XiaoMi-AI文件搜索系统
World File Search SystemParallel
改善基于Lindley分布的系列平行系统的性能
r˚ade[1]获得了某些简单系统的可靠性对等因子（参考）。Sarhan [2，3]提供了四种方法：（i）还原方法（RM）：失败率降低了因子ρ，0 <ρ<1; （ii）热重复方法（HDM）：假设系统的某些组件将连接到并行系统中的组件（每个组件）。（iii）冷复制方法（CDM）：在此方法中，使用冷耦合，假设某些组件将通过完美的开关（每个组件）连接到组件。（iv）不完善的复制方法（IDM）：它与以前的方法CDM有所不同，因为连接过程中使用的开关是不完美的开关。开关具有寿命分布。通过应用参考的概念，请参见[4、5、6、7、8、9、10、10、11、11、12、13、14、16、16、17、19、19、19、20、21、22]随机变量T具有三参数的lindley lindley（tpld），如果它具有
第 73 届第 38 届平行医疗培训研讨会
学习目标： 1.描述美国运输司令部 (USTRANSCOM) 的概况 2.识别何时可能发生系统性损伤，并了解何时可能需要辅助治疗/检测 3.总结医疗专家 (SP) 军团人员在先前大规模作战行动 (LSCO) 环境中的历史作用 4.解释野战医院和实验室在支持部队医疗护理方面的作用 5.总结人道主义援助情况是什么以及灾难救济情况如何相关 6.确定损害控制复苏的指征和目标 7.描述长期伤员护理 (PCC)
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
了解 GPU 并行管理和控制单元中永久故障的影响
GPU 在多个领域得到日益广泛的应用，包括高性能计算 (HPC)、自主机器人、汽车和航空航天应用。GPU 在传统领域之外的应用（游戏、多媒体和消费市场）突然引起了人们的兴趣，也提出了有关其可靠性的问题 [3]。目前，活跃的 GPU 研究旨在评估可靠性并确定可行的改进方法。大多数研究都强调 GPU 对瞬态故障的高度敏感性 [11、13、16、24、27、32、44、47、51]，这是由于 GPU 拥有大量可用资源且采用了先进的半导体技术。此外，GPU 的并行管理和控制单元已被证明尤为关键，因为它们的损坏会影响多个线程 [24、38]。 GPU 的并行性在性能方面提供了无可置疑的优势，但它也是该设备最脆弱的特性之一。GPU 制造商通过改进存储单元设计 [ 39 ]、添加纠错码 [ 15 ] 等措施提供了有效的可靠性对策，
开源并行 EMT 仿真框架
摘要 — 随着逆变器资源 (IBR) 集成度的提高，确保大容量电力系统的可靠运行需要使用电磁暂态 (EMT) 仿真工具来识别和减轻全系统稳定性风险。然而，对大规模、富含 IBR 的电网进行 EMT 研究具有挑战性，因为底层高保真模型和所需的小时间步骤造成了固有的计算瓶颈。本文介绍了 ParaEMT：一个开源的通用 EMT 仿真框架，旨在通过利用先进的并行计算技术（如高性能计算机）来加速仿真。本文全面阐述了 ParaEMT，涵盖了其建模库、仿真策略、框架结构、操作程序和辅助功能，以及其可扩展的并行计算架构。值得注意的是，ParaEMT 是一个用 Python 编写的可公开访问的模块化框架，从而促进了未来的开发和新模型和算法的集成。通过多个案例研究的严格验证证明了 ParaEMT 的准确性和效率。
OU：自动化零知识协议的并行化
零知识证明（ZKP）是一种强大的加密原理，用于许多分散或以隐私为中心的应用程序。但是，ZKP的高开销可以限制其实际适用性。我们设计了一种编程语言OU，旨在在编写有效的ZKP时减轻程序员的负担以及编译器框架Lian，该框架可以自动化对计算集群的语句分析和分布。lian使用编程语言语义，形式方法和组合优化，将OU程序自动将OU程序划分为有效尺寸的块，以进行并行ZK提供和/或验证。我们贡献：（1）一种前端语言，用户可以在熟悉的语法中将证明语句写为命令式程序； （2）自动分析程序并将其编译成优化的IR的编译器体系结构和实现，可以将其提升为各种ZKP构造； （3）基于伪树状优化和整数线性编程的切割算法，将指令重新定义，然后将程序分配为有效尺寸的块，以进行并行评估和有效的状态和解。
基于林德利分布的串并联系统性能改进
R˚ade[1]得到了一些简单系统的可靠性等价因子（REF）。Sarhan[2,3]提出了四种方法：（i）缩减法（RM）：将故障率降低一个因子ρ，0<ρ<1；（ii）热复制法（HDM）：假设系统中的某些组件将连接到并联系统中的某些组件（每个组件一个）。（iii）冷复制法（CDM）：该方法采用冷耦合，假设某些组件将通过完美开关连接到其他组件（每个组件一个）。（iv）不完美复制法（IDM）：它与以前的CDM方法不同，连接过程中使用的开关是不完美开关。开关具有寿命分布。通过应用 REF 的概念，可以改进各种系统，参见 [ 4 、 5 、 6 、 7 、 8 、 9 、 10 、 11 、 12 、 13 、 14 、 15 、 16 、 17 、 18 、 19 、 20 、 21 、 22 ] 如果一个随机变量 T 具有如下 pdf，则它具有三参数林德利分布 (TPLD)
大规模并行计算：算法和应用
现代时代目睹了将构造扩展到大型数据集的能力的革命。可伸缩性的关键突破是引入快速且易于使用的分布式编程模型，例如MapReduce（Dean和Ghemawat，2008年），Hadoop（Hadoop.apache.org）和Spark（Spark.apache.org）。我们将这些编程模型称为大规模并行框架。大规模并行框架最初是针对相对简单的计算类型设计的，例如计算数据集中的单词频率。从那以后，它们被证明对更丰富的应用程序非常有用。最近的工作目的是以释放其真正的潜在力量并扩大其适用性来研究这些框架算法。希望通过算法研究，取得与诸如合规算法等主题相似的成功（Frigo等人。，2012年）和数据流算法（McGregor，2014年）。实际上，大量分布式框架使程序员能够轻松地将算法在数十万台上部署到数千台机器。算法，这些框架对其计算表达能力有限制，以帮助确保程序有效地平行。
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
一项关于细菌病原体患病率和易感模式的回顾性横断面研究，在伊朗德黑兰的一家教学医院引起尿路感染
背景：谁报告说，糖尿病是慢性疾病中的沉默杀手，这种疾病的患病率随着年龄的增长而增加。自我效率（见）作为健康模型的结构之一，在改善糖尿病患者的健康和自我管理方面起着至关重要的作用。目标：本研究评估了扩展平行过程模型（EPPM）对2型糖尿病患者SEEF的影响。方法：这项实验研究是对60名随机分为两种测试（30人）和对照组（30人）组的患者进行的。数据收集工具是SEEF问卷。在测试组中，每周一次基于EPPM结构（45-60分钟）的EPPM结构进行培训。在对照组中也进行了常规训练。通过描述性统计（频率，平均值和标准偏差）和推论统计（协方差，两个独立样本T-检验，配对样品T检验，Fisher和Chi -square）分析数据。结果：两个独立的样本t检验在干预之前的测试组和对照组之间没有明显的差异（p = 0.45）。同时，在干预后有关SEEF（p <0.01）的测试组和对照组之间观察到显着差异。协方差检验通过消除预测试效应（ETA = 0.63，p <0.01），表现出EEMP效应与糖尿病患者SEEF之间的显着关系。结论：根据结果，开发的并行过程模型（EEMP）增加了糖尿病患者的SEEF。这种健康模型被认为是一种有效和低成本的护理方法。