using graph neural networks | |
| CN109635473B (zh) | 一种启发式高通量材料仿真计算优化方法 | |
| Xie et al. | Multi-objective constraint task scheduling algorithm for multi-core processors | |
| WO2020248440A1 (zh) | 一种机器学习方法与装置 | |
| CN116400963A (zh) | 一种基于负载均衡的模型自动并行方法、设备及存储介质 | |
| Seghir et al. | A new discrete imperialist competitive algorithm for QoS-aware service composition in cloud computing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19899705 Country of ref document: EP Kind code of ref document: A1 |