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

Pubblicazioni ASC

High performance computing to support land, climate, and user-oriented services: The HIGHLANDER Data Portal

Bottazzi, M., Rodríguez-Muñoz, L., Chiavarini, B., Caroli, C., Trotta, G., Dellacasa, C., Marras, G. F., Montanari, M., Santini M., Mancini, M., D'Anca A., Mercogliano P., Raffa M., Villani, G., Tomei, F., Loglisci, N., Gascón, E., Hewson, T., Chillemi, G., … Scipione, G.
2024, Meteorological Applications, 31(2), e2166, doi: 10.1002/met.2166


A Graph Data Model-based Micro-Provenance Approach for Multi-level Provenance Exploration in End-to-End Climate Workflows

Fiore S., Rampazzo M., Elia D., Sacco L., Antonio F., Nassisi P.
2023, IEEE, IEEE International Conference on Big Data (BigData), Sorrento, Italy, 2023, pp. 3332-3339, doi: 10.1109/BigData59044.2023.10386983

Direttore

Paola Nassisi

Manager di Divisione

Laura Conte

Contatti

Via Marco Biagi 5 – 73100 LECCE, Italy

[email protected]

0832 1902411

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:
Donatello Elia

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:
Gabriele Accarino

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