The Geosciences DeVL Experiment: new information generated from old magnetotelluric data of The University of Adelaide on the NCI High Performance Computing Platform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
SummaryIn recent years, magnetotelluric (MT) processing has become computationally intensive as the scale and size of MT surveys being run increases. Consequently, High Performance Computing (HPC) is now becoming a valuable tool for timely processing and modelling of these large MT datasets. As part of the MT component of the 2017-2019 Australian Research Data Commons (ARDC) funded Geoscience Data Enhanced Virtual Laboratory (DeVL) continuity project, The National Computational Infrastructure (NCI) at the Australian National University will enable MT datasets from The University of Adelaide to be added to the NCI HPC platform with the goal of creating a more Findable, Accessible, Interoperable, Reusable (FAIR) and open public resource. A focus will be on making the time series datasets more suitable for use on HPC and more interoperable with other Earth science disciplines, where High Performance Data (HPD) formats will allow for better scalability and performance. Metadata attributes, as defined by the Australian MT research community, will be added directly to the time series data files. Additionally, time series processing and 3D inversion codes are being optimised for HPD/HPC, with the end goal of rapid time series processing and 3D inversion. Making FAIR MT time series available on HPC can lead to a transformative change in the way MT data analysis is routinely conducted and such a change has the capacity to create new ways of doing collaborative and transparent MT analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle