Advanced Scientific Computing

La divisione ASC svolge attività di ricerca e sviluppo nel settore della Computational Science applicata ai cambiamenti climatici. In particolare, le attività della divisione riguardano (i) lo sviluppo di tecniche di calcolo avanzate e algoritmi innovativi per un utilizzo ottimale dei modelli di simulazione numerica su strutture di calcolo HPC (High End Computing – HEC), (ii) l’analisi e il mining di grandi volumi di dati scientifici e gestione dei workflow di analisi in ottica exascale (Data Science – DS), (iii) l’esplorazione di metodologie basate su Intelligenza Artificiale e Machine Learning in ambienti (pre) exascale nel settore dei cambiamenti climatici (Exascale Machine Learning for Climate Change – EMLC2), e (iv) ricerca su piattaforme e strumenti digitali innovativi per le fornitura di nuovi servizi in diversi settori, come agricoltura, clima, riduzione dei rischi in caso di disastri, oceanografia, gestione delle acque, ecc. (Production Platforms for Operational Services (PPOS).

Obiettivi

  • Analisi, ottimizzazione e parallelizzazione dei modelli di simulazione numerica su architetture di calcolo exascale e ibride multi-core per lo studio dei cambiamenti climatici e dei relativi impatti;
  • Progettazione e implementazione di soluzioni open source efficienti di Data Science, che consentano l’accesso, l’analisi e l’estrazione di dati scientifici, e gestione di workflow scientifici nel contesto dei cambiamenti climatici;
  • Studio, progettazione e sviluppo di tecniche di Machine/Deep learning per sfruttare le architetture HPC pre-exascale e exascale nell’ambito della ricerca sui cambiamenti climatici;
  • Progettazione e sviluppo di piattaforme e strumenti digitali innovativi, basati sull’integrazione di tecnologie ICT di ultima generazione;

Progetti ASC

  • HIGHLANDER - High performance computing to support smart land services

    Through the use of High Performance Computing, HIGHLANDER will make it possible…


  • NEMESI - NanotEcnologie chiMiche green per la protEzione Sostenibile delle pIante

    The NEMESI project is aimed at the creation of biobased / biomaterial…


  • ESiWACE2 - Excellence in Simulation of Weather and Climate in Europe, Phase 2

    ESiWACE2 will deliver configurations of leading models that can make efficient use…

  • Pubblicazioni ASC

    Towards High Performance Data Analytics for Climate Change

    Fiore S., Elia D., Palazzo C., Antonio F., D'Anca A., Foster I. , Aloisio G.
    2019, Weiland M., Juckeland G., Alam S., Jagode H. (eds) High Performance Computing. ISC High Performance 2019, Lecture Notes in Computer Science, vol 11887. Springer, Cham, DOI: https://doi.org/10.1007/978-3-030-34356-9_20, web page


    BIGSEA: A Big Data analytics platform for public transportation information

    Alic A. S., Almeida J. M., Aloisio G., Andraded N., Antunes N., Ardagna D., Badia R. M., Basso T., Blanquer I., Braz T., Brito A. Elia D., Fiore S., Guedes D. O., Lattuada M., Lezzi D., Maciel M., Meira W., Mestre D., Moraes R., Morais F., Pires C. E., Kozievitch N. P., Dos Santos W., Silva P., Vieira M.
    2019, Future Generation Computer Systems, DOI: doi.org/10.1016/j.future.2019.02.011, web page


    BioClimate: A Science Gateway for Climate Change and Biodiversity research in the EUBrazilCloudConnect project

    Fiore S., Elia D., Blanquer I., Brasileiro F. V. Nuzzo A., Nassisi P., Rufino I. A.A., Seijmonsbergen A. C., Anders N. S., Galvão C. de O. , Cunha J. E. de B.L., Caballer M., Sousa-Baena M. S., Canhos V. P., Aloisio G.
    2019, Future Generation Computer Systems, Volume 94, pp. 895-909, DOI: doi.org/10.1016/j.future.2017.11.034, web page

    Manager di Divisione

    Laura Conte

    Contatti

    Via Augusto Imperatore, 16 – 73100 LECCE, Italia

    laura.conte@cmcc.it

    Unità di Ricerca

    Leader: Italo Epicoco

    Gli obiettivi di questa unità di ricerca riguardano l’analisi e l’ottimizzazione su architetture ibride multi-core dei principali nuclei computazionali presenti nei modelli utilizzati al CMCC, alla luce degli impatti sulle prestazioni derivanti dall’utilizzo di compilatori ottimizzati, librerie matematiche e nuovi paradigmi paralleli. Inoltre, le attività si concentrano anche sullo studio degli impatti delle architetture di calcolo exascale sugli algoritmi numerici utilizzati nei principali modelli climatici studiati presso il CMCC. In particolare, l’analisi in ottica exascale riguarda i seguenti aspetti: (I) impiego di strutture algoritmiche parallele avanzate per la riduzione degli “overhead” di comunicazione attualmente presenti nei “dynamical cores”; (II) gestione ottimale di esperimenti ensemble “multi-model” e “multi-emission”; (III) gestione ottimale del sistema di memoria e delle relative gerarchie; (IV) razionalizzazione delle operazioni di I/O; (V) impiego di nuovi paradigmi di comunicazione paralleli e meccanismi di sincronizzazione tra attività parallele.

    Leader: Sandro Fiore

    L’obiettivo principale di questa unità di ricerca riguarda la progettazione e l’implementazione di soluzioni open source efficienti di Data Science, che consentano l’accesso, l’analisi e il mining dei dati scientifici nel contesto dei cambiamenti climatici. Nello specifico, le attività si concentrano su (i) gestione di dati scientifici nell’ambito di importanti contesti/iniziative internazionali come ENES Climate Data Infrastructure, Earth System Grid Federation e European Open Science Cloud, (ii) definizione di nuovi modelli di storage per consentire l’accesso efficiente ai dati climatici (inclusi gli approcci di I/O parallelo), e (iii) sviluppo di ambienti avanzati di Data Science per gli scienziati del clima, basati su soluzioni di High Performance Data Analytics, e anche di strutture di machine/deep learning per accelerare la scoperta scientifica, (iv) sviluppo di strumenti fault tolerant di workflow automation e di applicazioni per la programmazione ottimale di un alto numero di operazioni su infrastrutture HPC progettate a supporto dei casi d’uso nel settore climatico.

    Leader: Marco Mancini

    L’unità di ricerca “Production Platforms for Operational Services” (PPOS) si occupa di ricerca e sviluppo di piattaforme digitali ICT innovative, basate sull’integrazione di informazioni e tecnologie di comunicazione di ultima generazione (Cloud computing, preparazione dei container, Internet of Things, acquisizione/gestione e analisi avanzate dei dati, blockchain, IA).

    Gli obiettivi principali di questa unità di ricerca sono lo sviluppo e l’implementazione di piattaforme e strumenti digitali per il supporto a livello di produzione degli ambienti/ecosistemi presso il CMCC in diversi settori (agricoltura, clima, riduzione dei rischi in caso di disastri, oceanografia, gestione delle acque, ecc.). Lo sviluppo di risorse ICT avanzate consentirà un’implementazione più rapida dei servizi operativi, rendendo più semplice la manutenzione e gestendo allo stesso tempo problematiche comuni relative ai servizi operativi.

    Leader: Giovanni Aloisio

    L’obiettivo dell’unità di ricerca EMLC2 riguarda l’analisi e lo sviluppo di tecniche avanzate di Machine/Deep Learning e relative applicazioni nel contesto della scienza del clima. Le attività di questa unità di ricerca sono strettamente collegate alla disponibilità di grosse quantità di dati prodotti dalle simulazioni come anche alla crescente potenza computazionale offerta dalle prossime architetture Exascale. Nello specifico, le attività riguardano (i) lo studio di approcci ibridi, in cui i nuclei computazionali critici dei modelli climatici sono sostituiti da algoritmi di reti neurali senza incidere sull’accuratezza dei risultati, (ii) l’applicazione di tecniche di Machine/Deep Learning per attività di downscaling, esaminando e confrontando anche l’utilizzo di diversi approcci basati su Reti Neurali (ad es. CNN o GAN), (iii) l’analisi delle capacità previsionali delle Reti Neurali (ad es. LSTM) per le previsioni di serie temporali in diversi casi d’uso in ambito climatico e meteorologico, (iv) l’analisi dell’utilizzo di tecniche di ML/DL in diversi casi d’uso scientifici: Cicloni Tropicali, Previsione dei Conflitti, Monitoraggio & Elaborazione dei parametri agroforestali, studio dello Scioglimento dei Ghiacciai e Analisi dei radargrammi di Marte.

    OPHIDIA

    High Performance Data Mining & Analytics for eScience

     

    Ophidia è un progetto di ricerca della Fondazione CMCC dedicato alle tematiche relative ai Big Data per l’eScience. Il sistema supporta l’analisi data-intensive sfruttando tecniche di calcolo parallelo avanzato e metodi intelligenti di distribuzione dei dati. Ophidia adotta un modello di archiviazione basato su array e un’organizzazione gerarchica degli archivi per suddividere e distribuire i set di dati scientifici multidimensionali su più nodi. Sebbene il sistema di analisi di Ophidia sia stato creato essenzialmente per soddisfare i requisiti di analisi nell’ambito dei Cambiamenti Climatici, può anche essere utilizzato in altri campi scientifici in cui i dati sono di natura multidimensionale.

    Start typing and press Enter to search

    Shopping Cart