El BSC proporcionarà les seves tecnologies emergents i infraestructura HPC per desenvolupar aquest projecte.
El Barcelona Supercomputing Center-Centro Nacional de Supercomputación (BSC) investigarà l’ús de la Intel·ligència Artificial Generativa per generar i augmentar conjunts de dades sintètiques per a aplicacions de teledetecció en l’àmbit de l’espai. El BSC juntament amb els seus socis italians AIKO Srl i el National Research Council - Institut de Atmospheric Sciences and Climate formen el consorci del projecte DeepLIM, finançat per l'Agència Espacial Europea (ESA).
El grup d'Arquitectura de Computadors i Sistema Operatiu (CAOS) està a càrrec d'aquest projecte al BSC i proporcionarà les tecnologies emergents i la infraestructura HPC del centre, inclosos els processadors POWER9 i les GPU NVIDIA V100 per desenvolupar les accions d'aquest projecte.
Entrenar models de Deep learning requereix molta potència de càlcul. Com a conseqüència, s'ha demostrat que les càrregues de treball de Deep learning són excel·lents per a acceleradors com les GPU, incloses al clúster de tecnologies emergents de MareNostrum P9.
El BSC ajudarà amb les optimitzacions de rendiment de les biblioteques de Deep learning, el que donarà com a resultat una capacitació i inferència més ràpides i amb major eficiència energètica. En realitzar una anàlisi exhaustiva de les principals biblioteques, els investigadors del BSC identificaran els colls d'ampolla de rendiment i les funcions que requereixen més temps i a l’optimitzar-los per a arquitectures específiques (per exemple, GPU o CPU), tant els processos de formació com d’ inferència poden realitzar-se de manera més eficient.
Els enfocaments de Deep learning són una solució principal en molts camps i, recentment, s'estan utilitzant en àmbits crítics com l'espai.
El projecte DeepLIM té dos objectius principals. Primer, comprendre, desenvolupar i explotar l'ús de la Intel·ligència Artificial Generativa per millorar i augmentar els conjunts de dades adquirits a través de campanyes d'observació, o generats per models computacionalment intensius. En segon lloc, millorar els models d'última generació que s'utilitzen per realitzar el modelatge d'inversió amb l'ús d'algoritmes de Deep learning. S’espera una millora en la campanya d'adquisició de dades per a la simulació i el desenvolupament d'algoritmes i la reducció de costos a causa de la menor quantitat de dades reals necessàries per a l'entrenament de models d'inversió.