XiaoMi-AI文件搜索系统
World File Search System计算中心
全球卓越中心 - 高级计算中心 - ...
班加罗尔，2024 年 5 月 21 日 Mphasis（BSE：526299；NSE：MPHASIS）是一家专门从事云和认知服务的信息技术 (IT) 解决方案提供商，今天宣布在 Telangana 海得拉巴的 Phoenix Infocity 成立全球先进计算卓越中心 (CoE)。新中心将为全球客户开发 AI、Gen-AI 和量子计算等新兴技术解决方案。自 2016 年成立以来，Mphasis 在海得拉巴的业务逐年翻番。随着这个新中心的加入，该公司旨在开发由 AI 驱动的尖端解决方案，从而显着扩大其在海得拉巴市的影响力。新中心作为计算和 AI 主导能力的创新中心，使 Mphasis 能够吸引新的和本地的高科技人才。这进一步促进了银行和金融、物流和房地产等全球行业的机会。该设施对于利用多样化的人才资源、满足客户偏好以及受益于良好的生态系统支持至关重要。 Mphasis 全球交付主管 Ravi Vasantraj 表示：“Mphasis 致力于帮助企业负责任地利用人工智能和其他新兴技术。我们在海得拉巴的新中心将在提供下一代解决方案、创造竞争优势和为全球客户开启新可能性方面发挥关键作用。新中心的开业反映了我们致力于培育协作和创新文化的努力，而这一切都由尖端技术驱动。该设施不仅将提升我们的服务产品，还能使海得拉巴的杰出人才与全球专家网络合作，为全球客户提供无与伦比的价值和效率。” Mphasis 和印度理工学院马德拉斯分校已在量子信息、通信和计算中心展开合作。我们的目标是加速量子计算的普及，寻求解决物流、医疗保健和材料方面的挑战，同时继续关注环境和可持续目标。鉴于网络攻击的风险日益增加，我们还认识到部署量子通信和后量子密码技术的紧迫性，这将使我们能够构建安全的国家数字基础设施，”印度理工学院马德拉斯分校量子信息通信与计算中心 (CQuICC) 系主任 Anil Prabhakar 教授表示。“海得拉巴以其涵盖各个行业的多样化技能而闻名，它为我们提供了一个独特的机会，让我们能够挖掘拥有技术技能、实用知识和个人发展愿望的人才，这与 Mphasis 的价值观完全一致。我们满怀期待地开始这次扩张，准备加强我们在该地区的存在和影响力，同时重申我们致力于获取多样化人才的决心，”Mphasis 首席人力资源官 Ayaskant Sarangi 表示。此外，为了履行 Mphasis 的 ESG 承诺，该办公室位于一座最先进的 A 级建筑内，该建筑因获得享有盛誉的 IGBC 预认证白金认证而脱颖而出，彰显了其对环境管理和可持续性的承诺。它是 IT/ITeS SEZ 办公环境中卓越的典范。除此之外，所有办公室设计都注重可持续性，并遵守 LEED 白金认证标准。
CSCS - 瑞士国家超级计算中心的瑞士创新和尖端研究的引擎
及其双层玻璃立面的办公大楼设有办公室和会议室。计算机建筑有三层楼：资源甲板，一个配电甲板和一个2 000 m 2 machine Room。模块化结构可确保最大程度地扩展和适应未来技术。CSC是世界上最节能，最可持续的超级计算机中心之一。
系统脑研究中心人工智能与量子计算中心 (CLARA) 征集提案“地平线欧洲”：团队合作，追求卓越 (
CLARA 联盟由 INDRC 协调，由六个合作伙伴组成，他们在神经科学、人工智能、HPCQC 和分子生物学方面拥有专业知识：捷克技术大学是捷克共和国最重要的技术大学。捷克信息学、机器人学和控制论研究所在计算机科学、机器人学、控制论、人工智能和相关领域开展前沿研究。奥斯特拉发技术大学以其 IT4Innovations 国家超级计算中心为代表，是 HPC、大数据分析和人工智能领域的领先研究中心。IT4I 运营着该国最强大的 HPC 系统。圣安妮大学医院国际临床研究中心 ICRC 是一家主要专注于心脏病学和神经病学的临床研究机构，在蛋白质分子动力学模拟方面拥有 30 多年的经验。巴黎脑研究所 PBI 是欧洲领先的脑研究机构之一。 PBI 以 Aramis 团队（法国国家科学研究院、法国国家工业和信息研究院、法国国家健康与医学研究院和巴黎索邦大学的联合研究团队，总部位于巴黎皮提耶-萨尔佩特里埃医院）为代表，在脑部研究的医学成像 ML 主题上处于世界领先地位。BAdW - LRZ，即莱布尼茨超级计算中心，是欧洲领先的超级计算中心之一。量子集成中心作为慕尼黑量子谷的一部分，为研究科学家提供量子和 HPC-量子混合资源，包括将量子处理器集成到超级计算工作流程中。
高能物理研究所计算中心
l 利用AI强大能力加速高能物理科学发现 l 为粒子物理、天体物理、同步辐射、中子科学等提供AI支持 l 开发HepAI软件与系统。l 开发用于高能物理仿真、重构、分析、实现处理的DL/ML算法。l 为高能物理训练大型语言模型（LLM）。开发用于科学研究的AI代理。l 探索高能物理的大型科学模型（LSM），包括新的预训练方法、粒子的统一表示
与国家量子计算中心合作
• 如果您希望申请 EPSRC 研究中心招募，请访问国家量子计算中心网站（国家量子计算中心 - UKRI NQCC）了解其提供的设施和服务的背景信息。有关技术研究团队的更多详细信息，请参阅：研究团队 - UKRI NQCC。
托管和计算中心 (HACC) 行动计划
维护国防现在比以往任何时候都更依赖于卓越的信息技术 (IT) 和网络安全。作为提供企业 IT 和网络安全能力的作战支援机构，国防信息系统局 (DISA) 在保卫国家方面发挥着重要作用。国防部的一些最关键的举措，如联合全域指挥与控制 (JADC2)、高级数据分析和人工智能/机器学习 (AI/ML)，都以支持所有作战领域的统一托管和计算为基础。
林肯实验室超级计算中心
强化学习是一项令人兴奋的新兴技术，可广泛适用于国防部 (DoD) 的一系列任务领域。它是一种机器学习的形式，其中根据代理的表现通过奖励和惩罚来训练代理。深度强化学习 (DRL) 已显示出在复杂和高维环境中找到有效策略的能力，例如学习玩《星际争霸》或《古代防御》等策略游戏。因此，国防部正在投资模拟环境，以训练自主代理解决具有挑战性的国防部问题。例如，该实验室帮助开发了美国陆军环境，用于训练人工智能代理以防御无人机系统、火箭、火炮和迫击炮威胁。同样，国防高级研究计划局开发了 AlphaDogfight 环境来训练完全自主的飞行员进行空战。
国家能源研究科学计算中心
疫情的特殊情况以及下半年前所未有的山火季节，都证明了 NERSC 的灵活性和应对逆境的能力。我们在短短几周内就从 2020 年初以现场运营为主转变为几乎完全远程运营。即便如此，在这一年中，我们开发了许多关键创新，完成了 Perlmutter 的准备工作，并为我们的用户群和科学界提供了良好的服务。这对我们来说是值得骄傲的一年。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。