XiaoMi-AI文件搜索系统
World File Search SystemGPU
基于 OpenFOAM 和 CPU/GPU 计算的 AI 加速 CFD 模拟 ⋆
摘要。在本文中，我们提出了一种通过将传统 CFD 求解器与我们的 AI 模块集成来加速 CFD（计算流体动力学）模拟的方法。所研究的现象负责化学混合。所考虑的 CFD 模拟属于一组稳态模拟，并使用基于 OpenFOAM 工具箱的 MixIT 工具。所提出的模块被实现为 CNN（卷积神经网络）监督学习算法。我们的方法通过为模拟现象的每个数量创建单独的 AI 子模型来分发数据。然后可以在推理阶段对这些子模型进行流水线处理以减少执行时间，或者逐个调用以减少内存需求。我们根据 CPU 或 GPU 平台的使用情况检查所提出方法的性能。对于具有不同数量条件的测试实验，我们将解决时间缩短了约 10 倍。比较基于直方图比较法的模拟结果显示所有数量的平均准确率约为 92%。
GPU 功率上限用于权衡能源性能...
摘要。本文介绍了用于图像识别的深度卷积神经网络训练的性能-能量权衡研究。使用配备 Nvidia Quadro RTX 6000 和 Nvidia V100 GPU 的系统测试了几种具有代表性且广泛采用的网络模型，例如 Alexnet、VGG-19、Inception V3、Inception V4、Resnet50 和 Resnet152。使用 GPU 功率上限，我们发现除了默认配置之外，还可以最小化三个不同的指标：能量 (E)、能量延迟积 (EDP) 以及能量延迟总和 (EDS)，从而节省大量能源，EDP 和 EDS 的性能损失较低到中等。具体来说，对于 Quadro 6000 和最小化 E，我们获得了 28.5%–32.5% 的节能效果；对于 EDP，我们获得了 25%–28% 的节能效果，平均性能损失为 4.5%–15.4%；对于 EDS (k=2)，我们获得了 22%–27% 的节能效果，平均性能损失为 4.5%–13.8%。对于 V100，我们发现平均节能效果为 24%–33%；对于 EDP，我们获得了 23%–27% 的节能效果，平均性能损失为 13%–21%；对于 EDS (k=2)，我们获得了 23.5%–27.3% 的节能效果，平均性能损失为 4.5%–13.8%。
印度理工学院 KHARAGPURR 研究园区基金会
拨款，应以登记册的形式保存审计记录，并应在需要时提供给政府审计员。术语“资产”是指：（i）所有不动产；（ii）价值超过 10,000 卢比的资本性动产。该金额不得用于建造任何建筑物/通过购买、租赁等方式获取土地/永久资产，如扩大一般生产设施所需的机械。但是，建造原型和测试原型所需的中试工厂、测试设备、测试台、夹具、工具和固定装置等可以从拨款中建造/制造/获得，如果在批准的项目提案中如此确定或随后得到 IIT Kharagpur 研究园区基金会的批准。5. 全部或部分从 IIT Kharagpur 研究园区获得的资产（如果有）
通过GPU和机器学习加速结构变体检测
结构变异（SV）是重大的基因组改变，在包括癌症在内的遗传多样性，进化和各种疾病中起着至关重要的作用。检测SVS的传统方法通常在计算效率，准确性和可扩展性方面面临挑战，尤其是在处理大型基因组数据时。近年来，图形处理单元（GPU）和机器学习（ML）的出现已经开发了解决这些挑战的新途径。本文探讨了GPU加速度和ML技术的整合，以增强结构变体的检测和分析。我们提出了一个全面的框架，该框架利用深度学习模型（用于在GPU上并行处理）以高精度实现实时SV检测。我们的方法不仅减轻了计算负担，而且还提高了与常规方法相比，SV检测的敏感性和特异性。通过在各种基因组数据集上进行广泛的基准测试，我们在速度，准确性和可扩展性方面证明了我们的GPU加速ML框架的出色性能。这些发现强调了将GPU和ML技术相结合以革新基因组研究的潜力，并为在临床和研究环境中更有效，更精确的结构变体分析铺平道路。
Megascale：将大型语言模型培训扩展到10,000多个GPU
Qi Huang 1 Yangrui Chen 1 Zhi Zhang 1 Yanghua Peng 1 Xiang Li 1 Cong Xie 1 Shibiao Nong 1 Yulu Jia 1 Sun He 1 Hongmin Chen 1 Zhihao Bai 1 Qi Hou 1 Shipeng Yan 1 Ding Zhou 1 Yiyao Sheng 1 Zhuo Jiang 1 Haohan Xu 1 Haoran Wei 1 Zhang Zhang 1 Pengfei Nie 1 Leqi Zou 1 Sida Zhao 1 Liang Xiang 1 Zherui Liu 1 Zhe Li 1 Xiaoying Jia 1 Jianxi Ye 1 Xin Jin 2 , Xin Liu 1
面向未来 CPU、GPU、FPGA 应用的 48V 至 0.7V/2,000A 电源转换的现状和未来研究方向 PDF
摘要 本教程将讨论数据中心/服务器以及 AI 和机器学习系统中使用的 48V 至 0.7V (2,000A) 电源转换器所面临的挑战和解决方案。将讨论和比较两种电源架构。第一种架构是两级架构，其中 48V 转换为 12V（或另一个中间电平），然后将 12V 转换为 0.7V。第二种架构是“单级”，其中 48V“直接”转换为 0.7V。使用“直接”转换架构，无法访问（可见）中间电压总线。在简要介绍广泛应用于数据中心、服务器等的 OAM（OCP 加速器模块）的背景信息和功率要求之后，本教程将提供对降低功率损耗和提高功率密度的技术的新认识。本教程将首先回顾两级架构的最新技术并评估其优点和局限性。然后，本教程将回顾“单级”架构的最新技术并评估其优缺点。基于上述分析和回顾，本教程将提出并讨论 48V 至 0.7V（低至 0.3V）、2,000A（或更高）的应用研究方向，以实现极高的效率、极小的尺寸和电流共享、可扩展、快速动态响应等。
交叉真实的光泽kerberos在大GPU簇上 - eofs
字节）。•LUSTER依靠旧的SUNRPC实现来进行密钥缓存管理（GSS）。•NFS过去存在相同的问题，最终切换到全新的实现（GSSPROXY）。•LUSTER是重复使用已经存在的Identity upcall缓存，但这需要大量适应性。
Thinksystem Nvidia H200 141GB GPU
AI由于成本，集成复杂性和部署时间而无法实现。以前，组织依靠最新数据依靠llms来验证其LLM，这是一个昂贵且耗时的过程。NETAPP AIPOD与Lenovo一起使用NVIDIA OVX结合了NVIDIA认证的OVX Lenovo Thinksystem SR675 V3服务器，具有经过验证的NetApp存储，以创建专门为AI工作负载设计的融合基础架构。使用此解决方案，客户将能够为聊天机器人，知识管理和对象识别等用例进行AI抹布和推理操作。
Thinksystem NVIDIA L40S 48GB PCIE GEN4无源GPU
企业正在寻求使用主流基础架构来满足其计算需求，但是培训最先进的模型需要大量的计算能力。对于LLM型号，八个L40S在主流服务器中的培训表现为NVIDIA HGX™A100 8-GPU系统的训练性能，使Enterprises通过传统的基础架构快速解决解决方案。与推理的A100 80GB SXM相比，L40S使用stablediffusion提供了高达1.2倍的生成AI推理性能，并且在流行网络上（例如MLPerf Benchmark中包含的网络）提供了高达1.5倍的推理性能。
gpudrive：1 ...
多机构学习算法已经成功地在各种游戏中生成超人计划，但对部署的多代理计划者的设计影响有限。将这些技术应用于多代理计划的关键瓶颈是它们需要数十亿个经验步骤。为了启用大规模的多代理计划研究，我们提出了Gpudrive。gpudrive是一种gpu加速的多代理模拟器，构建在Madrona游戏引擎顶部，能够每秒产生超过一百万个模拟步骤。的访问，奖励和动态功能直接写在C ++中，允许用户定义降低到高性能CUDA的复杂的，异质的代理行为。尽管进行了这些低级优化，但通过Python可以完全访问Gpudrive，为多代理，闭环模拟提供了无缝且有效的工作流程。使用Gpudrive，我们在Waymo Open Motion数据集上训练加固学习剂，在几分钟内实现有效的目标，并在数小时内扩展到数千个场景。我们在