¿Cómo derivar FRP a partir de gráficos acíclicos dirigidos?
Actualmente estoy investigando para mi próximo proyecto. Esto se encuentra en una fase de planificación previa, por lo que esta pregunta es solo para obtener una visión general de la tecnología existente.
PrepararTengo un gráfico acíclico dirigido (DAG) con múltiples entradas y salidas, piense en la red neuronal artificial por ahora:
La forma común de procesar dicha estructura es procesar toda la red en cada (tiempo) paso. Creo que ese es el método utilizado por las bibliotecas frp comonetwire.
Ahora estoy en la posición afortunada de que tengo una serie de eventos en los que cada uno presenta el cambio enuno de los nodos de entrada. La idea es que probablemente no tenga que escalonar cada nodo en la red si puedo saber estáticamente que un cambio dado solo afectará una parte de él.
Ejemplo
En la imagen anterior, 5, 7 y 3 son entradas, 11 y 8 están 'ocultas' y 2, 9 y 10 son nodos de salida. Un cambio en el nodo 5 solo afectará al nodo 11 y, en efecto, a los nodos 2, 9 y 10. No necesitaré procesar los nodos 7, 3 y 8.
La metaProcese este tipo de red con la menor latencia posible. El tamaño de los gráficos probablemente alcanzará hasta 100k nodos, con una cantidad moderada de cálculo por nodo.
El planEspero que alguien intensifique y anuncie la biblioteca X que acaba de hacer el trabajo.
De lo contrario, mi plan actual es derivar un cálculo por nodo de entrada a partir de la descripción del gráfico. Probablemente usaré elPar mónada para que no tenga que lidiar con las dependencias de datos yo mismo y aún así beneficiarme de las máquinas multinúcleo.
Par plan factible? ¿Cuánto depende esto de la cantidad de procesamiento necesario en cada nodo?