Zprostředkováváme efektivní využití naší špičkové národní superpočítačové infrastruktury za účelem zvýšení konkurenceschopnosti a inovativnosti české vědy a průmyslu. IT4Innovations primárně poskytuje výpočetní čas výzkumníkům a akademickým pracovníkům z České republiky v rámci veřejné grantové soutěže. V rámci této soutěže bylo v letech 2013—2020 podpořeno 902 projektů v celkovém objemu 1,027 miliard jádrohodin, přičemž požadavky výzkumníků v tomto období přesáhly 1,404 miliard jádrohodin (jádrohodina = jedno procesorové jádro na hodinu).

Vybrané ukazatele

Počty projektů v jednotlivých vědních oblastech v 2020 [%]

 

 

Využití superpočítače jednotlivými institucemi v 2020 [%]

 

 
10+
 institucí využívajících výpočetní čas
2 000+
uživatelů
530+
 projektů na výp. času
550+
miliónů jádrohodin

Co se u nás počítá

Podporujeme špičkový výzkum a inovace ve všech vědních oblastech.

Vybrané projekty z 24. Veřejné grantové soutěže a z MIMOŘÁDNÉ VÝZVY GPU TESTING AND BENCHMARKING 24. KOLA VEŘEJNÉ GRANTOVÉ SOUTĚŽE

 

Fyzikální vlastnosti MXenů – 2D materiálů pro budoucí technologické aplikace   

Výzva: 24. Veřejná grantová soutěž; OPEN-24-46, multiyear
Hlavní řešitel: František Karlický
Instituce: Ostravská univerzita v Ostravě
Oblast: Materiálové vědy

 

MXeny, tj. karbidy nebo nitridy přechodných kovů, jsou relativně nedávno objevené dvojdimenzionální (2D) materiály. Tyto materiály jsou vhodnými kandidáty pro četné technologické aplikace (elektronika, fotovoltaika) kvůli jejich odolnosti a široké škále fyzikálních vlastností (např. magnetické vlastnosti, proměnný zakázaný pás, od kovů k polovodičům), což je dáno variabilitou složení a možností povrchové funkcionalizace MXenů. Vodivé i polovodivé MXeny lze kombinovat do heterostruktur, což dále rozšiřuje možnosti této slibné třídy materiálů. Tým Františka Karlického, který se dlouhodobě věnuje počítačovému modelování vlastností 2D materiálů, získá fundamentální fyzikální poznatky o chování a vlastnostech MXenů využitelné v experimentu i technologické praxi. Přesné predikce zejména elektronických a optických vlastností MXenů jsou výzvou jak pro metody, tak i kvůli výpočetní náročnosti.


 

Síly v přírodě (např. gravitace, elektromagnetismus) mohou být jednoduše chápány jako interakce dvou částic. Existují však případy, kdy systém nelze popsat pouze pomocí sil dvou těles (2BF). Například v jaderné fyzice jsou nezbytné síly tří těles (3BF), které se vyskytují mezi každými 3 částicemi a nelze je rozložit pomocí sil dvou těles, i když jsou menší (~1/10 2BF). Četnost výskytu 2BF a 3BF v systému částic A (viz obrázek) odpovídá počtu způsobů, jak v tomto systému shromáždit dvojice 2 a 3 částic. S rostoucím A tedy roste význam 3BF, který v kompaktních systémech převládá nad 2BF. Tento nelogický "more is different" jev vyžaduje zásadní reorganizaci teorie chirálního efektivního pole [1,2]. Očekává se, že další studium různých systémů podporované IT4Innovations otevře nové vzrušující obzory pro naše chápání přírody.

[1] C.-J. Yang, Eur.Phys.J.A 56 (2020) 3, 96.
[2] C.-J. Yang, A. Ekstrom, C. Forrsen, G. Hagen, G. Rupak, U. van Kolck, arXiv: 2109.13303 [nucl-th].

 

Nová složka efektivní teorie pole: popis jader v závislosti na počtu částic

Výzva: 24. Veřejná grantová soutěž; OPEN-24-21
Hlavní řešitel: Chieh-Jen Yang
Instituce: Ústav jaderné fyziky AV ČR
Oblast: Fyzika


 

Studium microseismických jevů pomocí analýzy seismických vln metodami hlubokého učení

Výzva: 24. Veřejná grantová soutěž; OPEN-24-76
Hlavní řešitel: Christian Sippl
Instituce: Akademie věd České republiky
Oblast: Vědy o Zemi

 

K největším zemětřesením na planetě dochází v subdukčních zónách, kde se jedna tektonická deska Země pohybuje pod druhou. Místo přímého zkoumání těchto nepravidelných velkých událostí studujeme tisíce až 100 000 mikrozemětřesení, která se v těchto oblastech každoročně vyskytují. Většina z nich je příliš malá na to, aby byla citelná. Vzorce a mechanismy těchto malých událostí obsahují informace o napěťových podmínkách v dané oblasti. Mohou omezit pravděpodobnost a prostorový rozsah (nikoli však načasování) budoucích velkých zemětřesení.
Vzhledem k obrovskému počtu malých zemětřesení ve zkoumaných oblastech (>10 000 ročně jen na severu Chile v Jižní Americe) a velkému množství dostupných seismických dat (10 TB) není zpracování takových událostí "ručně" proveditelné. V tomto projektu trénujeme počítače na detekci a lokalizaci takových malých zemětřesení pomocí algoritmů hlubokého učení.


 

Deterministický simulátor dopravního toku se používá pro testování algoritmů řešících optimalizaci dopravního toku ve městě. Pro představu, běžná navigace naviguje auto po městě tak, že preferuje nejkratší vzdálenost nebo nejkratší čas dojezdu. To může vést k vytváření zácp ve městě. S vyžitím dopravního simulátoru se snažíme optimalizovat celkový dopravní tok tak, aby k zácpám ideálně nedocházelo vůbec. Determinističnost simulátoru zajistí to, že pro stejné vstupní nastavení je výsledek simulace vždy totožný. Tato vlastnost bývá zřídka kdy splněna v prostředí superpočítače a je důležitá z pohledu porovnávání výsledků a jejich opakovatelnosti. Na projektu se podílí firma Sygic a je zároveň řešen v rámci evropského projektu HORIZON 2020 – EVEREST, který se zabývá usnadněním optimálního využívání heterogenních výpočetních zdrojů, tj. jak klasických procesorů, tak specializovaných akcelerátorů.

 

Deterministický simulátor dopravního toku – II. fáze

Výzva: 24. Veřejná grantová soutěž; OPEN-24-65
Hlavní řešitel: Martin Šurkovský
Instituce: VŠB-TUO, IT4Innovations
Oblast: Informatika



Peptidoví zabíjáci bakterií  

Výzva: 24. Veřejná grantová soutěž; OPEN-24-24, multiyear
Hlavní řešitel: Robert Vácha
Instituce: CEITEC
Oblast: Vědy o životě

Infekční onemocnění představují závažný společenský a ekonomický problém. Mezi nimi jsou obzvláště důležité infekce spojené s bakteriemi resistentními na antibiotika, které nejen prodlužují a prodražují léčbu, ale především vedou k častějším úmrtím. Odhaduje se, že ročně na tyto resistentní bakterie umře více než 4,5 milionů lidí a tento počet neustále roste. Navíc se objevily bakterie odolné vůči všem dostupným antibiotikům. Proto WHO a OSN vyzývají k výzkumu nových léčiv a zavedení postupů omezující šíření resistence.  Cílem tohoto projektu je využít počítačové simulace a výpočetní přístupy k návrhu nových peptidů, které by se mohly stát takovými léčivy, neboť selektivně zasáhnou a naruší životně důležité membrány bakterií. Zároveň tyto peptidy budou vyvíjeny tak, aby nenarušily membrány lidských buněk díky jejich rozdílnému lipidovému složení. Výsledky tohoto výzkumu také mohou být využity při vývoji peptidových senzorů nebo biomarkerů pro různá lipidová složení.


 

Fascinující objevy minulého desetiletí prokázaly, že neuronové sítě jsou schopny se naučit chování, které v mnoha ohledech převyšuje chování ručně navržených algoritmů.
Tyto sítě se často učí napodobovat chování nějakého jevu, který je pro nás příliš komplexní pro pochopení. Jako příklad lze uvést neuronové modely jazyka, které se učí predikovat chybějící slova ve větě. Výsledný model je následně schopný generovat celé paragrafy textu a nebo vést uvěřitelný dialog s člověkem. Cílem našeho projektu bylo vyzkoušet aplikovat tyto neuronové modely jazyka k predikci chování zvířat, jelikož obě tyto úlohy lze vnímat jako predikci časové řady. V našem případě jsme učili neuronovou sít předikovat pohyby kloubů 3D kostry mouchy. Natrénovaný model dokáže v určitých situacích generovat realisticky vypadající chování a bude sloužit k následné analýze behaviorálních vzorců.

 

SKINNER

Výzva: mimořádná výzva 24. Veřejné grantové soutěže; OPEN-24-18
Hlavní řešitel: Jan Hůla
Instituce: České vysoké učení technické v Praze
Oblast: Vědy o životě


 

Extrakce hlasových otisků pro verifikaci mluvčího

Výzva: mimořádná výzva 24. Veřejné grantové soutěže, OPEN-24-5
Hlavní řešitel: Oldřich Plchot
Instituce: Fakulta informačních technologií VUT v Brně
Oblast: Aplikovaná matematika

 

Moderní systémy pro rozpoznávání mluvčího jsou založeny na extrahování a porovnávání otisků hlasu extrahovaných z audio nahrávek pomocí neuronových sítí (NN). Typický extraktor přijímá sekvenci nízkoúrovňových spektrálních příznaků nebo dokonce samotný surový signál a učí se vhodné reprezentace charakterizující řeč. Tyto reprezentace jsou následně shrnuty do jednoho vektoru (otisku) o fixním rozměru prostřednictvím statistického sdružování, jako je například měření průměru v čase. Tyto otisky jsou zpracovávány pomocí následující neuronové sítě, která optimalizuje ztrátu související s identifikací řečníků (např. křížovou entropii). Otisk může být jakýkoli mezivýstup v této síti. Ověření mluvčího spočívá v porovnání otisků buď statistickým modelem nebo jednoduše pomocí jejich kosinové vzdálenosti. Výstupem celého systému je skóre, které udává podobnost obou otisků, respektive mluvčích.


 

Ostravské superpočítače jsme využili v rámci našeho výzkumu a vývoje na Ústavu formální a aplikované lingvistiky na Matematicko-fyzikální fakultě Univerzity Karlovy. Díky výkonným GPU s vysokou kapacitou paměti jsme mohli natrénovat českou verzi velkého neuronového generativního jazykového modelu GPT-2. Generativní jazykový model je nástroj, který například umí pro zadaný začátek textu navrhnout jeho možné pokračování; tj. například pro text "Ráno jsem vstal a šel do [...]" může navrhnout například "práce" nebo "koupelny". Model GPT-2 byl dosud dostupný pouze v angličtině, jeho českou verzi využíváme například pro automatické generování popisů rentgenových snímků či pro generování scénářů divadelních her v projektu THEaiTRE. 

 

THEaiTRE GPT2 Recycling

Výzva: mimořádná výzva 24. Veřejné grantové soutěže, OPEN-24-11
Hlavní řešitel: Rudolf Rosa
Instituce: Univerzita Karlova 
Oblast: Informatika



Odhadování pozic objektů z obrázků   

Výzva: mimořádná výzva 24. Veřejné grantové soutěže, OPEN-24-10
Hlavní řešitel: Vladimir Petrík
Instituce: České vysoké učení technické v Praze
Oblast: Informatika

 

Naším cílem je vytvořit algoritmus pro automatické učení dovedností pro robotickou manipulaci (např. sestavení nábytku) na základě videí stažených např. z YouTube. U stažených videí ale neznáme typ kamery a její kalibraci, takže je obtížné odhadnout pozice objektů v zaznamenané scéně. Řešení nabízí FocalPose, naše metoda založená na render-and-compare strategii, která byla navržena pro odhadování pozice mezi kamerou a objektem společně s ohniskovou vzdáleností kamery. Vstupem do FocalPose je RGB obrázek, který zobrazuje známý objekt. Metoda FocalPose je trénována na milionech synteticky generovaných snímcích pomocí několika výpočetních uzlů na superpočítači Karolina, což vede k robustnímu algoritmu, který funguje i na fotkách komplexních scén. Práce byla publikována na CVPR 2022, jedné z hlavníh konferencí o počítačovém vidění, kde bylo letos přijato 2064 ze 8161 zaslaných příspěvků.

 

 

Publikace s přehledy projektů našich uživatelů