-
公开(公告)号：CN106503827B
公开(公告)日：2020-12-11
申请号：CN201610838314.8
申请日：2016-09-21
Applicant: 国网河北省电力公司 , 国家电网公司 , 中国科学院计算机网络信息中心
Abstract: 本发明提供了一种多时序混合整数规划问题的处理方法和装置。该方法包括：根据多时序混合整数规划问题，创建多时序混合整数规划问题的数学模型，其中，数学模型包含目标函数和约束条件。采用多个线程对多时序混合整数规划问题的数学模型进行计算。当多个线程中的任一线程获得多时序混合整数规划问题的数学模型的最优解时，终止多个线程中的其他线程。上述方法，通过并行多线程算法能够在短时间有效的求解带有较多约束的混合整数规划问题，从而解决新能源发电受限的情况，获取新能源目标函数的最优值。
-
公开(公告)号：CN106503827A
公开(公告)日：2017-03-15
申请号：CN201610838314.8
申请日：2016-09-21
Applicant: 国网河北省电力公司 , 国家电网公司 , 中国科学院计算机网络信息中心
Abstract: 本发明提供了一种多时序混合整数规划问题的处理方法和装置。该方法包括：根据多时序混合整数规划问题，创建多时序混合整数规划问题的数学模型，其中，数学模型包含目标函数和约束条件。采用多个线程对多时序混合整数规划问题的数学模型进行计算。当多个线程中的任一线程获得多时序混合整数规划问题的数学模型的最优解时，终止多个线程中的其他线程。上述方法，通过并行多线程算法能够在短时间有效的求解带有较多约束的混合整数规划问题，从而解决新能源发电受限的情况，获取新能源目标函数的最优值。
-
公开(公告)号：CN120012488A
公开(公告)日：2025-05-16
申请号：CN202510040062.3
申请日：2025-01-10
Applicant: 中国科学院计算机网络信息中心
IPC: G06F30/23 , G06T17/20 , G06F30/28 , G06T17/00 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 一种并行耦合物质点有限差分有限元模拟方法，应用于物质爆炸模拟，方法包括：生成背景网格，每个背景网格中包括若干个物质点，初始化物质点的物质信息，物质信息包括质量、动量、密度、应力应变、变形梯度信息中的至少一种；初始化杆单元；基于有限差分有限元法，各个背景网格之间进行并行模拟与通信；移动网格数据，包括物质点的移动以及杆单元的移动。本方法能够面对小变形问题时提高模拟精度，使得模拟更加贴合实际情况。
-
公开(公告)号：CN119441698B
公开(公告)日：2025-04-29
申请号：CN202411531342.6
申请日：2024-10-30
Applicant: 中国科学院计算机网络信息中心
IPC: G06F17/16 , G06N3/042 , G06N3/0495 , G06N3/08
Abstract: 本申请公开了一种张量处理单元上加速稀疏矩阵计算的方法及存储介质，所述方法包括：获取第一矩阵，其中第一矩阵包括行索引值或列索引值，第一矩阵为基于输入序列得到的稀疏矩阵；基于行索引值或列索引值，对所述第一矩阵的行和列进行重新排序，得到第二矩阵，以使所述第二矩阵相对于第一矩阵的缓存命中率更高；从GPU的内存中读取第三矩阵，并对所述第二矩阵和第三矩阵进行运算，其中所述第三矩阵是指与所述第二矩阵进行运算的矩阵，所述第三矩阵基于所述输入序列得到。通过本技术，并在tensor core上执行矩阵运算，减少了冗余计算操作，提升了运行过程中的缓存命中率实现了对稀疏矩阵的高效计算与运算资源的优化利用，极大地提升了矩阵计算的整体性能。
-
公开(公告)号：CN119647559A
公开(公告)日：2025-03-18
申请号：CN202411583800.0
申请日：2024-11-07
Applicant: 中国科学院计算机网络信息中心
Abstract: 一种面向国产超算系统的大模型训练优化方法，应用于多个国产超算系统的计算设备，每个计算设备配置有GPU，GPU包含至少一个进程，方法应用于Megatron‑DeepSpeed框架，方法包括：确定大模型训练所需要的进程，每个进程确定归属的进程组；基于Megatron‑DeepSpeed框架中张量并行、流水线并行、数据并行的顺序，同时构建进程组，进程组中包括至少一个进程；每个进程在并行训练框架中执行多次前向计算和反向计算，通过进程组的通信机制进行数据交换与同步，前向计算和反向计算包括集合通信。本方法能够提高在国产超算上进行大模型训练时的训练效率。
-
Patent Agency Ranking
公开(公告)号：CN116911147B
公开(公告)日：2024-01-23
申请号：CN202310846422.X
申请日：2023-07-11
Applicant: 中国科学院计算机网络信息中心 , 中国人民解放军63921部队
IPC: G06F30/25 , G06F9/54 , G06F9/46 , G06F15/16 , G06T15/00 , G06F111/04 , G06F111/20
Abstract: 本发明涉及一种基于三维自适应划分的物质点仿真并行方法，属于计算力学和高性能计算的交叉领域。本发明在超算平台上设计和实现物质点法的大规模并行模拟算法。首先，本发明对物质点算法的初始化进行了并行处理。然后，通过自适应划分策略将物质点均分给各个进程，实现大规模的模拟，或者根据用户需求，指定背景网格的划分方式，使得物质点更均衡地分布在各个进程间。最后，通过MPI多核并行方法，使用非阻塞通信和建立邻居列表使用临时缓冲区发送
-
公开(公告)号：CN117252808A
公开(公告)日：2023-12-19
申请号：CN202310952096.0
申请日：2023-08-01
Applicant: 中国科学院计算机网络信息中心 , 中国科学院遗传与发育生物学研究所
IPC: G06T7/00 , G06T7/13 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及边缘检测算技术领域，具体涉及一种基于核膜形态的端到端细胞衰老状态预测方法，其包括以下步骤:步骤一、通过荧光显微镜采集经免疫荧光染色的人类成纤维细胞的荧光图像；步骤二、对核膜数据进行数据增强处理，扩增训练数据，提升模型泛化能力；步骤三、通过深度神经网络生成对核膜分割掩码的预测，获取掩码信息；步骤四、将掩码信息的同时传入椭圆度模块、光滑度模块、凹陷度模块进行多角度计算与评估。本发明从多角度评估核膜形态变化，以满足领域内日益增长的对细胞衰老状态的量化的需求。
-
公开(公告)号：CN111476030B
公开(公告)日：2022-03-15
申请号：CN202010382568.X
申请日：2020-05-08
Applicant: 中国科学院计算机网络信息中心
IPC: G06F40/289 , G06F40/30 , G06F40/216 , G06F16/33
Abstract: 本发明涉及一种基于深度学习的前瞻因子筛选方法,包括：通过分词，词频统计和词性分析得到因子数据库中的各个因子关键字，并建立因子黑名单；在行业数据库中查询得到行业的时间序列数据；在图表数据库中查询得到该行业的研报图表；通过字符识别技术，得到行业研报图表中的文字信息；通过分词、词频统计和词性分析得到行业研报图表中的关键字，并建立研报黑名单；逐条将行业研报图表关键字和因子关键字进行匹配，得到与该行业相关的因子数据；针对行业数据和因子数据，通过滑动窗口时差相关系数均值计算和先行判定得到行业相关因子和最优先行阶数列表；针对得到的列表，通过单因素方差分析进行去共线性分析，筛选因子列表得到该行业的前瞻因子。
-
公开(公告)号：CN111695108A
公开(公告)日：2020-09-22
申请号：CN202010499985.2
申请日：2020-06-04
Applicant: 中国科学院计算机网络信息中心
Abstract: 本发明涉及一种异构计算环境中多源账号的用户统一账号标识系统，其包括：登录账号映射模块、计算账号映射模块、统一账号管理模块、映射管理模块和账号代理模块；其中，登录账号映射模块实现多来源登录账号到统一账号的动态绑定过程，并负责记录映射信息和日志信息；计算账号映射模块用于实现多来源计算账号到统一账号的动态绑定过程，并负责记录映射信息和日志信息；统一账号管理模块负责在异构平台的多种形式的终端之中的实现用户的身份标识功能；映射管理模块管理登录账号到统一账号、计算账号和统一账号之间的两层动态映射关系；账号代理模块负责对接不同的计算账号源，将计算资源的认证服务封装为统一的认证接口，实现简单的认证功能。
-
公开(公告)号：CN111598329A
公开(公告)日：2020-08-28
申请号：CN202010401266.2
申请日：2020-05-13
Applicant: 中国科学院计算机网络信息中心
IPC: G06Q10/04 , G06F16/2458 , G06N3/04
Abstract: 本发明实施例提供了一种时序数据预测方法及预测模型的训练方法，训练方法包括：分别从先获得的行业时间序列数据集和行业关键因子信息时间序列数据集中，查询给定行业和给定行业关键因子的时间序列数据；根据预测周期长度，划分上述给定行业和给定行业关键因子的时间序列数据，得到训练集，利用训练集对时序数据预测模型进行训练。时序数据预测方法包括，将给定行业和给定行业关键因子的时间序列数据，输入由该训练方法预先训练的时序数据预测模型，获得行业预测结果。使用上述方法，可根据行业历史信息和选择的关键因子信息，获取对行业的预测信息，同时，在训练中的特性工程和超参数调优中利用自动化参数调整，减少了训练过程工作量。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.087 seconds)
