2014年6月17日,在2014年第76届EAGE国际会议及展览会上,联想(3236号展台)宣布将携手英伟达(NVIDIA)、微捷码(Magma)和Hue公司,共同为地球物理勘探开发全新的可视化技术解决方案。
这一组合式解决方案将包含联想 ThinkStation D30工作站、NVIDIA® Tesla® K40 GPU加速器和Magma GPU扩展技术,共同为Hue公司用于勘探和生产应用开发的可视化技术提供支持,以推动实现在数秒内渲染数量庞大的地球物理学可视化数据的目标。
地球物理勘探对于发现石油和天然气至关重要,但如何高效处理日益增长的地震数据,以快速渲染并可视化复杂地球模型,长期以来一直是困扰该行业的一个难题。尽管Hue等创新公司正在开发的技术有望大幅提高地质学家的发现能力,但性能低下的计算技术却会成为这些应用的瓶颈,使得勘探项目动辄就要耗费数小时、数天甚或数周的时间。
全新的组合式可视化解决方案首次将高性能计算(HPC)引入了Hue软件开发工具套件,能够最大限度地减少延迟,彻底改变地质学家处理地震数据的方式。该解决方案提供了一个64位的优化环境,可在数秒内分析数TB乃至数PB的数据,使地质学家能够在无缝的工作流中快速执行复杂的算法。
Headwave地球科学顾问Ron Masters博士表示:“在勘探中,数据通常会姗姗来迟,而决策时间却经常提前,从而不断挤压用于分析的时间。新的机会总是要求更大的数据量、更先进的成像和新的解释概念。我们对速度的需求从未如此强大。”
该组合式解决方案的基础是联想 ThinkStation D30工作站,这也是当前性能最高、最可靠、且最简单易用工作站。同时,它通过微捷码的ExpressBox 3600 GPU扩展系统将多个NVIDIA Tesla K40 GPU加速器连接在一起,提供了可媲美高性能计算的强大计算能力。Hue公司独具创新的HueSpace软件工具套件能够充分利用NVIDIA Tesla GPU的强大性能,在单一易用的工具套件中,带来迅捷的计算能力、面向域的一流多维可视化能力、以及智能的勘探与生产数据处理能力。
联想能源、石油和天然气行业解决方案部门的Chris McCoy指出:“联想 ThinkStation D30工作站是市场上性能最佳的工作站,能够帮助地质学家有效应对他们所面临的紧迫计算挑战。通过这方面的努力,我们与业界最出色的技术提供商紧密合作,推出了能够支持全新工作流的解决方案,从而为地质勘探提供有价值的技术支持。”
Hue公司战略联盟技术副总裁Marius Storm-Olsen表示:“我们致力于开发创新的软件应用,帮助地质学家能够以显著低于其他应用的时间,快速执行非常复杂的算法。我们非常自豪能够与联想合作,推出预计在未来将会对石油和天然气行业产生重要影响的解决方案。”
微捷码公司战略业务开发部门的Jim Medeiros表示:“高性能计算解决方案对于石油和天然气行业至关重要,我们很高兴能有机会推动此类解决方案在该领域的应用。将我们的GPU扩展技术增添至工作站解决方案,使得以往仅限在数据中心使用的高性能计算技术,现在也能够在石油和天然气领域大显身手。这是一项了不起的成就,我们非常期待看到该行业对我们这一成果的响应。”
英伟达首席解决方案架构师Ty McKercher指出:“借助基于HueSpace和CUDA GPU加速的交互式3D渲染应用,地质学家将能够处理庞大的数据量,并在使用智能探针浏览数据的同时快速执行复杂计算。这项技术为增强对勘探项目的信心奠定了坚实的基础,使地质学家能够发现以前隐藏的资源,并最终发现更多油气储量。”
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。