最適化問題に対する超高速&安定計算

クラスタ計算機やスーパーコンピュータ上での大規模最適化問題やグラフ探索などの研究のお話が中心

CUDA 8.0 & cudnn 5.1

2016年09月30日 01時06分42秒 | Weblog
CUDA 8.0cudnn 5.1 がリリースされているのでインストールしてみました。

$ nvidia-smi
Thu Sep 29 20:02:32 2016
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 367.48 Driver Version: 367.48 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX TITAN Off | 0000:01:00.0 Off | N/A |
| 45% 74C P0 91W / 250W | 126MiB / 6081MiB | 27% Default |
+-------------------------------+----------------------+----------------------+
| 1 GeForce GTX TITAN Off | 0000:02:00.0 Off | N/A |
| 37% 57C P0 78W / 250W | 85MiB / 6082MiB | 0% Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 3031 C .build_release/test/test_all.testbin 124MiB |
| 1 3031 C .build_release/test/test_all.testbin 83MiB |
+-----------------------------------------------------------------------------+

# ./bandwidthTest --device=all
[CUDA Bandwidth Test] - Starting...

!!!!!Cumulative Bandwidth to be computed from all the devices !!!!!!

Running on...

Device 0: GeForce GTX TITAN
Device 1: GeForce GTX TITAN
Quick Mode

Host to Device Bandwidth, 2 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 11938.4

Device to Host Bandwidth, 2 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 13115.2

Device to Device Bandwidth, 2 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 450974.2

Result = PASS

コメント
この記事をはてなブックマークに追加

九州大学 スーパーコンピュータシステム 意見招請 締切:10/5

2016年09月29日 02時16分59秒 | Weblog
九州大学 スーパーコンピュータシステム 【意見招請 締切:10/5】

機関名
九州大学

件名
スーパーコンピュータシステム

調達方式
借入

導入予定時期
平成28年3月以降(資料招請時の情報)

これまでの流れ
手続き 公示日 説明会開催日 締切日
入札
意見招請 2016/09/06 2016/09/15 11:00
九州大学情報基盤研究開発センター第一会議室 2016/10/5 17:00
資料招請 2015/10/21 2015/10/28 14:15
九州大学情報基盤研究開発センター第一会議室 2015/12/17 17:00
コメント
この記事をはてなブックマークに追加

NVIDIA、10月5日に"GTC Japan 2016"開催

2016年09月28日 00時18分19秒 | Weblog
NVIDIA、10月5日に"GTC Japan 2016"開催


GTC Japan 2016

NVIDIAはこのほど、開発者向けイベント「GPU Technology Conference Japan 2016」(GTC Japan 2016)を開催すると発表した。開催日時は2016年10月5日8時から19時40分。会場はヒルトン東京お台場。現在、事前の参加登録を受け付けている。
コメント
この記事をはてなブックマークに追加

10月 IMI Colloquium

2016年09月27日 00時51分36秒 | Weblog
10月 IMI Colloquium

日時:2016年10月12日(水)
16:45-17:45

場所:九州大学 マス・フォア・インダストリ研究所 ウエスト1号館 4階
IMIオーディトリアム(W1-D-413)(円形階段教室)

講師:三宅 陽一郎 氏 (株式会社スクウェア・エニックス テクノロジー推進部 リードAIリサーチャー)

講演タイトル:人工知能が持つ構造とプログラミング原理について

講演要旨:
仮想世界で生きる人工知能は、世界との相対的な関わりにおいて成立しており、エージェント・アーキテクチャを基礎として、世界と知能(身体)の間の円環を為す情報の流れ(インフォメーション・フロー)によって結ばれています。それが単なる情報処理と異なるのは、知能の内部に記憶が蓄積され、また知能自身が構造を持ち、変化(学習)するところにあります。その構造は長い進化の過程で環境との相対的な関係において成立しており、その基本モデルは「環世界」モデルと呼ばれています。人工知能がゲームの中で扱う情報はパラメータ空間として捉えただけでも数十次元に及ぶ膨大な情報量ですが、単に受動的に情報を受け取るだけではなく、貪欲に行動を生成するために情報を収集し行動を形成して行きます。
情報の流れはまた内部にもあり、それは「内部循環インフォメーション・フロー」と呼ばれ、ロバストな力学系を形成します。つまり知能は情報の流れから見ると、外部からの情報の流れを受けながらも、内部で構造化され開かれた散逸構造を為しています。そして、この構造は記憶構造、精神構造、知能構造、そして身体構造によって定義されています。
デジタルゲームのキャラクターたちは、そのような人工知能を持ちながら1/30秒、或いは1/60秒を単位として意思決定を行います、ほぼリアルタイムに情報を環境から吸収し、行動を形成して役割を果たそうとする人工知能エージェントです。そのような時間的な運動を記述するにはプログラミング言語が適していますが、高次の構造と情報の流れから、リニアなメモリと命令のシークエンスに射影して行く必要があり、その過程で本来的な構造が十分にプログラムに表現されるためには、高級プログラミング言語における表現方法を確立する必要があります。ここでは人工知能のソフトウェアの構造を説明し、自意識や無意識の構造といった知能との構造の対応を紹介いたします。
コメント
この記事をはてなブックマークに追加

sdpa-gmp 7.1.3 その2

2016年09月26日 02時04分52秒 | Weblog
コメント
この記事をはてなブックマークに追加

sdpa-gmp 7.1.3

2016年09月25日 00時21分12秒 | Weblog
sdpa-gmp 7.1.3 : sdpa-gmp-7.1.3.src.20150320.tar.gz が以下のサイトから入手可能です。

https://sourceforge.net/projects/sdpa/files/sdpa-gmp/

> ./configure
> make clean;make
> $ ./sdpa_gmp ~/data/sdplib/gpp124-1.dat-s out
SDPA-GMP start at Sat Sep 24 23:23:48 2016
data is /home/fujisawa/data/sdplib/gpp124-1.dat-s : sparse
parameter is ./param.sdpa
out is out

DENSE computations
mu thetaP thetaD objP objD alphaP alphaD beta
0 1.0e+08 1.0e+00 1.0e+00 +0.00e+00 -7.45e+05 1.0e+00 9.0e-01 2.00e-01
1 1.4e+07 0.0e+00 1.0e-01 +1.74e+06 -7.46e+04 9.0e-01 9.0e-01 2.00e-01
2 1.9e+06 1.7e-81 1.0e-02 +2.36e+06 -7.52e+03 9.0e-01 9.0e-01 2.00e-01
3 2.8e+05 1.7e-81 1.0e-03 +3.16e+06 -8.20e+02 9.0e-01 9.0e-01 2.00e-01
4 6.0e+04 1.7e-81 1.0e-04 +3.75e+06 -1.50e+02 2.0e+00 9.0e-01 2.00e-01
5 3.4e+03 1.7e-81 1.0e-05 +3.75e+05 -8.26e+01 1.2e+00 9.0e-01 2.00e-01
6 3.1e+02 1.7e-81 1.0e-06 +3.75e+04 -7.58e+01 1.1e+00 9.0e-01 2.00e-01
7 3.2e+01 1.7e-81 1.0e-07 +3.77e+03 -7.51e+01 1.1e+00 9.0e-01 2.00e-01
8 3.9e+00 2.6e-81 1.0e-08 +3.98e+02 -7.41e+01 9.3e-01 9.0e-01 2.00e-01
9 9.9e-01 2.6e-81 1.0e-09 +5.49e+01 -6.67e+01 6.8e-01 9.0e-01 2.00e-01
10 4.0e-01 3.5e-81 1.0e-10 +8.88e+00 -4.00e+01 8.8e-01 6.7e-01 2.00e-01
11 1.6e-01 2.6e-81 3.4e-11 -4.03e+00 -2.36e+01 9.0e-01 8.0e-01 2.00e-01
12 5.5e-02 2.6e-81 6.7e-12 -6.67e+00 -1.34e+01 9.3e-01 8.4e-01 2.00e-01
13 1.7e-02 3.5e-81 1.1e-12 -7.24e+00 -9.39e+00 1.0e+00 9.0e-01 2.00e-01
14 4.8e-03 4.3e-81 1.1e-13 -7.32e+00 -7.91e+00 9.9e-01 9.0e-01 2.00e-01
15 1.3e-03 4.3e-81 1.1e-14 -7.34e+00 -7.50e+00 1.2e+00 9.0e-01 2.00e-01
16 3.6e-04 5.2e-81 1.1e-15 -7.34e+00 -7.39e+00 2.3e+00 9.0e-01 2.00e-01
17 9.9e-05 6.0e-81 1.1e-16 -7.34e+00 -7.36e+00 3.0e+00 9.0e-01 2.00e-01
18 2.8e-05 7.8e-81 1.1e-17 -7.34e+00 -7.35e+00 1.1e+00 9.0e-01 2.00e-01
19 7.6e-06 7.8e-81 1.1e-18 -7.34e+00 -7.34e+00 1.2e+00 9.0e-01 2.00e-01
20 2.1e-06 8.6e-81 1.1e-19 -7.34e+00 -7.34e+00 1.5e+00 9.0e-01 2.00e-01
21 5.8e-07 9.5e-81 1.1e-20 -7.34e+00 -7.34e+00 1.4e+00 9.0e-01 2.00e-01
22 1.6e-07 1.0e-80 1.1e-21 -7.34e+00 -7.34e+00 1.2e+00 9.0e-01 2.00e-01
23 4.4e-08 1.1e-80 1.1e-22 -7.34e+00 -7.34e+00 1.3e+00 9.0e-01 2.00e-01
24 1.2e-08 1.3e-80 1.1e-23 -7.34e+00 -7.34e+00 1.3e+00 9.0e-01 2.00e-01
25 3.3e-09 1.2e-80 1.1e-24 -7.34e+00 -7.34e+00 1.3e+00 9.0e-01 2.00e-01
26 9.2e-10 1.4e-80 1.1e-25 -7.34e+00 -7.34e+00 1.3e+00 9.0e-01 2.00e-01
27 2.5e-10 1.4e-80 1.1e-26 -7.34e+00 -7.34e+00 1.3e+00 9.0e-01 2.00e-01
28 7.0e-11 1.5e-80 1.1e-27 -7.34e+00 -7.34e+00 1.1e+00 9.0e-01 1.00e-01
29 1.3e-11 1.6e-80 1.1e-28 -7.34e+00 -7.34e+00 1.1e+00 9.0e-01 1.00e-01
30 2.5e-12 1.6e-80 1.1e-29 -7.34e+00 -7.34e+00 1.3e+00 8.9e-01 1.00e-01
31 4.9e-13 1.7e-80 1.3e-30 -7.34e+00 -7.34e+00 1.3e+00 8.8e-01 1.00e-01
32 1.0e-13 1.8e-80 1.6e-31 -7.34e+00 -7.34e+00 1.3e+00 8.8e-01 1.00e-01
33 2.2e-14 1.9e-80 1.9e-32 -7.34e+00 -7.34e+00 1.1e+00 8.1e-01 1.00e-01
34 5.9e-15 1.9e-80 3.7e-33 -7.34e+00 -7.34e+00 1.2e+00 8.1e-01 1.00e-01
35 1.6e-15 2.0e-80 7.2e-34 -7.34e+00 -7.34e+00 1.3e+00 7.1e-01 1.00e-01
36 5.6e-16 2.2e-80 2.0e-34 -7.34e+00 -7.34e+00 9.5e-01 6.7e-01 1.00e-01
37 2.2e-16 2.2e-80 6.7e-35 -7.34e+00 -7.34e+00 7.6e-01 6.1e-01 1.00e-01
38 1.0e-16 2.3e-80 2.6e-35 -7.34e+00 -7.34e+00 5.3e-01 5.6e-01 1.00e-01
39 4.9e-17 2.4e-80 1.2e-35 -7.34e+00 -7.34e+00 3.3e-01 5.4e-01 1.00e-01
40 2.5e-17 2.4e-80 5.3e-36 -7.34e+00 -7.34e+00 2.1e-01 5.7e-01 1.00e-01
41 1.2e-17 2.4e-80 2.3e-36 -7.34e+00 -7.34e+00 1.8e-01 5.0e-01 1.00e-01
42 7.0e-18 2.4e-80 1.2e-36 -7.34e+00 -7.34e+00 9.2e-01 2.5e-01 1.00e-01
43 5.2e-18 2.5e-80 8.6e-37 -7.34e+00 -7.34e+00 5.5e-01 4.3e-01 1.00e-01
44 3.2e-18 2.5e-80 4.9e-37 -7.34e+00 -7.34e+00 1.4e+00 4.3e-01 1.00e-01
45 2.0e-18 2.5e-80 2.8e-37 -7.34e+00 -7.34e+00 2.1e+00 5.1e-01 1.00e-01
46 1.1e-18 2.6e-80 1.4e-37 -7.34e+00 -7.34e+00 1.4e+00 5.3e-01 1.00e-01
47 5.8e-19 2.7e-80 6.6e-38 -7.34e+00 -7.34e+00 1.1e+00 3.7e-01 1.00e-01
48 3.8e-19 2.7e-80 4.1e-38 -7.34e+00 -7.34e+00 6.2e-01 4.5e-01 1.00e-01
49 2.3e-19 2.8e-80 2.3e-38 -7.34e+00 -7.34e+00 2.8e-01 3.2e-01 1.00e-01
50 1.6e-19 2.8e-80 1.5e-38 -7.34e+00 -7.34e+00 4.7e-01 4.8e-01 1.00e-01
51 9.3e-20 2.8e-80 8.1e-39 -7.34e+00 -7.34e+00 3.2e-01 3.0e-01 1.00e-01
52 6.7e-20 2.8e-80 5.7e-39 -7.34e+00 -7.34e+00 4.6e-01 3.1e-01 1.00e-01
53 4.9e-20 2.9e-80 3.9e-39 -7.34e+00 -7.34e+00 8.0e-01 2.9e-01 1.00e-01
54 3.6e-20 2.9e-80 2.8e-39 -7.34e+00 -7.34e+00 8.4e-01 2.0e-01 1.00e-01
55 3.1e-20 2.9e-80 2.2e-39 -7.34e+00 -7.34e+00 5.7e-01 5.5e-01 1.00e-01
56 1.6e-20 3.0e-80 9.9e-40 -7.34e+00 -7.34e+00 5.9e-01 3.8e-01 1.00e-01
57 1.0e-20 3.1e-80 6.2e-40 -7.34e+00 -7.34e+00 9.0e-01 3.5e-01 1.00e-01
58 7.1e-21 3.2e-80 4.0e-40 -7.34e+00 -7.34e+00 4.0e-01 3.6e-01 1.00e-01
59 5.0e-21 3.3e-80 2.6e-40 -7.34e+00 -7.34e+00 3.8e-01 1.9e-01 1.00e-01
60 4.3e-21 3.2e-80 2.1e-40 -7.34e+00 -7.34e+00 3.8e-01 1.9e-01 1.00e-01

phase.value = pdOPT
Iteration = 60
mu = 4.3024767042098479e-21
relative gap = 4.7521916577005972e-22
gap = 5.3350711132202114e-19
digits = 2.1323106052411692e+01
objValPrimal = -7.3430762652465377e+00
objValDual = -7.3430762652465377e+00
p.feas.error = 3.1953823653849445e-76
d.feas.error = 2.5641249090453797e-34
relative eps = 8.6361685550944446e-78
total time = 121.760
main loop time = 121.700000
total time = 121.760000
file read time = 0.060000
コメント
この記事をはてなブックマークに追加

停電による計算機サーバの一時停止:再掲載

2016年09月24日 00時42分26秒 | Weblog
平成28年9月24日(土)の14時から17時まで停電のため計算機サーバが一次停止します。

9月24日の朝に停止して、夕方以降に復帰させる予定です。









コメント
この記事をはてなブックマークに追加

SDPA 比較実験

2016年09月23日 00時09分16秒 | Weblog
性能面では環境2 > 環境1になっています。

◎ SDPA 7.4.0
環境1:Fedora 24, Kernel 4.7.3-200.fc24.x86_64, gcc 6.2.1
環境2:CentOS 7.2, 3.10.0-327.36.1.el7.x86_64, gcc 4.8.5

1: karate.dat-s
環境1:147.04s
環境2:133.57s

2: DSJC500.9.col.dat-s
環境1:46.02s
環境2:44.08s

3: NH3+.2A2\".STO6G.pqgt1t2p.dat-s
環境1:150.87s
環境2:149.05s

◯計算サーバ
SYS-6028R-WTR(CSE-825TQ-R740WB,X10DRW-i,740W Redundant Platinum)
E5-2650v3(2.3GHz 10C 25M9.60 GT/sec LGA2011-3) 105W x2
MEM-DR416L-SL01-ER21(16GB DDR4-2133 ECC REG) 256GB (16GB x16)
HUS724030ALA640 (3.0TB SATA 6Gb/s 7200 RPM, 64MB) 3.0TB x 5(4+1) < RAID10設定推奨 , 実行容量 6TB>
DVM-TEAC-DVDRW-SBT3 (SLIM DVD-RW SATA DRIVE)
MCP-220-81502-0N(Slim SATA DVD kit (include backplane, cable))
3ware 9750-4i Single Pack(6Gbps SAS RAID)
CBL-0343L-01(30awg ipass 4xSATA 76 66 54 45cm w/sb)
SMC社 Testing & Assembly Fee(CPU+HDD+Memory)
BIOS & Stress test fee
IA Linux install / node in house (CentOS6)
MA-93HUDY(USBオプティカルスクロールマウス/ダークグレー/1.67m)
BSKBU02ENBK(英語USB KB 黒 107キー)
コメント
この記事をはてなブックマークに追加

消えた GPU その3

2016年09月22日 00時31分18秒 | Weblog
やっぱり GPU 1 ( Tesla K40m 43:00.0)は異常らしいです。

----------] 12 tests from NesterovSolverTest/3, where TypeParam = caffe::GPUDevice<double>
[ RUN ] NesterovSolverTest/3.TestNesterovLeastSquaresUpdateWithWeightDecay
F0922 00:20:58.611543 20598 common.cpp:162] Check failed: status == CUBLAS_STATUS_SUCCESS (1 vs. 0) CUBLAS_STATUS_NOT_INITIALIZED
*** Check failure stack trace: ***
@ 0x7f8f2d790e6d (unknown)
@ 0x7f8f2d792ced (unknown)
@ 0x7f8f2d790a5c (unknown)
@ 0x7f8f2d79363e (unknown)
@ 0x7f8f245bf8d3 caffe::Caffe::SetDevice()
@ 0x7f8f2455d98a caffe::P2PSync<>::InternalThreadEntry()
@ 0x7f8f245a57e0 caffe::InternalThread::entry()
@ 0x7f8f2b29824a (unknown)
@ 0x7f8f23c8adc5 start_thread
@ 0x7f8f239b7ced __clone
make: *** [runtest] 中止 (コアダンプしました)


$ nvidia-smi
Thu Sep 22 00:05:41 2016
+------------------------------------------------------+
| NVIDIA-SMI 352.39 Driver Version: 352.39 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 Tesla K40m Off | 0000:42:00.0 Off | 0 |
| N/A 53C P0 143W / 235W | 4344MiB / 11519MiB | 99% Default |
+-------------------------------+----------------------+----------------------+
| 1 Tesla K40m Off | 0000:43:00.0 Off | 0 |
| N/A 26C P8 19W / 235W | 22MiB / 11519MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
| 2 Tesla K40m Off | 0000:81:00.0 Off | 0 |
| N/A 52C P0 136W / 235W | 4220MiB / 11519MiB | 99% Default |
+-------------------------------+----------------------+----------------------+
| 3 Tesla K40m Off | 0000:82:00.0 Off | 0 |
| N/A 29C P8 20W / 235W | 22MiB / 11519MiB | 0% Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 47114 C python2 122MiB |
| 0 54369 C ...tmp/akirat/caffe.new2_5/build/tools/caffe 4193MiB |
| 2 53199 C ...tmp/akirat/caffe.new2_5/build/tools/caffe 4193MiB |
+-----------------------------------------------------------------------------+
コメント
この記事をはてなブックマークに追加

平成28年度公的統計のミクロデータ等を用いた研究の新展開

2016年09月21日 00時07分34秒 | Weblog

今年も、共同研究集会「平成28年度公的統計のミクロデータ等を用いた研究の新展開」を下記要領で開催します。
公的統計を利用した様々な研究発表があります。
事前申し込みの上、奮ってご参加頂ければ幸いです。

--------------------------------------------------------------------------
 日 時:平成28年11月25日(金)10:00~17:50 (9:40受付開始)
 会 場:統計数理研究所 3階セミナー室2(D304号室)
    (東京都立川市緑町10-3)

 <プログラム>
 (暫定版)http://www.nstac.go.jp/services/pdf/program_161125-1.pdf
    ○研究報告
    ○講演
     「統計センターにおけるミクロデータ提供に関する取組(仮)」
 <予 稿 集>http://www.nstac.go.jp/services/pdf/program_161125-2.pdf

 対象者:公表されている公的統計、公的統計のミクロデータを用いた
     実証研究に関心をお持ちの方
 参加費:無料
 定員等:80名(要申込)
 ※本研究集会は統計数理研究所の共同利用の支援を受けて開催しております。
--------------------------------------------------------------------------
本研究集会について、詳細は統計センターHPをご覧ください。
http://www.nstac.go.jp/services/setumeikai.html
コメント
この記事をはてなブックマークに追加

数理最適化研究室

2016年09月20日 12時26分25秒 | Weblog
こんなホームページがまだ残っている。。。

数理最適化研究室

◆研究内容

最適化手法とグリッド技術の融合
最適化手法とは様々な条件の下で最も良い答えを求める方法です。最近では製造業や金融関係だけでなく、 生命科学やナノテクなどの分野でも使用されていますが、本研究室では情報科学の最新の研究成果 (グリッド、クラスタ技術)と融合させて、大規模な最適化問題を解くことを目指します。
コメント
この記事をはてなブックマークに追加

停電による計算機サーバの一時停止

2016年09月19日 02時16分03秒 | Weblog
平成28年9月24日(土)の14時から17時まで停電のため計算機サーバが一次停止します。

9月24日の午前中に停止して、夕方以降に復帰させる予定です。









コメント
この記事をはてなブックマークに追加

新 GPU クラスタ 性能測定 : Graph500

2016年09月18日 02時20分59秒 | Weblog
OpenMPI の方が mvapich よりも速いのだが、動作は安定していない。。。

◎ Graph500
mvapich 2.2
Scale 30 : median_TEPS: 5779503304.09
Scale 31 : median_TEPS: 6257018401.45

OpenMPI 2.0.1
Scale 30 : median_TEPS: 14134276163.2
Scale 31 : 異常終了

◯追加分
ノード数4
各ノード
CPU : Intel(R) Xeon(R) CPU E5-2650 v3 @ 2.30GHz x 2 : 10cores / 1CPU
GPU : NVIDIA K40m x 2
メモリ:256GB
ネットワーク:GbE x 2 + Mellanox Infiniband FDR x 2
HDD : HP 1000GB 7.2krpm SC 2.5型 6G SATA ハードディスクドライブ
OS : CentOS 7.2


◯現在の GPU クラスタ
ノード数4
各ノード
CPU : Intel(R) Xeon(R) CPU E5-2640 v3 @ 2.60GHz x 2 : 8cores / 1CPU
GPU : NVIDIA K40m x 2
メモリ:256GB
ネットワーク:GbE x 2 + Mellanox Infiniband FDR x 2
HDD : HP 500GB 7.2krpm SC 2.5型 6G SATA ハードディスクドライブ
OS : CentOS 7.2









コメント
この記事をはてなブックマークに追加

九州大学伊都キャンパス中央図書館 現状

2016年09月17日 02時03分25秒 | Weblog
九州大学伊都キャンパス中央図書館の工事の現状です。





コメント
この記事をはてなブックマークに追加

最大フロー求解アルゴリズムの効率的実装と,その大規模データを用いた避難計画策定への応用:休日用入り口

2016年09月16日 00時41分50秒 | Weblog
以下の件ですが、9月22日が祝日のため入り口が異なります。詳細は以下のリンクをご覧下さい。

http://www.imi.kyushu-u.ac.jp/PDF/w1entrance.pdf

最大フロー求解アルゴリズムの効率的実装と,その大規模データを用いた避難計画策定への応用
An efficient implementation of the max-flow algorithm and its application to the evacuation planning using large-scale data


開催日
2016年9月22日(木) 9:50 - 15:30

開催場所
九州大学 伊都キャンパス ウエスト1号館 D棟 4階 IMIコンファレンスルーム(W1-D-414)


【プログラム】
(全7講演)
9月22日(木)

09:50 - 10:00 オープニング

10:00 - 10:30 講演1
講演者:小林 和博 (東京理科大学)
講演タイトル《避難計画問題に対する計算技術とその応用》
≪Computation and application of the evaculation problem≫
アブストラクト: 大規模データに対するグラフ解析の実現では,モデル・アルゴリズム・計算技術の成果の効果的な組合せが重要である.昨年度の短期共同研究では,最大フロー計算の効率的な実装方法と,その津波避難計画への応用を検討した.本発表では,具体的な都市構造や地形の考慮,大規模実データへの対応,アルゴリズムの改善など,昨年度の成果を基として,本年度の研究の目的と期待される成果を述べる.

10:30 - 11:00 講演2
講演者:藤澤 克樹 (九州大学・JST CREST)
講演タイトル《大規模グラフ解析と都市 OS の開発--- ヒト・モノのモビリティに関する新しい数理モデルとその応用 ---》
≪Large-scale graph analysis for realizing urban OS≫
アブストラクト: 新しいスーパーコンピュータの応用として大規模なグラフ解析が注目を集めている. 現在、都市 OS 開発などのサイバーフィジカルシステムにおいて, ヒト・モノのモビリティに関する数理モデル及び最適化手法としてのグラフ解析の利用が開始されている. このような最先端理論(Algorithm Theory)+ 大規模実データ(Big Data)+ 最新計算技術(Computation)の有機的な組合せによる最新のグラフ解析の応用について紹介を行う.

11:00 - 11:30 講演3
講演者:斉藤 努 (構造計画研究所)
講演タイトル《Pythonによる最適化とデータ分析》
≪Optimization and data analysis using Python≫
アブストラクト: Pythonでよく用いられるライブラリを紹介する.その中で, 最適化とデータ分析について, 詳しく見ていくことにする.データ分析でよく用いられるデータ構造を使うと, 最適化の数理モデルをわかりやすく表現することができる. いくつかの例題を通して, この手法を具体的に説明する.

11:30 - 13:00 休憩

13:00 - 13:30 講演4
講演者:間瀬 正啓, 清水 正明 (日立製作所)
講演タイトル《ヒト・モノの動きの数理および機械学習によるモデル化》
≪Mathematical modeling and machine learning for flow of human and vehicle.≫
アブストラクト: 都市の交通・物流の安全性と利便性の向上に向けて, ヒト・モノの動きのデータの活用が進んでいる. 本発表では, その一例として動線データを分析, 活用するための数理および機械学習におけるモデル化の取り組みについて紹介する.

13:30 - 14:00 講演5
講演者:神山 直之 (九州大学)
講演タイトル《避難計画問題に対する実用的なアルゴリズム》
≪Practical algorithms for the evacuation problem≫
アブストラクト: 本発表では,動的ネットワーク上で定義される避難計画問題に対する実用的なアルゴリズムに関する発表を行う.まずこの問題が理論的に劣モジュラ関数最小化問題を1回解く計算時間で解けることを示し,この考え方を用いて時間拡大ネットワーク上での最大流問題を解く回数を減らすことができると期待されるアルゴリズムを提案する.その後,計算実験結果を通じ提案アルゴリズムの性能および振る舞いを報告する.

14:00 - 14:30 講演6
講演者:瀧澤 重志 (大阪市立大学)
講演タイトル《大阪市を対象とした避難計画問題の進展》
≪Recent progress in evacuation problem in the city of Osaka≫
アブストラクト: 昨年度の公開WSでは,大阪市地下空間浸水対策協議会の活動の一環として行った,梅田地下街のマルチエージェントによる避難シミュレーションと,基礎的な最速フローモデルの適用事例を紹介した.今年度は,その後の研究の展開や,今年度開始した大阪市全域を対象とした南海トラフ地震発生時の,避難・帰宅行動に関する研究の進捗について説明する.

14:30 - 15:00 講演7
講演者:佐藤 憲一郎 (関東学院大学)
講演タイトル《普遍的最速フローを用いた地震津波シナリオの評価》
≪Evaluation of the Tsunami inundation modeling using the universally quickest flow≫
アブストラクト: 現在,津波避難に関する見直しが進められているが,特定の地震津波シナリオへの対策にとどまっているケースが散見される.しかし,想定される地震津波シナリオは多数存在し,その中には現在想定しているシナリオを超える避難が困難なシナリオも存在しうる.そこで,想定される多数の地震津波シナリオに対し,避難完了までの最短時間を定量的に示すことができる普遍的最速フローと,津波浸水時の道路浸水状況・浸水開始時刻が判別できる高精度な津波浸水シミュレーションを組み合わせ,地震津波シナリオ毎に津波浸水域避難シミュレーションを実施する手法について提案する.

15:00 - 15:30 ディスカッション
コメント
この記事をはてなブックマークに追加