圖神經網絡 – NVIDIA 技術博客
http://www.open-lab.net/zh-cn/blog
閱讀開發者創建的最新技術信息、頭條新聞 和內容。
Thu, 16 Nov 2023 07:48:13 +0000
zh-CN
hourly
1
196178272 -
借助 AI 代理提供更好的特定于患者的心血管護理
http://www.open-lab.net/zh-cn/blog/enabling-greater-patient-specific-cardiovascular-care-with-ai-surrogates/
Thu, 09 Nov 2023 07:45:23 +0000
http://www.open-lab.net/zh-cn/blog/?p=8275
Continued]]>
斯坦福大學的一個團隊正在利用 AI 的強大功能推動近乎實時的心血管模擬來改變心臟健康。研究人員利用基于物理信息的機器學習替代模型,生成準確的、針對患者特定的血流可視化結果,以打開心臟研究的非侵入性窗口。從評估冠狀動脈動脈瘤到開創先天性心臟病的新手術方法以及提高醫療設備的有效性,這項技術具有深遠的影響。這項工作在推動心血管醫學發展方面具有巨大潛力,可以為消除美國的主要死亡原因提供創新方法。 心血管模擬是針對患者特定治療多種心臟相關疾病的重要推動因素。使用有限元方法對血液流動進行 3D 計算流體動力學 (CFD) 模擬是一項具有計算挑戰性的任務,在臨床實踐中尤為如此。作為替代方案,我們經常使用基于物理性質的降序模型 (ROM),因為其效率更高。 但是,此類 ROM 依賴于對血管幾何形狀、復雜性或簡化數學模型的簡化假設,通常無法對感興趣的數量進行建模,例如準確的血管接頭處壓力損失,
Source
]]>
8275
-
借助 GPU-CPU 融合大規模增強圖形分析,實現 100 倍性能
http://www.open-lab.net/zh-cn/blog/supercharge-graph-analytics-at-scale-with-gpu-cpu-fusion-for-100x-performance/
Fri, 13 Oct 2023 06:13:41 +0000
http://www.open-lab.net/zh-cn/blog/?p=8015
Continued]]>
圖形是許多現代數據和分析功能的基礎,可在不同的數據資產中查找人、地點、事物、事件和位置之間的關系。根據一項研究,到 2025 年,圖形技術將被用于 80% 的數據和分析創新,這將有助于促進跨組織的快速決策。 在處理包含數百萬個節點的圖形時,CPU 上的 Louvain 等算法的執行時間可能長達幾個小時。這種長時間的處理時間不僅會影響開發者的工作效率,而且會導致總體性能結果欠佳。 利用 GPU 的并行處理能力可以顯著縮短圖形訓練時間。基準測試結果表明,GPU 加速在將基于 CPU 的計算速度提高 100 倍以上方面具有巨大潛力。 這種顯著的速度提升展示了將 GPU 集成到 圖形分析 (graph analytics) 可以實現 100 倍的性能提升。 這種顛覆性架構的核心是以下三個關鍵組件,每個組件都發揮著關鍵作用。
Source
]]>
8015
-
NVIDIA cuGraph DGL 圖形神經網絡簡介
http://www.open-lab.net/zh-cn/blog/introduction-to-graph-neural-networks-with-nvidia-cugraph-dgl/
Thu, 31 Aug 2023 05:40:42 +0000
http://www.open-lab.net/zh-cn/blog/?p=7787
Continued]]>
圖神經網絡(GNN)已成為處理各種機器學習圖結構數據任務的重要工具。這些任務的范圍從節點分類、鏈接預測到圖形分類。它們還涵蓋了廣泛的應用,如社交網絡分析、醫療保健中的藥物發現、金融服務中的欺詐檢測和分子化學。 在這篇文章中,我介紹了如何使用 cuGraph DGL,一個用于圖計算的 GPU 加速庫。它擴展了深度圖庫(DGL),這是一個支持大規模應用的 GNN 流行框架。 在深入研究 cuGraph DGL 之前,我想建立一些基礎知識。GNN 是一種特殊的神經網絡,設計用于處理結構化為圖的數據。與傳統的假設樣本之間獨立的神經網絡不同,GNN 不能很好地與圖形數據相匹配,它有效地利用了圖形數據中豐富而復雜的互連。 簡言之,GNN 通過多個步驟(通常稱為層)在圖結構中傳播和轉換節點特征來工作(圖 1)。每個層基于其自身的特征和其鄰居的特征來更新每個節點的特征。
Source
]]>
7787
-
用圖神經網絡開發基于物理的機器學習模型
http://www.open-lab.net/zh-cn/blog/develop-physics-informed-machine-learning-models-with-graph-neural-networks/
Tue, 06 Jun 2023 06:41:39 +0000
http://www.open-lab.net/zh-cn/blog/?p=7154
Continued]]>
NVIDIA PhysicsNeMo是一個框架,用于構建、訓練和微調物理系統的深度學習模型,也稱為物理知情機器學習(physics ML)模型。現在,PhysicsNeMo 以開源軟件(OSS)的形式提供(基于 Apache 2.0 許可證),以支持不斷增長的物理 ML 社區。 最新的 PhysicsNeMo 軟件更新 23 . 05 版匯集了新的功能,使研究界和行業能夠通過開源協作將研究開發成企業級解決方案 此次更新的兩個主要組成部分是 1 )支持包括圖神經網絡( GNN )和遞歸神經網絡( RNN )在內的新網絡架構,以及 2 )提高人工智能從業者的易用性。 GNN 正在改變研究人員如何應對涉及復雜圖形結構的挑戰,例如物理、生物學和社交網絡中遇到的挑戰。通過利用圖的結構, GNN 能夠根據圖中節點之間的關系進行學習和預測。 通過 GNN 的應用,
Source
]]>
7154
人人超碰97caoporen国产