Performance Studie

work-single-image

Performance räumlich-zeitlicher Modelle

Vektorisierung ist im Maschinellen Lernen ein üblicher Ansatz, um Daten für die Verarbeitung aufzubereiten. In dieser Studie zeigen wir, wie der Ansatz genutzt werden kann, um für räumlich-zeitliche Simulationen Berechnungskosten deutlich zu senken. Zur Illustration nutzen wir Conways Game of Life.

Zelluläre Automaten

Zelluläre Automaten s. Wikipedia sind ein weit verbreiteter Ansatz, um räumlich-zeitliche Dynamiken abzubilden und zu simulieren. Typischerweise wird der Raum durch ein zweidimensionales Feld mit n x m Zellen dargestellt. Für die Berechnung der räumlichen Dynamik wird dann über die einzelnen Zellen iteriert. Der Rechenaufwand steigt dabei für ein quadratisches Feld mit n x n Zellen mit O(n^3). D.h. mit zunehmender Feldgröße steigt der Berechnungsaufwand so stark, dass große Landschaften oder hohe räumliche Auflösungen auf normaler Hardware nicht sinnvoll durchgeführt werden können, was die Entwicklungskosten für das Modell deutlich erhöht.

Performance

Unser Ansatz nutzt Vektorisierung und stellt das Feld als Matrix dar, was den Einsatz von effizienten Algorithmen zur Matrizenmultiplikation ermöglicht. Diese sind deutlich schneller als das iterieren über alle Zellen des Feldes. Um die Performance unseres Ansatzes zu illustrieren vergleichen wir ihn mit zwei weiteren Implementationen des Game of Life. Dabei stellt sich heraus, dass der Ansatz über Vektorisierung deutliche Performance-Vorteile mit sich bringt.

Technologien
R
Kategorie
[PoC Räumlich-Zeitlich Modellierung]

Fragen?

Wir beraten Sie gern.

Nehmen Sie Kontakt auf