Sintesi del progetto
FaB-HPCc ha affrontato il problema della complessità dell’analisi Bayesiana utilizzata per caratterizzare le sorgenti di onde gravitazionali. Queste analisi richiedono l’esplorazione di spazi di parametri estremamente ampi, con un costo computazionale elevato. Il progetto ottimizza strumenti esistenti e introduce nuove configurazioni pensate per lavorare efficientemente sia su cluster multi-CPU sia su architetture GPU, offrendo alla comunità astrofisica strumenti più rapidi e riproducibili.
Obiettivi
Ridurre i tempi di campionamento dei parametri, semplificare l’utilizzo dei tool tramite container, rendere più agevole l’esecuzione su piattaforme diverse e predisporre versioni ottimizzate per l’analisi di segnali gravitazionali, inclusi quelli attesi da dataset di pulsar timing array.
Problemi e necessità
La caratterizzazione delle sorgenti gravitazionali richiede campionamenti intensivi su spazi multidimensionali, attività che comporta tempi proibitivi in assenza di una parallelizzazione del calcolo efficiente. Ciò necessario uniformare l’esecuzione dei software, garantire riproducibilità e fornire configurazioni adeguate alla complessità dei dati.
Soluzioni sviluppate
Il progetto ha containerizzato gli strumenti più diffusi, integrandoli con diversi campioni dati e ottimizzando i parametri di parallelizzazione. Sono stati inoltre sviluppati strumenti dedicati alle GPU con configurazioni specifiche per la ricerca di segnali gravitazionali. L’uso dell’HPC permette di affrontare dataset di grandi dimensioni e accelerare i processi di training per i modelli più complessi.
Benefici e ricadute
FaB-HPCc rende più accessibili e veloci analisi cruciali per la ricerca sulle onde gravitazionali, migliorando la capacità di interpretare segnali astrofisici. Le tecniche sviluppate possono essere adattate anche ad altri ambiti, scientifici e industriali, che richiedono esplorazioni in spazi di parametri molto estesi.
Settori che possono beneficiare
Oltre alla Ricerca Fondamentale, i risultati ottenuto possono essere utili nei campi dell’Intelligenza Artificiale, del Software e delle Nuove Tecnologie, in particolare quando sono necessari metodi scalabili per lavorare con modelli complessi e dataset ad alta dimensionalità.
