Application XRA: optimisation de cliches de diffraction rayons X. EDGes@home

[Spica]

Je me suis lancé pour une...
http://www.edges-grid.eu/c/document_library/get_file?folderId=63854&name=DLFE-1632.pdf   ----XRA

Voici ma trad (avec une petite correction du texte anglais en plus, les rayons X ca me connait pas mal...) PAr contre, j'ai du mal avec la toute derniere phrase et les desktop grids et service grids...


Application XRA: optimisation de clichés de diffraction des rayons X.

La technique de diffraction des rayons X est fréquemment utilisée dans de nombreux domaines scientifiques que ce soit en médecine, physique ou science des matériaux pour obtenir des informations (tel que la taille ou la forme) sur l'objet frappé par les rayons X. La diffraction par les rayons X peut être mesurée et représentée sur un graphe où les minima et maxima d'intensités de diffraction sont représentés. Les informations sur l'objet d'étude sont extraites de paramètres qui donnent naissance aux pics de diffraction sur le graphique. Malheureusement, ces pics peuvent se superposer, ce qui rend difficile de les distinguer et de trouver la meilleure configuration pour l'objet d'étude.
But :
Des fonctions d'optimisation globales (fitness functions) différentes peuvent être appliquées pour classer et comparer les solutions possibles. Si la fonction d'optimisation globale doit être évaluée pour un très grand nombre de scénarios, alors trouver la solution avec le meilleur ajustement pour un ensemble de résultats expérimentaux peut être très consommateur de calculs. Etant donné que le temps de calcul augmente exponentiellement avec le nombre de pics de diffraction, l'analyse des diagrammes avec un nombre inconnu de pics peut être très complexe. Les résultats les plus précis peuvent être obtenus si toutes les solutions possibles de la fonction d'optimisation globale utilisée sont comparés et évalués. Malheureusement, le nombre de solutions possibles peut être si grand que ce processus linéaire de recherches nécessiterait plusieurs centaines d'années de CPU pour se terminer.
Utilisateurs :
La communauté principale utilisatrice ainsi que les dévelopeurs de cette application sont des chercheurs de l'Université d'Extramadura en Espagne. Cependant, la méthodologie, si  elle s'avère fructueuse, a un large potentiel d'applications dans divers domaines.
Solution :
La version originale de l'application est une solution séquentielle qui existait avant le projet EDGeS. Le programme prend le nombre de pics recherchés ainsi que les valeurs minimale, maximale et incrémentale fixée par l'utilisateur pour chaque paramètre, et exécute la fonction d'approximation globale pour toutes les combinaisons de valeurs de paramètres possibles dans un intervalle donné avec l'incrément donné. Etant donné que chaque calcul de la fonction d'optimisation est indépendant des autres, en théorie, les différentes combinaisons peuvent être calculées en parallèle l'une de l'autre sur différents processeurs.
Cependant, étant donné que chaque calcul prend un temps très court, de l'ordre de 0,0005 secondes, le surcout créé par la distribution de chaque tache individuelle serait supérieur au gain en performance. Pour éviter ce problème, des millions de calculs de fonctions d'optimisation peuvent être assemblées en une unité de travail permettant un temps d'exécution raisonnable de l'ordre de 20-30 minutes par unité.
Un autre défi  est l'échelle cosmique du problème. Si le nombre de paramètres d'entrée est grand et que l'incrément désiré est petit, alors même un grand nombre de processeurs nécessiterait plusieurs années pour résoudre le problème. Pour éviter cela, la recherche linéaire a été remplacée par une approche itérative. Le calcul initial démarre avec un incrément élevé et donc avec une faible précision. Malgré que ce calcul soit sur de se terminer au bout d'un temps raisonnable, il est peu probable qu'il fournisse des résultats corrects. Par conséquent, la précision augmente et l'intervalle de paramètres diminue au cours de chaque itération, en se concentrant autour des intervalles entourant les meilleures valeurs obtenues pour l'itération précédente.
Résultats :
Malheureusement, les résultats scientifiques n'ont pas été ceux qui étaient escomptés. En démarrant avec une faible précision, des solutions possibles ont été automatiquement écartées permettant l'élimination de certaines des meilleures solutions possibles. Le modèle linéaire modifié a généré, de manière significative, moins de résultats en comparaison avec d'autres approches, par exemple en utilisant des algorithmes évolutionnistes. Après avoir analysé les résultats, l'équipe de recherche a décidé d'écarter l'approche de la recherche linéaire modifiée et va étudier d'autres techniques, tels que différents algorithmes évolutionnistes, en cherchant leur pertinence pour le problème.
Support :
La Méthode de Développement d'Application EDGeS (EADM) est une méthode qui standardise la portabilité des applications vers un environnement complexe de grilles de calcul. Cette méthode assure que, aussi vite que possible, la meilleure voie de 'portage' est choisie.
Le projet EDGeS maintient une infrastructure de partage qui relie les grilles de bureau aux grilles de service.
Site web : http://edges-grid.eu.