-
公开(公告)号：CN118211631A
公开(公告)日：2024-06-18
申请号：CN202410440349.0
申请日：2024-04-12
Applicant: 吉林大学
IPC: G06N3/082 , G06F18/214 , G06N3/084 , G06N3/098 , G06N3/042 , G06N3/0464 , G06F18/24
Abstract: 本发明提供一种新的分布式图神经网络训练优化方法，涉及分布式深度学习领域。该方法根据图神经网络拓扑结构特点，量化节点中心性，在线选择部分历史嵌入代替原始数据进行训练，减少了数据传输过程中的特征传输量，保证了传输的特征量消耗相对于输入节点的数量保持常数倍或次线性，使其数据加载速度接近于完全历史嵌入训练，整体收敛精度接近于原始数据训练。
-
公开(公告)号：CN113377513A
公开(公告)日：2021-09-10
申请号：CN202110672643.0
申请日：2021-06-17
Applicant: 吉林大学
Abstract: 本发明提供一种针对全球耦合气候模式的进程调度优化方法，涉及高性能计算技术领域，所述针对全球耦合气候模式的进程调度优化方法包括分量性能加速比曲线拟合过程、耦合气候模式分量性能曲线拟合和进程调度优化，根据耦合气候模式中各个分量在集群中的运行特征。本发明包含更加精确的分量加速比拟合过程与基于该类程序特性的调度算法，其中调度算法通过使用最优并行度提升关键物理分量的性能从而达到总体性能最优，同时本发明实现了耦合气候模式最优化解的快速搜索，克服了高性能计算中进程调度空间庞大，计算时间缓慢的问题，为资源消耗很大的耦合气候模式程序的性能优化提供了一个可简单实现的解决方案。
-
公开(公告)号：CN118277468A
公开(公告)日：2024-07-02
申请号：CN202410445358.9
申请日：2024-04-15
Applicant: 吉林大学
Abstract: 本发明提供一种针对欧式空间数据向图神经网络格式数据转化的方法，涉及计算机技术与大气物理领域。所述用于欧式空间数据向图神经网络格式数据转化有效构建高维的非欧空间图并利用稀疏矩阵乘法完成欧式空间数据向图神经网络格式数据的转化。利用broadcast的索引方法快速构建大气图，使用稀疏矩阵乘法极大减少内存开销并提升运算速度，减少了欧式空间数据向图神经网络数据转化的开销，并且和传统方法具有相同的精度。本发明，通过结合计算机稀疏矩阵与大气网格构建知识，设计了适用于欧式空间数据向图神经网络格式数据转化的方法，减少了欧式空间数据向图神经网络数据转化的开销，并且和传统方法具有相同的精度。
-
公开(公告)号：CN113377513B
公开(公告)日：2024-04-05
申请号：CN202110672643.0
申请日：2021-06-17
Applicant: 吉林大学
Abstract: 本发明提供一种针对全球耦合气候模式的进程调度优化方法，涉及高性能计算技术领域，所述针对全球耦合气候模式的进程调度优化方法包括分量性能加速比曲线拟合过程、耦合气候模式分量性能曲线拟合和进程调度优化，根据耦合气候模式中各个分量在集群中的运行特征。本发明包含更加精确的分量加速比拟合过程与基于该类程序特性的调度算法，其中调度算法通过使用最优并行度提升关键物理分量的性能从而达到总体性能最优，同时本发明实现了耦合气候模式最优化解的快速搜索，克服了高性能计算中进程调度空间庞大，计算时间缓慢的问题，为资源消耗很大的耦合气候模式程序的性能优化提供了一个可简单实现的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN118278499A
公开(公告)日：2024-07-02
申请号：CN202410445361.0
申请日：2024-04-15
Applicant: 吉林大学
IPC: G06N3/096 , G06N3/0985 , G06Q10/04 , G06Q50/26 , G06N3/08 , G06N3/0464 , G06N3/045 , G06N3/0442
Abstract: 本发明提供一种用于MJO预测的融合S2S多模式数据的迁移学习方法，涉及气象预测领域。所述用于MJO预测的融合S2S多模式数据的迁移学习方法能够有效利用不同气候模式的丰富数据，基于迁移学习的思想，利用S2S多模式数据进行模型预训练，提前学习了不同气候模式中的运动规律，以此保提升MJO的预测准确性。本发明，通过结合计算机深度学习相关知识，设计了适用于MJO预测的深度时空网络模型，即卷积神经网络与循环神经网络相结合，CNN+LSTM，一定程度的提高了MJO的预测准确率，同时保持了深度学习方法高效的预测能力。
-
公开(公告)号：CN113377514A
公开(公告)日：2021-09-10
申请号：CN202110672990.3
申请日：2021-06-17
Applicant: 吉林大学
Abstract: 本发明提供一种针对耦合气候分量模式程序的协同进程调度优化方法，涉及高性能计算技术领域，所述针对耦合气候分量模式程序的协同进程调度优化方法能够根据程序中各个分量在集群中的运行特征，快速设计出不同分量的运行资源分配方案。本发明，通过在有各分量加速比曲线的前提下，根据曲线的性能峰值从大到小排入分量运行排布中，每一次加入分量进行一次资源分配，减少性能曲线上梯度最小的分量资源，并增加到新加入的分量中，重复多次直至达到全局最优，在短时间内，根据集群特点快速设计出静态调度策略，使程序总体性能提升，从而减少模式程序运行时需要花费的时间，提高了计算效率，降低了集群的硬件需求。
-
公开(公告)号：CN118278283A
公开(公告)日：2024-07-02
申请号：CN202410445362.5
申请日：2024-04-15
Applicant: 吉林大学
Abstract: 本发明提供一种基于波动方程的动态大气关联图生成方法，涉及气象预测领域。所述用于大气关联图生成的基于波动方程的动态图生成方法能够有效利用时序气候模式的丰富数据，基于图顶点间余弦相似性的思想，时序数据融合波动函数求解计算边权重，捕获大气运动中的模式特征从而生成包含大气隐含关联以及物理学指导的图结构，用于图神经网络的训练，以此提升地区天气的预测准确性。本发明，通过结合计算机深度学习相关知识，设计了适用于基于物理学中的波动方程的动态大气关联图生成模型，一定程度的提高了地区天气的预测准确性，同时保持了图神经网络方法高效的预测能力。
-
公开(公告)号：CN118211641A
公开(公告)日：2024-06-18
申请号：CN202410440346.7
申请日：2024-04-12
Applicant: 吉林大学
IPC: G06N3/098 , G06N3/042 , G06N3/0464 , G06N3/084 , G06F18/24 , G06F18/214
Abstract: 本发明提供一种针对分布式图神经网络的历史嵌入管理系统，在基于历史嵌入的数据并行图神经网络训练过程中，待训练图中的节点在同一时刻或相近时刻可能被多个不同采样器生成的小批量。所述用于分布式图神经网络的历史嵌入管理系统是一个分布式存储系统，可以做到充分利用不同机器上产生的历史嵌入与机器间的通信带宽,并使训练系统在使用其他机器上产生的历史嵌入与本地逻辑上保持一致。本发明，通过结合分布式图神经网络的历史嵌入维护算法，设计了分布式图神经网络的历史嵌入管理系统使训练系统，在使用其他机器上产生的历史嵌入与本地逻辑上保持一致，并优化了机器间的通信带宽，提高分布式图神经网络的运行性能。
-
公开(公告)号：CN117032963A
公开(公告)日：2023-11-10
申请号：CN202310992975.6
申请日：2023-08-08
Applicant: 吉林大学
Abstract: 本申请公开了一种气候模拟计算任务分配方法、装置、设备及存储介质，涉及气候、气象预测领域，包括：获取对目标气候模拟模型的待模拟空间进行区域划分的当前划分参数；基于当前划分参数对任务执行总时长进行预测，以得到当前预测总时长；基于通信时间以及计算时间确定雅各比矩阵和黑塞矩阵，根据雅各比矩阵和黑塞矩阵基于牛顿法对当前划分参数进行更新；利用更新后划分参数预测气候模拟计算任务的任务执行总时长，基于更新后预测总时长与当前预测总时长之间的大小关系确定目标划分参数；根据目标划分参数进行区域划分，生成气候模拟计算子任务，对气候模拟计算子任务进行分配。由此，本申请能够解决跨节点通信时间长以及性能建模预测的问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
