کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4963661 | 1447052 | 2017 | 18 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Enabling data science in the Gaia mission archive: The present-day mass function and age distribution
ترجمه فارسی عنوان
فعال کردن علم داده در بایگانی مأموریت گایا: عملکرد توده ای امروز و توزیع سن
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
علم اطلاعات مقیاس پذیر، تجزیه و تحلیل باینری سلسله مراتبی، عملکرد روز جمعه، توزیع سن امروزه، سامسونگ سامسونگ، مأموریت گایا،
ترجمه چکیده
در این مقاله، ما با ارائه دو مدل احتمالاتی با استفاده از مدل سازی بیزی بیرحمانه، این چالش ها را در حال حاضر و به صورت متمرکز می کنیم. این مدلها یک چالش کلیدی در ستاره شناسی هستند و برای مأموریت گایا بسیار مهم هستند. علاوه بر این، ما با پیاده سازی یک موتور پردازش عمومی توزیع شده از طریق یک بسته نرم افزاری موجود برای نمونه برداری از مونت کارلو زنجیره مارکوف، به اجرای پی می بریم. سپس دو مدل فشرده محاسباتی، با داده های شبیه سازی شده در سناریوهای مختلف تحت محدودیت های خاص، مورد تایید قرار می گیرند و عملکرد آنها برای اثبات مقیاس پذیری آنها ارزیابی می شود. ما استدلال می کنیم که این رویکرد نه تنها برای مدل های در دست انجام می شود بلکه برای نشان دادن نحوه برخورد با مشکلات مشابه در علم است که ممکن است برای هر دو مقیاس به مجموعه داده های بزرگ نیاز داشته باشد و مجددا از نرم افزار موجود استفاده کند. این در آرشیو داده های عظیم به علم منجر خواهد شد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
In this paper, we present and contextualize these challenges by building two probabilistic models using Hierarchical Bayesian Modelling. These models represent a key challenge in astronomy and are of paramount importance for the Gaia mission itself. Moreover, we approach the implementation by leveraging a generic distributed processing engine through an existing software package for Markov chain Monte Carlo sampling. The two computationally intensive models are then validated with simulated data in different scenarios under specific restrictions, and their performance is assessed to prove their scalability. We argue that this approach will not only serve for the models in hand but also for exemplifying how to address similar problems in science, which may need to both scale to bigger data sets and reuse existing software as much as possible. This will lead to shorter time to science in massive data archives.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Astronomy and Computing - Volume 19, April 2017, Pages 1-15
Journal: Astronomy and Computing - Volume 19, April 2017, Pages 1-15
نویسندگان
D. Tapiador, A. Berihuete, L.M. Sarro, F. Julbe, E. Huedo,