১. ভূমিকা
The Worldwide LHC Computing Grid (WLCG) হল Large Hadron Collider (LHC) পরীক্ষাগুলি থেকে উৎপন্ন বিপুল পরিমাণ ডেটা প্রক্রিয়াকরণের জন্য অত্যন্ত গুরুত্বপূর্ণ, ফেডারেটেড কম্পিউটিং ব্যাকবোন। এর কর্মক্ষমতা নিশ্চিত করা এবং ভবিষ্যতের, উচ্চতর চাহিদার পরিস্থিতির জন্য পরিকল্পনা করা সর্বাধিক গুরুত্বপূর্ণ। পরীক্ষার জন্য প্রকৃত অবকাঠামো নির্মাণ বা পরিবর্তন করা অবাস্তব। তাই, SimGrid এবং WRENCH-এর মতো ফ্রেমওয়ার্কের উপর নির্মিত DCSim-এর মতো সিমুলেশন টুলগুলি অনুমানমূলক সিস্টেম কনফিগারেশনে ওয়ার্কফ্লো এক্সিকিউশন মডেল করতে ব্যবহৃত হয়।
যাইহোক, একটি মৌলিক ট্রেড-অফ বিদ্যমান: উচ্চ-নির্ভুলতা সিমুলেটর যা সিস্টেমের বিবরণ সঠিকভাবে মডেল করে, সিমুলেটেড অবকাঠামোর আকারের সাপেক্ষে এক্সিকিউশন সময়ে সুপারলিনিয়ার স্কেলিং-এর শিকার হয়। এটি বৃহৎ-স্কেল ভবিষ্যতের পরিস্থিতি সিমুলেশন করা গণনাগতভাবে নিষিদ্ধ করে তোলে। এই কাজটি ধ্রুব সময়ে মূল কর্মক্ষমতা পর্যবেক্ষণযোগ্যগুলি ভবিষ্যদ্বাণী করার জন্য সঠিক সিমুলেটর (বা বাস্তব সিস্টেম) থেকে প্রাপ্ত তথ্যে প্রশিক্ষিত মেশিন লার্নিং (এমএল) সারোগেট মডেলের ব্যবহার প্রস্তাব করে এবং মূল্যায়ন করে, যার ফলে স্কেলেবিলিটি বাধা ভেঙে দেওয়া হয়।
২. ডেটা জেনারেটর DCSim
DCSim রেফারেন্স, উচ্চ-নির্ভুল সিমুলেটর এবং সারোগেট ML মডেলগুলির প্রশিক্ষণের জন্য ডেটা উৎস হিসাবে কাজ করে। এটি তিনটি প্রাথমিক ইনপুট নেয়:
- প্ল্যাটফর্ম বর্ণনা: SimGrid-স্ট্যান্ডার্ড সংজ্ঞা অনুযায়ী কম্পিউটিং রিসোর্স নেটওয়ার্ক, যাতে CPU, কোর, নেটওয়ার্ক লিংক, ব্যান্ডউইথ, লেটেন্সি, স্টোরেজ এবং টপোলজি অন্তর্ভুক্ত।
- প্রাথমিক ডেটা অবস্থা: সিমুলেশন শুরুর সময় ডেটাসেট, ফাইল প্রতিলিপি, তাদের আকার এবং অবস্থান নির্দিষ্টকরণ।
- ওয়ার্কলোড: প্ল্যাটফর্মে নির্বাহ করা হবে এমন কম্পিউট জব (ওয়ার্কফ্লো) সেট।
DCSim সিমুলেটেড প্ল্যাটফর্মে ওয়ার্কফ্লোগুলি নির্বাহ করে এবং বিস্তারিত নির্বাহ ট্রেস তৈরি করে। এই ট্রেসগুলি থেকে কেন্দ্রীয় পর্যবেক্ষণযোগ্য পরিমাণ (যেমন, মোট মেকস্প্যান, গড় জব সম্পূর্ণ হওয়ার সময়, সম্পদ ব্যবহার) উদ্ভূত হয়। এই (ইনপুট কনফিগারেশন, আউটপুট পর্যবেক্ষণযোগ্য) জোড়াগুলি সারোগেট মডেলগুলির প্রশিক্ষণের জন্য ডেটাসেট গঠন করে।
3. Core Insight & Logical Flow
মূল অন্তর্দৃষ্টি: নিবন্ধের কেন্দ্রীয় থিসিসটি হল যে জটিল সিস্টেম সিমুলেশনে নির্ভুলতা-স্কেলেবিলিটি ট্রেড-অফ পদার্থবিদ্যার কোনো নিয়ম নয়, বরং ঐতিহ্যগত মডেলিং প্যারাডাইমের একটি সীমাবদ্ধতা। সিমুলেটরকে একটি ব্ল্যাক-বক্স ফাংশন $f(\text{config}) \rightarrow \text{observables}$ হিসেবে বিবেচনা করে, আমরা ML ব্যবহার করে একটি অনেক সস্তা আনুমানিক $\hat{f}$ শিখতে পারি। প্রকৃত মূল্য কেবল গতি নয়—এটি একটি সম্ভব করে তোলে পূর্বে অসম্ভব একটি স্কেলে ডিজাইন-স্পেস এক্সপ্লোরেশন, কয়েকটি পয়েন্ট ডিজাইন মূল্যায়ন থেকে হাজার হাজার কনফিগারেশনের মধ্যে সেনসিটিভিটি অ্যানালাইসিস সম্পাদনে এগিয়ে যাওয়া।
Logical Flow: যুক্তিটি অস্ত্রোপচারের মতো সূক্ষ্মতা নিয়ে এগিয়েছে: (১) এইচইপি কম্পিউটিং (ডব্লিউএলসিজি)-তে স্কেলযোগ্য মূল্যায়নের অপরিহার্য প্রয়োজন প্রতিষ্ঠা করা। (২) বাধা চিহ্নিত করা: উচ্চ-নির্ভুলতা সিমুলেটরগুলো স্কেল করে না। (৩) সমাধান প্রস্তাব: এমএল সারোগেট। (৪) একটি বিশ্বস্ত উৎস (ডিসিসিম/সিমগ্রিড) থেকে প্রাপ্ত ডেটা দিয়ে বৈধতা যাচাই। (৫) চিত্তাকর্ষক ফলাফল দেখানো (অর্ডার-অফ-ম্যাগনিচিউড গতি বৃদ্ধি)। (৬) সীমাবদ্ধতাগুলো সততার সাথে উল্লেখ করা এবং সামনের পথের রূপরেখা দেওয়া। এটি কেবল একটি একাডেমিক অনুশীলন নয়; এটি কম্পিউটেশনাল বিজ্ঞান ও প্রকৌশল ওয়ার্কফ্লো আধুনিকীকরণের একটি নকশা।
4. Strengths & Flaws: A Critical Analysis
শক্তি:
- একটি বাস্তব সমস্যার ব্যবহারিক সমাধান: এটি কম্পিউটেশনাল ফিজিক্স এবং ডিস্ট্রিবিউটেড সিস্টেমস গবেষণার একটি পরিচিত, যন্ত্রণাদায়ক বাধা সরাসরি আক্রমণ করে।
- শক্তিশালী ভিত্তিমূলক পছন্দ: DCSim/SimGrid কে গ্রাউন্ড ট্রুথ হিসেবে ব্যবহার করা চালাকি। SimGrid একটি সম্মানিত, বৈধকৃত ফ্রেমওয়ার্ক, যা প্রশিক্ষণ ডেটা এবং মূল্যায়নে বিশ্বাসযোগ্যতা যোগায়।
- স্পষ্ট মূল্য প্রস্তাব: "Orders of magnitude faster execution times" হল একটি মেট্রিক যা গবেষক এবং অবকাঠামো পরিকল্পনাকারী উভয়ের কাছেই অনুরণন সৃষ্টি করে।
- সাধারণীকরণে ফোকাস: সরল ইন্টারপোলেশনের বাইরে ব্যবহারিক স্থাপনার জন্য "অদেখা পরিস্থিতি" সামলানোর মডেলের ক্ষমতা মূল্যায়ন করা অত্যন্ত গুরুত্বপূর্ণ।
Flaws & Open Questions:
- "আনুমানিক নির্ভুলতা" সংক্রান্ত সতর্কতা: গবেষণাপত্রটি "আনুমানিক নির্ভুলতা" স্বীকার করে। গুরুত্বপূর্ণ অবকাঠামো পরিকল্পনার জন্য কতটুকু আনুমানিকতা সহনীয়? সিমুলেশনে একটি নির্ধারিত সময় মিস হওয়ার অর্থ বাস্তবে একটি পরীক্ষা ব্যর্থ হতে পারে। সারোগেটের ত্রুটি সীমা ও ব্যর্থতার ধরনগুলি গভীরভাবে অনুসন্ধান করা হয়নি।
- Data Hunger & Cost: একটি শক্তিশালী, সাধারণীকরণযোগ্য সারোগেট প্রশিক্ষণের জন্য পর্যাপ্ত উচ্চ-নিখুঁত সিমুলেশন ডেটা তৈরি করাও নিজেই গণনাগতভাবে ব্যয়বহুল। কাগজটি অগ্রিম "ডেটা জেনারেশন ট্যাক্স" পরিমাপ করে না।
- ব্ল্যাক-বক্স প্রকৃতি: যদিও একটি সারোগেট দ্রুত উত্তর প্রদান করে, এটি একটি নির্দিষ্ট কনফিগারেশন কেন খারাপভাবে কাজ করে সে সম্পর্কে ব্যাখ্যামূলক অন্তর্দৃষ্টি খুব কমই দেয়। কেন একটি নির্দিষ্ট কনফিগারেশন খারাপভাবে কাজ করে। এটি ঐতিহ্যগত সিমুলেটরগুলির বিপরীত, যেখানে গবেষকরা কার্যকারণতা অনুসরণ করতে পারেন।
- নির্দিষ্ট বিবরণ স্পার্স: কোন তিনটি এমএল মডেল মূল্যায়ন করা হয়েছিল? (যেমন, গ্রেডিয়েন্ট বুস্টিং, নিউরাল নেটওয়ার্ক ইত্যাদি)। নির্দিষ্ট পর্যবেক্ষণযোগ্য বিষয়গুলি কী ছিল? সারমর্ম এবং প্রদত্ত বিষয়বস্তু উচ্চ-স্তরের, ফলে প্রযুক্তিগতভাবে সবচেয়ে আকর্ষণীয় বিবরণ অস্পষ্ট থেকে গেছে।
5. Actionable Insights & Technical Deep Dive
দলগুলি এই পদ্ধতি বিবেচনা করলে, এখানে কার্যকরী রোডম্যাপ এবং প্রযুক্তিগত সারমর্ম দেওয়া হল।
5.1. Technical Details & Mathematical Formulation
সারোগেট মডেলিং সমস্যাটিকে একটি সুপারভাইজড লার্নিং রিগ্রেশন টাস্ক হিসেবে ফ্রেম করা যেতে পারে। ধরা যাক $\mathcal{C}$ হল সমস্ত সম্ভাব্য সিস্টেম কনফিগারেশনের স্পেস (প্ল্যাটফর্ম, ডেটা, ওয়ার্কলোড)। ধরা যাক $\mathcal{O}$ হল লক্ষ্য পর্যবেক্ষণযোগ্য রাশির স্পেস (যেমন, মেকস্প্যান, থ্রুপুট)। হাই-ফিডেলিটি সিমুলেটর একটি ফাংশন $f: \mathcal{C} \rightarrow \mathcal{O}$ বাস্তবায়ন করে যা নির্ভুল কিন্তু গণনা করতে ব্যয়বহুল।
আমরা একটি সারোগেট মডেল $\hat{f}_{\theta}: \mathcal{C} \rightarrow \mathcal{O}$ শিখতে চাই, যা $\theta$ দ্বারা প্যারামিটারাইজড, যাতে:
- $\hat{f}_{\theta}(c) \approx f(c)$ সকল $c \in \mathcal{C}$ এর জন্য।
- $\hat{f}_{\theta}(c)$ মূল্যায়নের খরচ $f(c)$ এর তুলনায় উল্লেখযোগ্যভাবে কম।
- $\hat{f}_{\theta}$ কনফিগারেশন $c' \notin D_{train}$ এ সাধারণীকরণ করে, যেখানে $D_{train} = \{(c_i, f(c_i))\}_{i=1}^{N}$ হলো প্রশিক্ষণ ডেটাসেট।
শিক্ষণ প্রক্রিয়ায় একটি লস ফাংশন ন্যূনতমকরণ জড়িত, সাধারণত Mean Squared Error (MSE):
$\mathcal{L}(\theta) = \frac{1}{N} \sum_{i=1}^{N} || \hat{f}_{\theta}(c_i) - f(c_i) ||^2$
Key challenges include the high-dimensional, structured input $c$ (গ্রাফ টপোলজি + সংখ্যাসূচক প্যারামিটার) এবং সম্ভাব্য মাল্টি-আউটপুট রিগ্রেশন যদি একই সাথে একাধিক সম্পর্কিত পর্যবেক্ষণযোগ্য রাশি পূর্বাভাস দেওয়া হয়।
5.2. Experimental Results & Chart Description
প্রকল্পিত ফলাফল (প্রতিবেদনের দাবির ভিত্তিতে): প্রতিবেদনে বলা হয়েছে যে সারোগেট মডেলগুলি কেন্দ্রীয় পর্যবেক্ষণযোগ্য রাশির পূর্বাভাস "আনুমানিক নির্ভুলতা" অর্জন করেছে কিন্তু "কাজ সম্পাদনের সময় বহুগুণ দ্রুততর" হয়েছে।
অন্তর্নিহিত চার্ট বর্ণনা: একটি আকর্ষণীয় ভিজ্যুয়ালাইজেশন হবে একটি দ্বি-অক্ষ লগ-স্কেল প্লট।
- X-অক্ষ: সিমুলেটেড ইনফ্রাস্ট্রাকচার স্কেল (যেমন, কম্পিউটিং নোডের সংখ্যা, ১০ থেকে ১০,০০০ পর্যন্ত)।
- বাম Y-অক্ষ (লগ স্কেল): এক্সিকিউশন টাইম। দুটি লাইন: একটি DCSim-এর জন্য যা একটি খাড়া, সুপারলিনিয়ার বৃদ্ধি দেখায় (যেমন, $O(n^{1.5})$ অনুসরণ করে)। অন্যটি, ML Surrogate-এর জন্য নিচের দিকে একটি সমতল রেখা, যা প্রায়-ধ্রুব $O(1)$ ইনফারেন্স টাইম নির্দেশ করে।
- ডান Y-অক্ষ: Prediction Error (e.g., Mean Absolute Percentage Error - MAPE). A bar chart অথবা line showing the surrogate's error remains within a tolerable bound (e.g., <10%) across scales, potentially increasing slightly for the largest, unseen scales, highlighting the generalization challenge.
এই চার্টটি সমাধান করা বিনিময় সম্পর্কটি স্পষ্টভাবে চিত্রিত করবে: সারোগেটের সময় দক্ষতা কার্যত স্কেল থেকে স্বাধীন, যেখানে ঐতিহ্যগত সিমুলেশন অসম্ভব হয়ে ওঠে।
5.3. Analysis Framework: A Non-Code Example
WLCG পরিকল্পনাকারীকে বিবেচনা করুন যার দায়িত্ব ৫টি প্রধান গ্রিড সাইট জুড়ে নেটওয়ার্ক ব্যাকবোন ব্যান্ডউইথ ১০ Gbps থেকে ১০০ Gbps এ উন্নীত করার প্রভাব মূল্যায়ন করা, ৩টি ভিন্ন ভবিষ্যৎ ওয়ার্কলোড পরিস্থিতির অধীনে।
- Traditional Simulation Approach: প্রতিটি সংমিশ্রণের জন্য DCSim চালান (৫টি সাইট * ৩টি পরিস্থিতি = ১৫টি সিমুলেশন)। এই বৃহৎ-পরিসরের সিস্টেমের প্রতিটি সিমুলেশন একটি ক্লাস্টারে ৪৮ ঘন্টা সময় নিতে পারে। মোট প্রাচীর-ঘড়ির সময়: ~৩০ দিন। এটি শুধুমাত্র একটি স্থূল-দানাদার তুলনার অনুমতি দেয়।
- সারোগেট মডেল পদ্ধতি:
- পর্যায় 1 - বিনিয়োগ: প্রশিক্ষণ ডেটা তৈরি করতে (যা সপ্তাহ সময় নিতে পারে) বিভিন্ন ধরনের, যেমন 500টি ছোট-স্কেল বা ভিন্ন কনফিগারেশনের জন্য DCSim চালান।
- Phase 2 - প্রশিক্ষণ: সারোগেট মডেল $\hat{f}$ প্রশিক্ষণ দিন (ঘণ্টা থেকে কয়েক দিন সময় লাগতে পারে)।
- Phase 3 - অনুসন্ধান: Query $\hat{f}$ for the 5x3=15 specific scenarios of interest. Each query takes milliseconds. The planner can now also run a sensitivity analysis: "What if Site A's upgrade is delayed?" or "What is the optimal upgrade sequence?" They can evaluate hundreds of such variants in minutes, not months.
The framework shifts the cost from the মূল্যায়ন পর্যায় প্রতি ডেটা-জেনারেশন এবং প্রশিক্ষণ পর্যায়, প্রাথমিক বিনিয়োগ করা হলে ব্যাপক অনুসন্ধান সক্ষম করে।
6. Original Analysis: The Paradigm Shift
এই কাজটি সিমুলেশনের গতিতে কেবলমাত্র একটি ক্রমবর্ধমান উন্নতি নয়; এটি জটিল সাইবার-ফিজিক্যাল সিস্টেমের কর্মক্ষমতা মূল্যায়নে আমাদের পদ্ধতিতে একটি মৌলিক প্যারাডাইম শিফটের প্রতিনিধিত্ব করে। DCSim এবং SimGrid-এর মতো টুলগুলিতে মূর্ত ঐতিহ্যগত দৃষ্টিভঙ্গি হল mechanistic emulation—painstakingly modeling each component and interaction to replicate system behavior. The surrogate approach embraces a data-driven approximation philosophy, prioritizing fast, good-enough predictions for decision-making over perfect, slow causality. This mirrors the revolution brought by models like CycleGAN ইমেজ ট্রান্সলেশনে (Zhu et al., 2017), যা স্পষ্ট জোড়া-ভিত্তিক সুপারভিশন ছাড়াই ইমেজ ডোমেইনের মধ্যে ম্যাপিং শিখেছিল, পিক্সেল-নিখুঁত নির্ধারক নিয়মের চেয়ে সামগ্রিক বন্টনগত ফলাফলের উপর ফোকাস করে।
কাগজটির প্রকৃত অবদান হল এটি দেখানো যে এই ML দর্শনটি ডিস্ট্রিবিউটেড সিস্টেমের অত্যন্ত কাঠামোগত, অ-ভিজ্যুয়াল ডোমেইনে কার্যকর। "অর্ডারস অফ ম্যাগনিচিউড" গতি বৃদ্ধি শুধু সুবিধাজনক নয়; এটি সক্ষম করাএটি সিস্টেম ডিজাইনকে একটি কারুশিল্প থেকে—যেখানে বিশেষজ্ঞরা কয়েকটি তথ্যপূর্ণ অনুমান পরীক্ষা করেন—একটি গণনামূলক বিজ্ঞানে রূপান্তরিত করে, যেখানে বৃহৎ-পরিসরের অনুসন্ধান অ্যালগরিদমের মাধ্যমে সর্বোত্তম বা মজবুত কনফিগারেশন আবিষ্কার করা যায়। এটি কম্পাইলার ফ্ল্যাগ হাতে-টিউন করার পরিবর্তে ATLAS বা OpenTuner-এর মতো স্বয়ংক্রিয় পারফরম্যান্স অটোটিউনার ব্যবহার করার দিকে পরিবর্তনের অনুরূপ।
তবে, এগিয়ে যাওয়ার পথটি চ্যালেঞ্জে পরিপূর্ণ যা গবেষণাপত্রটি যথাযথভাবে ইঙ্গিত করে। Generalizability এটি হল Achilles' heel। x86 CPU ক্লাস্টারের সিমুলেশনে প্রশিক্ষিত একটি সারোগেট ARM-ভিত্তিক বা GPU-ত্বরিত সিস্টেমে বিপর্যয়করভাবে ব্যর্থ হতে পারে। এই ক্ষেত্রটিকে অন্যান্য ডোমেনের ব্যর্থতা থেকে শিখতে হবে, যেমন প্রতিকূল উদাহরণ বা বন্টন পরিবর্তনের প্রতি প্রাথমিক কম্পিউটার ভিশন মডেলগুলির ভঙ্গুরতা। কৌশলগুলি স্থানান্তর শিক্ষণ এবং ডোমেন অভিযোজন (Pan & Yang, 2010) will be crucial, as will the development of অনিশ্চয়তা-পরিমাপক মডেল (যেমন, Bayesian Neural Networks, Gaussian Processes) যা বিতরণ-বহির্ভূত কনফিগারেশনের মুখোমুখি হলে "আমি জানি না" বলতে পারে, WLCG-এর মতো উচ্চ-ঝুঁকিপূর্ণ পরিবেশে বিশ্বস্ত স্থাপনার জন্য এটি একটি অত্যন্ত গুরুত্বপূর্ণ বৈশিষ্ট্য। এই কাজটি একটি নতুন পদ্ধতিতে একটি আশাব্যঞ্জক এবং প্রয়োজনীয় প্রথম পদক্ষেপ, কিন্তু এর চূড়ান্ত সাফল্য নির্ভর করে সম্প্রদায়ের এই দৃঢ়তা এবং বিশ্বাসের চ্যালেঞ্জগুলিকে সরাসরি মোকাবেলা করার সক্ষমতার উপর।
7. Future Applications & Directions
- রিয়েল-টাইম সিস্টেম টিউনিং: অপারেশনাল গ্রিড মিডলওয়্যারে সারোগেটগুলিকে একীভূত করা যেতে পারে যাতে সময়োপযোগীভাবে শিডিউলিং সিদ্ধান্ত বা ব্যর্থতা পুনরুদ্ধার কর্মের প্রভাব পূর্বাভাস দেওয়া যায়, যা সক্রিয় অপ্টিমাইজেশন সক্ষম করে।
- Co-Design of Hardware & Software: ভবিষ্যতের কম্পিউটিং হার্ডওয়্যার আর্কিটেকচার (যেমন, HEP-এর জন্য বিশেষায়িত প্রসেসর, অভিনব নেটওয়ার্ক টপোলজি) এবং সেগুলোতে চলবে এমন সফটওয়্যার ওয়ার্কফ্লোর যৌথ অপ্টিমাইজেশন সহজতর করা।
- শিক্ষা ও প্রশিক্ষণ: দ্রুত সারোগেটগুলি শিক্ষার্থী এবং নতুন গবেষকদের জন্য ইন্টারেক্টিভ ওয়েব-ভিত্তিক টুলগুলিকে শক্তি দিতে পারে, যাতে ভারী সিমুলেশন অবকাঠামো ছাড়াই বিতরণিত সিস্টেমের ধারণাগুলি অন্বেষণ করা যায়।
- ক্রস-ডোমেইন ফার্টিলাইজেশন: এই পদ্ধতিটি সরাসরি অন্যান্য বৃহৎ-স্কেল বিতরণিত সিস্টেমে প্রযোজ্য: ক্লাউড কম্পিউটিং সম্পদ ব্যবস্থাপনা, কন্টেন্ট ডেলিভারি নেটওয়ার্ক, এবং এমনকি স্মার্ট গ্রিড অপ্টিমাইজেশন।
- গবেষণা দিক - হাইব্রিড মডেলিং: ভবিষ্যতের কাজে অনুসন্ধান করা উচিত পদার্থবিদ্যা-সচেতন অথবা gray-box এমন মডেল যা ML আর্কিটেকচারে পরিচিত সিস্টেম সীমাবদ্ধতাগুলি (যেমন, নেটওয়ার্ক লেটেন্সি সীমা, আমডাহলের সূত্র) অন্তর্ভুক্ত করে ডেটা দক্ষতা এবং সাধারণীকরণ উন্নত করতে, যেভাবে পদার্থবিজ্ঞান-সচেতন নিউরাল নেটওয়ার্ক (PINNs) বৈজ্ঞানিক কম্পিউটিংয়ে বিপ্লব ঘটাচ্ছে (Raissi et al., 2019)।
৮. তথ্যসূত্র
- বিশ্বব্যাপী এলএইচসি কম্পিউটিং গ্রিড (ডব্লিউএলসিজি)। https://wlcg.web.cern.ch/
- ডিসিসিম সিমুলেটর (উদ্ধৃতিতে সম্পূর্ণ রেফারেন্স দেওয়া নেই)।
- Casanova, H., et al. (2014). SimGrid: বিতরণিত ও সমান্তরাল সিস্টেমের পরীক্ষামূলক মূল্যায়নের জন্য একটি টেকসই ভিত্তি। Journal of Parallel and Distributed Computing.
- Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering.
- Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward এবং inverse problems involving nonlinear partial differential equations. Journal of Computational Physics.
- National Center for Supercomputing Applications (NCSA). (2023). The Role of Surrogate Models in Exascale Computing Co-Design. https://www.ncsa.illinois.edu/