the developer’s efforts while suppo

the developer’s efforts while supporting
dynamic, fine-grain parallelism.
Much can be learned from Web and
cloud services where abstraction layers
and domain-specific toolkits allow
developers to deploy custom execution
environments (virtual machines) and
leverage high-level services for reduction
of complex data. The scientific
computing challenge is retaining expressivity
and productivity while also
delivering high performance.
Reformulation of science problems
and refactoring solution algorithms.
Many thousands of person-years have
been invested in current scientific and
engineering codes and in data mining
and learning software. Adapting scientific
codes to billion-way parallelism
will require redesigning, or even reinventing,
the algorithms and potentially
reformulating the science problems.
Integrating data-analytics software
and tools with computation is equally
daunting; programming languages
and models differ, as do the communities
and cultures. Understanding how
to do these things efficiently and effectively
will be key to solving missioncritical
science problems;
Ensuring correctness in the face of
faults, reproducibility, and algorithm
verification. With frequent transient
and permanent faults, lack of reproducibility
in collective communication,
and new mathematical algorithms
with limited verification, computation
validation and correctness assurance
will be much more important for the
next generation of massively parallel
systems, whether optimized for scientific
computing, data analysis, or both;
Mathematical optimization and uncertainty
quantification for discovery,
design, and decision. Large-scale computations
are themselves experiments
that probe the sample space of numerical
models. Understanding the sensitivity
of computational predictions
to model inputs and assumptions,
particularly when they involve complex,
multidisciplinary applications
requires new tools and techniques
for application validation and assessment.
The equally important analogs
in large-scale data analytics and machine
learning are precision (the fraction
of retrieved data that is relevant)
and recall (the fraction of relevant data
retrieved); and

ผลลัพธ์ (ไทย) 1:

ความพยายามของนักพัฒนาสนับสนุนแบบไดนามิก เมล็ด ข้าวปรับ parallelismมากที่สามารถเรียนรู้จากเว็บ และสถานบริการคลาวด์ abstraction ชั้นและอนุญาตเฉพาะโดเมนข่าวนักพัฒนาสามารถใช้การดำเนินการแบบกำหนดเองสภาพแวดล้อม (เครื่องเสมือน) และใช้ลดระดับบริการของข้อมูลที่ซับซ้อน ทางวิทยาศาสตร์คำนวณความท้าทายจะรักษา expressivityและผลผลิตในขณะที่ยังนำเสนอประสิทธิภาพสูงReformulation ปัญหาวิทยาศาสตร์และ refactoring โซลูชันอัลกอริทึมมีหลายพัน person-yearsการลงทุนในปัจจุบัน scientific และวิศวกรรมศาสตร์รหัสและ ในการทำเหมืองข้อมูลและซอฟต์แวร์การเรียนรู้ สมดุลทางวิทยาศาสตร์รหัส parallelism วิธีพันล้านจะต้อง redesigning หรือแม้แต่ ฟื้นฟูอัลกอริทึม และอาจreformulating ปัญหาวิทยาศาสตร์รวมซอฟต์แวร์วิเคราะห์ข้อมูลและเครื่องมือพร้อมคำนวณได้เท่า ๆ กันยุ่งยาก ภาษาการเขียนโปรแกรมและรูปแบบที่แตก ต่าง กับชุมชนและวัฒนธรรม เข้าใจอย่างไรการทำสิ่งเหล่านี้มีประสิทธิภาพ และประสิทธิผลจะคีย์การแก้ missioncriticalปัญหาวิทยาศาสตร์มั่นใจความถูกต้องใน face ของข้อบกพร่อง reproducibility และอัลกอริทึมตรวจสอบ มีแบบฉับพลันบ่อย ๆและถาวร ขาด reproducibilityในการสื่อสารรวมและอัลกอริทึมทางคณิตศาสตร์ใหม่มี verification จำกัด คำนวณรับรองความถูกต้องและความถูกต้องจะมีความสำคัญมากสำหรับการรุ่นต่อไปของควบคู่กันอย่างหนาแน่นระบบ ว่าเหมาะทางวิทยาศาสตร์คำนวณ วิเคราะห์ข้อมูล หรือทั้งสองเพิ่มประสิทธิภาพทางคณิตศาสตร์และความไม่แน่นอนสำหรับการค้นพบ นับออกแบบ และการตัดสินใจ ประมวลผลขนาดใหญ่ตัวเองได้ทดลองที่โพรบพื้นที่ตัวอย่างของตัวเลขรูปแบบจำลอง ความไวในการทำความเข้าใจคาดคะเนคำนวณของรูปแบบอินพุตและสมมติฐานโดยเฉพาะอย่างยิ่งเมื่อพวกเขาเกี่ยวข้องกับคอมเพล็กซ์โปรแกรมประยุกต์ multidisciplinaryต้องใช้เทคนิคและเครื่องมือใหม่สำหรับแอพลิเคชันตรวจสอบและประเมินผลAnalogs สำคัญเท่า ๆ กันในการวิเคราะห์ข้อมูลขนาดใหญ่และเครื่องจักรเรียนรู้มีความแม่นยำ (เศษส่วนข้อมูลดึงข้อมูลที่เกี่ยวข้อง)และเรียกคืน (สัดส่วนของข้อมูลที่เกี่ยวข้องดึงข้อมูล); และ

ผลลัพธ์ (ไทย) 2:

ความพยายามของนักพัฒนาในขณะที่สนับสนุนแบบไดนามิกขนานเม็ดละเอียด. มากสามารถเรียนรู้จากเว็บและบริการคลาวด์ที่ชั้นนามธรรมและชุดเครื่องมือโดเมนเฉพาะช่วยให้นักพัฒนาในการปรับใช้การดำเนินการที่กำหนดเองสภาพแวดล้อม(เครื่องเสมือน) และยกระดับการให้บริการระดับสูงสำหรับการลดลงของความซับซ้อนข้อมูล. ทางวิทยาศาสตร์ที่ท้าทายคือการรักษาคอมพิวเตอร์ expressivity และการผลิตในขณะที่ยังมีการส่งมอบที่มีประสิทธิภาพสูง. reformulation ปัญหาวิทยาศาสตร์และขั้นตอนวิธีการแก้ปัญหาrefactoring. หลายพันคนปีได้รับการลงทุนในคทางวิทยาศาสตร์ในปัจจุบันและรหัสวิศวกรรมและในการทำเหมืองข้อมูลและซอฟแวร์การเรียนรู้ การปรับตัวทางวิทยาศาสตร์รหัสการขนานพันล้านวิธีที่จะต้องมีการปรับเปลี่ยนการออกแบบหรือแม้กระทั่งการปฏิรูป, ขั้นตอนวิธีการและอาจปรับเปลี่ยนปัญหาวิทยาศาสตร์. การบูรณาการซอฟแวร์การวิเคราะห์ข้อมูลและเครื่องมือที่มีการคำนวณเป็นอย่างเท่าเทียมกันที่น่ากลัว; การเขียนโปรแกรมภาษาและรูปแบบที่แตกต่างกันเช่นเดียวกับชุมชนและวัฒนธรรม ทำความเข้าใจวิธีการที่จะทำสิ่งเหล่านี้มีประสิทธิภาพและประสิทธิผลจะเป็นกุญแจสำคัญในการแก้missioncritical ปัญหาวิทยาศาสตร์มั่นใจความถูกต้องในใบหน้าของความผิดพลาดในการทำซ้ำและขั้นตอนวิธีการตรวจสอบ ด้วยชั่วคราวบ่อยและความผิดพลาดอย่างถาวรขาดการทำซ้ำในการสื่อสารโดยรวมและขั้นตอนวิธีการทางคณิตศาสตร์ใหม่มีอยู่อย่างจำกัด ไอออนบวกสาย Veri การคำนวณการตรวจสอบและการรับรองความถูกต้องจะมีความสำคัญมากขึ้นสำหรับรุ่นต่อไปของคู่ขนานอย่างหนาแน่นระบบไม่ว่าจะเป็นการเพิ่มประสิทธิภาพสำหรับวิทยาศาสตร์คอมพิวเตอร์, การวิเคราะห์ข้อมูล หรือทั้งสองการเพิ่มประสิทธิภาพและความไม่แน่นอนทางคณิตศาสตร์ปริมาณสำหรับการค้นพบ, การออกแบบและการตัดสินใจ การคำนวณขนาดใหญ่เป็นตัวการทดลองที่ตรวจสอบพื้นที่ตัวอย่างของตัวเลขรุ่น การทำความเข้าใจความไวของการคาดการณ์การคำนวณแบบจำลองปัจจัยการผลิตและสมมติฐานโดยเฉพาะอย่างยิ่งเมื่อพวกเขาเกี่ยวข้องกับการที่ซับซ้อนการใช้งานสหสาขาวิชาชีพที่ต้องใช้เครื่องมือและเทคนิคใหม่สำหรับการตรวจสอบการประยุกต์ใช้และการประเมิน. analogs ความสำคัญเท่าเทียมกันในการวิเคราะห์ข้อมูลขนาดใหญ่และเครื่องการเรียนรู้ที่มีความแม่นยำ(ส่วนของดึงข้อมูลที่เกี่ยวข้อง) และการเรียกคืน (ส่วนของข้อมูลที่เกี่ยวข้องดึง); และ

ผลลัพธ์ (ไทย) 3:

ความพยายามของนักพัฒนาในขณะที่สนับสนุน

แบบขนานเมล็ดดี มากสามารถเรียนรู้ได้จากเว็บและบริการเมฆที่เป็นนามธรรมชั้น

และโดเมนเฉพาะนักพัฒนาเพื่อปรับสภาพแวดล้อม toolkits ให้

( เครื่องเสมือนการกำหนดเอง ) และยกระดับการบริการระดับสูงเพื่อลด

ของข้อมูลที่ซับซ้อน วิทยาศาสตร์คอมพิวเตอร์ความท้าทายคือการรักษา expressivity

และการเพิ่มผลผลิตในขณะที่ยังส่งมอบประสิทธิภาพสูง
.
reformulation ของวิทยาศาสตร์ปัญหา

และ วาริทขั้นตอนวิธีการแก้ปัญหา หลายพันคน ปี ปัจจุบันจึงได้ลงทุนใน scienti
C
รหัสวิศวกรรมและเหมืองแร่
ข้อมูลและการเรียนรู้ซอฟต์แวร์ การปรับรหัสทางวิทยาศาสตร์กับทางขนาน

และจะต้องมีการเปลี่ยนแปลง หรือแม้แต่บท

, ขั้นตอนวิธีและซ่อนเร้นreformulating ปัญหาวิทยาศาสตร์ .

รวมข้อมูลซอฟต์แวร์การวิเคราะห์และการคำนวณเป็นเครื่องมือ ด้วยกัน

น่ากลัว รูปแบบการเขียนโปรแกรมภาษาและแตกต่าง กับชุมชน
และวัฒนธรรม ความเข้าใจวิธีการ
ทำสิ่งต่างๆเหล่านี้ได้อย่างมีประสิทธิภาพ และประสิทธิผล
จะเป็นคีย์เพื่อการแก้โจทย์ปัญหาวิทยาศาสตร์ missioncritical
;

มั่นใจความถูกต้องในหน้าตรวจสอบขั้นตอนวิธี
และข้อบกพร่องการตรวจสอบ ชั่วคราวและถาวรกับบ่อย

ผิดพลาด ขาดยาในการสื่อสารร่วมและขั้นตอนวิธีทางคณิตศาสตร์

ใหม่ที่มี จำกัด ที่มีการถ่ายทอด , การตรวจสอบและรับรองความถูกต้องของการคำนวณ

จะเป็นสิ่งที่สำคัญมากสำหรับรุ่นถัดไปของระบบขนาน massively


ว่าเหมาะสำหรับการคำนวณทางวิทยาศาสตร์ การวิเคราะห์ข้อมูล หรือทั้งสอง
คณิตศาสตร์เพิ่มปริมาณสำหรับการค้นพบและความไม่แน่นอน

, การออกแบบและการตัดสินใจ ขนาดใหญ่รูปตัวเองที่หัว

( พื้นที่ตัวอย่างของแบบจำลอง

ความเข้าใจ ความไวของการคำนวณการคาดการณ์

ปัจจัยการผลิตรูปแบบและสมมติฐาน
โดยเฉพาะอย่างยิ่งเมื่อพวกเขาเกี่ยวข้องกับ ซับซ้อน โดยการใช้เครื่องมือใหม่


และเทคนิคการประยุกต์ใช้และการประเมิน สำคัญพอๆกัน

ในการวิเคราะห์ข้อมูลที่มีขนาดใหญ่และเครื่องมีความแม่นยำ
การเรียนรู้ ( สัดส่วนของข้อมูลที่เกี่ยวข้องได้

) และเรียกคืน ( สัดส่วนของข้อมูลที่เกี่ยวข้อง
เรียก ) ; และ