.png){kind=icon}
.png){kind=icon}
返回
Efficient parameter tuning for a structure-based virtual screening HPC application
.png){kind=icon}
OA
AI
DOI：10.1016/j.jpdc.2025.105087.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虚拟筛选应用通过高度参数化来优化质量和执行性能之间的平衡。尽管输出质量至关重要，但整个筛选过程必须在合理时间内完成。实际上，在处理大型数据集时，输出精度的轻微降低可能是可接受的。寻找最佳的质量-吞吐量权衡取决于所使用的特定HPC系统，并且应在每次新部署或重大代码更新时重新评估。本文提出了两种用于分布式高性能计算（HPC）环境中受约束优化的并行自调优技术。这些技术通过两种并行异步方法扩展了顺序贝叶斯优化（BO），并整合了来自机器学习（ML）模型的预测，以帮助满足约束条件。我们的目标应用是LiGen，一个用于药物发现的实际虚拟筛选软件。所提出的方法解决了两个相关挑战：参数空间的高效探索以及使用领域特定指标和程序进行性能测量。我们进行了一项实验比较，将这两种方法与一种流行的最先进自调优器进行了对比。结果表明，我们的方法找到的配置平均比自调优器找到的配置以及LiGen默认专家选择的配置高出35-42%。
Keyword:
Application autotuning
High-performance computing
Virtual screening
Bayesian optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。