CCRI: ENS: Cognitive Hardware and Software Ecosystem Community Infrastructure (CHASE-CI)

CCRI：ENS：认知硬件和软件生态系统社区基础设施 (CHASE-CI)

基本信息

批准号：
2120019
负责人：
Thomas DeFanti
金额：
$ 180万
依托单位：
University of California-San Diego
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2021
资助国家：
美国
起止时间：
2021-10-01 至 2025-09-30
项目状态：
未结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2120019&HistoricalAwards=false
关键词：
CCRI ENS Cognitive Hardware Software

项目摘要

Machine learning (ML) is a rapidly expanding field. Computationally intensive workflows train neural nets and then use the results in smartphones, robots, drones, self-driving vehicles, and to run the Internet of Things. Access to graphics processing units (GPUs) is provided through CHASE-CI’s Nautilus, a highly distributed but centrally managed on-demand computer cluster designed for ML and Computational Media (CM). CHASE-CI provides over 20 campuses the scaffold for adding on-premises compute cycles and fast data handling and it offers researcher-focused support and training. Using CHASE-CI’s detailed measurements of performance, researchers learn to become experts in optimization of their computational resources.CHASE-CI is a community-building effort that sustains a growing community of ML/CM researchers using a purpose-built continuously enhanced nationally distributed computing and data storage infrastructure. Researchers explore combinations of algorithms and architectures optimized with the help of graphed performance metrics. Researchers benefit from extensive shared workflows and open-source software. They use CHASE-CI’s on-line social media platform to receive and give support and share techniques. Community use of CHASE-CI informs computer architecture discussions about future national cyberinfrastructure research and instructional lab needs. CHASE-CI forms a national on-line community that is easy to join, designed for sharing code, data, and results.The hardware, software, and socio-technical approaches developed by CHASE-CI have provided a roadmap for broader research uses and student training in ML/CM technologies. Researchers get expanded access to hundreds of GPUs for developing algorithms and software to train sensing devices and visualize results thus engaging the students who will soon join the essential workforce for the ongoing massive expansion of mobile platforms such as robots, drones, and self-driving cars. CHASE-CI impacts social diversity in computer science, broadening participation among Minority-Serving Institutions and underserved states. CHASE-CI thoroughly measures and monitors data access by applications over the regional and national R&E networks. The repository for the project may be found at prp.ucsd.edu, to be maintained for the length of the project at a minimum. It is the anchor website containing pointers to all the research efforts that build upon the Pacific Research Platform. It contains code repositories, presentations, references like publications, presentations, and recorded lectures, and it maintains and archives an active social media channel. CHASE-CI is led by UC San Diego, partnering with investigators at UC Santa Cruz, The University of Nebraska-Lincoln, Florida Agricultural and Mechanical University, New York University, The University of Illinois at Chicago, and San Diego State University.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

机器学习 (ML) 是一个快速发展的领域，计算密集型工作流程可训练神经网络，然后在智能手机、机器人、无人机、自动驾驶车辆中使用结果，并运行物联网访问图形处理单元 (GPU)。是通过 CHASE-CI 的 Nautilus 提供的，Nautilus 是一个高度分布式但集中管理的按需计算机集群，专为 ML 和计算媒体 (CM) 设计，CHASE-CI 为 20 多个园区提供了添加支架。本地计算周期和快速数据处理，并提供以研究人员为中心的支持和培训。使用 CHASE-CI 的详细性能测量，研究人员可以学习成为优化计算资源的专家。CHASE-CI 是一项社区建设工作。使用专门构建的持续增强的全国分布式计算和数据存储基础设施来维持不断增长的 ML/CM 研究人员社区。研究人员借助图形性能指标探索优化的算法和架构组合，研究人员受益于广泛的共享工作流程和开源。他们使用软件。 CHASE-CI 的在线社交媒体平台用于接收和提供支持并分享技术。CHASE-CI 的社区使用为有关未来国家网络基础设施研究和教学实验室需求的计算机架构讨论提供了信息。易于加入，专为共享代码、数据和结果而设计。CHASE-CI 开发的硬件、软件和社会技术方法为更广泛的研究用途和 ML/CM 技术的学生培训提供了路线图。访问数百个 GPU 来开发算法和软件来训练传感设备和可视化结果，从而吸引学生，他们很快将成为机器人、无人机和自动驾驶汽车等移动平台持续大规模扩展的重要劳动力。 CI 影响计算机科学领域的社会多样性，扩大少数族裔服务机构和服务不足的国家的参与范围 CHASE-CI 彻底测量和监控区域和国家 R&E 网络上的应用程序的数据访问该项目的存储库可以在以下位置找到。 prp.ucsd.edu，至少在项目期间维护它是一个锚定网站，包含基于太平洋研究平台的所有研究工作的指针，它包含代码存储库、演示文稿、出版物等参考资料。 CHASE-CI 由加州大学圣地亚哥分校领导，与加州大学圣克鲁斯分校、内布拉斯加大学林肯分校、佛罗里达州农业和机械学院的研究人员合作。大学、纽约大学、伊利诺伊大学芝加哥分校和圣地亚哥州立大学。该奖项反映了 NSF 的法定使命，并通过使用基金会的智力价值和更广泛的影响审查标准进行评估，被认为值得支持。

项目成果

期刊论文数量（122）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

COSMO: Computing with Stochastic Numbers in Memory

COSMO：使用内存中的随机数进行计算

DOI：
10.1145/3484731
发表时间：
2022-04
期刊：
ACM Journal on Emerging Technologies in Computing Systems
影响因子：
2.2
作者：
Gupta, Saransh;Imani, Mohsen;Sim, Joonseop;Huang, Andrew;Wu, Fan;Kang, Jaeyoung;Kim, Yeseong;Rosing, Tajana Šimunić
通讯作者：
Rosing, Tajana Šimunić

IRISformer: Dense Vision Transformers for Single-Image Inverse Rendering in Indoor Scenes

IRISformer：用于室内场景中单图像逆渲染的密集视觉变换器

DOI：
发表时间：
2022-01
期刊：
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
影响因子：
0
作者：
Zhu, R.;Li, Z.;Matai, J.;Porikli, F.;and Chandraker, M.
通讯作者：
and Chandraker, M.

Auto-scaling HTCondor pools using Kubernetes compute resources

使用 Kubernetes 计算资源自动扩展 HTCondor 池

DOI：
发表时间：
2022-01
期刊：
ArXivorg
影响因子：
0
作者：
Sfiligoi, I.;DeFanti, T.;and Würthwein, F.
通讯作者：
and Würthwein, F.

Learning continuous image representation with local implicit image function

使用局部隐式图像函数学习连续图像表示

DOI：
10.1109/cvpr46437.2021.00852
发表时间：
2021-01
期刊：
Proceedings of the IEEE/CVF conference on computer vision and pattern recognition
影响因子：
0
作者：
Chen, Y.;Liu, S.;Wang, X.
通讯作者：
Wang, X.

Cerebro: A Layered Data Platform for Scalable Deep Learning.

Cerebro：用于可扩展深度学习的分层数据平台。