XiaoMi-AI文件搜索系统
World File Search SystemGPU
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。
SFC 6000H 文献 - 变频器 - 400Hz - GPU
经济高效、紧凑可靠：SFC 6000H 系列静态 GPU 为直升机、军用喷气式飞机和小型民用飞机提供 400Hz 机库电力，提供最具成本效益和灵活性的方式。通过采用最先进的电子设计，SFC 6000H 型号不仅在各自的功率等级中非常紧凑，而且非常安静。这意味着人员可以在它们附近工作，而不会产生通常与 400Hz 转换器相关的令人疲劳的噪音。统一输入功率因数：先进的前端设计确保所有型号的输入功率因数接近 1。这意味着几乎没有被拒绝的谐波，输入功耗最小化，整体转换器效率最大化。
Deepwave Digital 创建了一款支持 AI 的 GPU 接收器...
通信系统通过在各个节点之间发送和接收无线电信号来发挥作用。这些无线电信号携带数据内容，例如视频、音频或互联网流量。随着物联网设备和支持 LTE/5G 的手机的最近激增，频谱拥塞会降低网络性能和可靠性。从历史上看，频谱的管理方式是强制每个通信系统在特定的预定义固定频率范围内运行。该系统允许频谱管理变得简单，但可能会导致大量未充分利用的频谱。例如，一组频率可能分配给很少使用频谱的一组用户，而另一组用户可能被困在比他们所需的带宽更少的带宽中。提前计划并优先考虑此类用例通常很困难。更先进的方法是允许动态频谱分配以最大限度地提高利用率并优先使用。这种方法通常称为频谱共享。虽然完全自主的频谱共享仍然是一个研究课题，但涉及 DARPA 频谱协作挑战赛 (SC2) 的演示已经显示出令人鼓舞的结果。
混合CPU，GPU，QPU基础架构用于混合量子...
混合量子经典计算基础架构是研究用例的有趣场景和研究，以便最好地使用当前的量子硬件。这种方法允许使用CPU和GPU基础架构和算法最有效地使用现有的量子硬件。目标演示的目标是介绍多个QPU+CPU+GPU混合量子量子计算集成和用例。位于远端端的量子 - 经典计算测试台 - Poznan超级计算和网络中心（PSNC）办公室和SC24场地将与专用的经典直接链路相互联系，该连接在量子加密后（PQC）和量子密钥分布（QKD）技术的基础上均可确保其固定。在长距离链接上，数据将由PQC算法加密，并在PSNC Office和Short QKD链接中本地进行SC24场地。此设置将展示分布式混合量子基础架构如何工作以及如何从计算认证和安全性的角度与最新的PQC和QKD Technologies相互连接。PQC算法将使用经典的DWDM服务和加密发电机确保长距离链接加密。在本地，作为最后一英里解决方案，链接可以通过QKD技术直接确定并与本地网络数据传输（例如MacSec服务）集成。这样的分布式环境将实施来自不同领域的许多用例
ML云GPU短缺培训：跨区域是答案吗？ 水管工
摘要ML的广泛采用导致对GPU硬件的需求很高，因此，公共云中GPU的严重短缺。通常很难在单个云区域分配足够数量的GPU来训练或微调当今的大型ML模型。如果用户愿意使用不同地理区域的设备进行ML培训工作，则可以访问更多的GPU。但是，GPU节点与较低的网络带宽连接，并且云提供商为跨地理区域的数据传输提供了额外的费用。在这项工作中，我们探讨了何时以及如何有意义地利用跨区域和地区进行分布式ML培训的GPU。我们根据不同模型并行性策略的计算和通信模式分析了跨区域培训的吞吐量和成本影响，开发了一种基于配置文件的分析模型，用于估计培训吞吐量和成本，并为有效分配地理分配资源提供指南。我们发现，尽管在节点跨越地理区域时，ML训练吞吐量和成本会显着降低，但使用管道等级的跨区域训练是实用的。
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。
使用GPU和多线程的优化视觉变压器训练
摘要 - 传统的卷积神经网络（CNN）通常在捕获各种数据集中的复杂空间关系和细微的模式方面遇到困难。为了克服这些限制，这项工作先驱，使视觉变压器（VIT）模型的应用在计算机视觉领域引起了显着关注，因为它们能够通过自我意见机制在图像中捕获图像中的长期依赖性的能力。然而，培训大量参数的大规模VIT模型会带来计算挑战。在本文中，我们提出了一种优化的方法，用于培训VIT模型，该模型利用图形处理单元（GPU）的并行处理功能，并使用多线程优化了计算工作负载分布。在CIFAR-10数据集上对所提出的模型进行了训练和测试，并在100个时期后达到了99.92％的出色精度。与现有方法相比，实验结果揭示了我们方法在优化训练效率方面的有效性。这强调了VIT模型的出色性能及其革新图像分类任务的潜力。索引术语 - CIFAR-10数据集，卷积神经网络（CNN），GPU，图像分类，多线程，视觉变压器（VIT），注意机制
机器学习训练工作负载的动态 GPU 能量优化
摘要 — GPU 被广泛用于加速机器学习工作负载的训练。随着现代机器学习模型变得越来越大，它们需要更长的时间来训练，从而导致更高的 GPU 能耗。本文介绍了 GPOEO，这是一种用于机器学习训练工作负载的在线 GPU 能量优化框架。GPOEO 通过采用新颖的在线测量、多目标预测建模和搜索优化技术来动态确定最佳能量配置。为了表征目标工作负载行为，GPOEO 使用 GPU 性能计数器。为了减少性能计数器分析开销，它使用分析模型来检测训练迭代变化，并且仅在检测到迭代偏移时收集性能计数器数据。GPOEO 采用基于梯度提升的多目标模型和局部搜索算法来找到执行时间和能耗之间的权衡。我们通过将 GPOEO 应用于在 NVIDIA RTX3080Ti GPU 上运行的两个 AI 基准测试套件中的 71 个机器学习工作负载来评估它。与 NVIDIA 默认调度策略相比，GPOEO 平均节能 16.2%，平均执行时间略有增加 5.1%。
ADEPT：一种适用于 GPU 架构的域独立序列比对策略
摘要背景：生物信息学工作流程经常使用自动基因组组装和蛋白质聚类工具。在大多数这些工具的核心中，执行时间的很大一部分用于确定两个序列之间的最佳局部比对。此任务使用 Smith-Waterman 算法执行，这是一种基于动态规划的方法。随着现代测序技术的出现以及基因组和蛋白质数据库的规模不断扩大，对更快的 Smith-Waterman 实现的需求应运而生。CPU 提供了多种 Smith-Waterman 算法的 SIMD 策略。然而，随着 HPC 设施向基于加速器的架构的转变，对高效的 GPU 加速策略的需求也随之而来。现有的基于 GPU 的策略要么针对特定类型的字符（核苷酸或氨基酸）进行了优化，要么仅针对少数应用用例进行了优化。结果：在本文中，我们提出了一种新的 GPU 架构序列比对策略 ADEPT，它与领域无关，支持来自基因组和蛋白质的序列比对。我们提出的策略使用 GPU 特定的优化，不依赖于序列的性质。我们通过实施 Smith-Waterman 算法并将其与类似的 CPU 策略以及每个领域中已知的最快 GPU 方法进行比较，证明了该策略的可行性。ADEPT 的驱动程序使其能够跨多个 GPU 进行扩展，并可以轻松集成到利用大规模计算系统的软件管道中。我们已经证明，基于 ADEPT 的 Smith-Waterman 算法在 Cori 超级计算机的单个 GPU 节点（8 个 GPU）上分别针对基于蛋白质和基于 DNA 的数据集展示了 360 GCUPS 和 497 GCUP 的峰值性能。总体而言，与相应的 SIMD CPU 实现相比，ADEPT 在节点到节点的比较中显示出 10 倍更快的性能。结论：ADEPT 表现出相当或更好的性能（下页继续）
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。