ROSE: RADICAL Orchestrator for Surrogate Exploration
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
Scientific computing increasingly relies on surrogate models to accelerate high-fidelity simulations, enable real-time predictions, and facilitate exploration of the design space. However, building effective surrogates at scale presents several challenges: simulations are computationally expensive, data generation must be carefully managed, and surrogate learning requires handling large, heterogeneous, and dynamically evolving workflows. These challenges are amplified in active learning contexts, where surrogate models guide further data acquisition, resulting in a tight coupling between simulation, inference, and model training. This paper introduces the ROSE (RADICAL Orchestrator for Surrogate Exploration) framework, a flexible, portable, and scalable software system designed to support the end-to-end lifecycle of surrogate modeling in high-performance computing environments. ROSE integrates active learning algorithms with scalable orchestration, managing asynchronous execution across diverse computing resources while minimizing user burden. It supports both in-situ and ex-situ workflows, online and offline training, and accommodates the dynamic structure of adaptive sampling and surrogate refinement. ROSE is used for three scientific use cases: electrolyte structure extraction, neutron diffraction structure recovery, and colloid phase classification. Across Polaris, Perlmutter, and Delta, ROSE sustains high throughput with low orchestration overhead, and delivers 4–8 × end-to-end speedups in our three use cases by exploiting parallel, pilot-based execution, where asynchronous orchestration typically yields 1.5–3 × versus synchronous baselines.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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