В процессе второго этапа выполнения прикладных научных исследований и экспериментальных разработок были разработаны алгоритмы подсистемы анализа данных на основе глубинных нейросетевых архитектур. Формирование глубинных нейросетевых моделей требует проведения обучения большого количества моделей с различными параметрами. Для поиска оптимальных архитектур и параметров обучения глубинных нейросетевых моделей был разработан модуль, который позволяет распараллеливать обучение по сетке параметров обучения с использованием MPI технологии. Для моделирования использовались ресурсы вычислительного кластера «Академик В.М. Матросов» центра коллективного пользования (ЦКП)«Иркутский суперкомпьютерный центр СО РАН» (ИСКЦ). На кластере были обучены глубинные нейросетевые модели LSTM и MLP.
Работы на кластере были выполнены в ноябре-декабре 2018 года. Для моделирования было затрачено порядка 3000 узлочасов. Применение вычислительного кластера позволило в десятки раз сократить время, необходимого для проведения экспериментального моделирования.
