XiaoMi-AI文件搜索系统
World File Search SystemParsec
进化轨道，弹射和电离光子从中间质量到具有parsec
在预测恒星的演化和死亡方面，恒星进化模型的最新进展。我们提出了使用更新的P ARSEC v2.0代码计算的新的恒星进化模型，以获得金属和初始质量的全面和均匀的网格。核反应网络，质量损失处方和元素混合的处理都在P ARSEC v2.0中进行了更新。我们计算了跨越Z = 10-11至Z = 0的13个初始金属性的模型。03，质量范围从2.0m⊙到2000 m，由1100多个库（包括纯模型在内的2100个轨道）组成。对于每条轨道，从预先序列到最先进的早期抗肌肉分支或苏植物前阶段（取决于恒星质量）的进化。在这里，我们描述了轨道的特性及其化学和结构进化。我们计算了最终的命运和残余物质，并为每种金属性建立了质谱，发现合并的黑洞（BH）配对质量质量间隙仅在100至130 m⊙之间。此外，残留质量提供了与观察到的BH质量一致的模型，例如GW190521，Cygnus X-1和Gaia BH3二进制系统的BH质量。我们计算并提供了从恒星风和爆炸性最终命运以及电离光子速率的化学喷射。我们展示了金属性如何影响这些恒星的进化，命运，喷射和电离光子计数。所有模型均可公开可用，可以在P ARSEC数据库中检索。我们的结果表明，与不同代码计算的其他轨道的总体一致性很强，由于混合和质量损失的不同处理，对于非常巨大的恒星（M Zams> 120m⊙）而出现了最显着的差异。与大型麦哲伦云的狼蛛星云中观察到的大量恒星样本的比较表明，我们的轨道很好地重现了主要序列上的大多数恒星。
无标题 - 创新的计算实验室
认识到在大规模分布计算中对弹性的需求日益增长的需求，ICL在2000年代初引入了容忍度的MPI（FT-MPI），集成了优雅处理过程失败并增强应用程序可靠性的机制。随着HPC体系结构变得更加复杂，ICL开发了Parsec（2012），这是一个基于任务的运行时框架，可以高效地执行分布式和异构体系结构。PARSEC优化资源利用率，动态适应现代计算平台，并已成为Exascale计算的基本工具。它的影响已得到广泛认可 - 在过去的三年中，它在三个戈登·贝尔奖决赛选手项目中发挥了关键作用，最终在2024年在SC24赢得了历史性的胜利。ICL继续完善和扩展Parsec的能力，确保以创新，高性能的解决方案满足未来分布式计算挑战。
层间工艺变化感知单片 3-D NoC 设计空间探索
摘要 — 单片 3-D (M3D) 技术通过按顺序将各层堆叠在一起，实现了高密度集成、性能和能源效率。基于 M3D 的片上网络 (NoC) 架构可以通过对路由器内阶段采用层分区来利用这些优势。然而，由于与温度相关的问题，传统的制造方法不适用于支持 M3D 的设计。这需要较低的温度和温度弹性技术来制造 M3D，导致顶层晶体管和底层互连的性能较差。由此产生的层间工艺变化导致支持 M3D 的 NoC 性能下降。在本文中，我们证明，在不考虑层间工艺变化的情况下，支持 M3D 的 NoC 架构在一组 SPLASH-2 和 PARSEC 基准测试中平均高估了能量延迟积 (EDP) 50.8%。作为应对措施，我们采用了一种工艺变化感知设计方法。所提出的设计和优化方法将路由器内部阶段和路由器间链接分布在各层之间，以减轻工艺变化的不利影响。实验结果表明，与工艺无关的设计相比，所考虑的 NoC 架构在所有基准测试中平均将 EDP 提高了 27.4%。
widir：无线启用目录缓存连贯协议
摘要 - 作为共享记忆多核的核心计数不断增加，设计高性能协议的设计越来越困难，这些协议可以提供高性能而不会增加复杂性和成本。特别是，共享一组内核经常读取和写入共享变量的模式很难有效地支持。因此，程序员最终会调整其应用程序以避免这些模式，从而损害共享内存的可编程性。为了解决这个问题，本文使用最近提供的片上无线网络技术来增强常规的基于无效的基于无效的目录高速缓存相干协议。我们称之为生成的协议widir。widir通过有线和无线相干交易在给定线路之间基于访问模式以程序员透明方式进行过渡。在本文中，我们详细描述了协议过渡。此外，使用飞溅和PARSEC应用程序的评估表明，Widir大大减少了应用程序的存储器失速时间。结果，与常规目录协议相比，对于64核运行，Widir平均将应用程序的执行时间缩短了22％。此外，Widir更可扩展。这些好处是通过非常适中的功率成本获得的。索引条款 - 芯片上的无线网络，目录缓存相干协议
基于机器学习的预测雷诺的翼型空气动力系数
摘要。本研究研究了各种机器学习（ML）算法在预测两个关键空气动力系数的应用，即最大升力系数（𝐶𝐶）和最小阻力系数（𝐶𝑑），对于任何给定的雷诺数，风力涡轮机翼型。我们建议使用聚类技术对类似的机翼形状进行分组，并使用创建的分区来预测使用它们相似性的看不见的机翼属性。在这里，我们还代表了Parsec低维空间中的机翼，而不是高维翼型点空间，以弥补少量训练数据。为此，创建了一个扩展的实验机翼数据库，并用于基于五种不同ML算法的培训模型。我们观察到决策树集合（DTE），随机森林（RF）和多层感知器（MLP）模型成为𝐶𝐶𝑙和𝐶𝑑𝑑𝑚𝑖𝑛𝑑𝑑𝑑𝑑𝑑𝑚𝑖𝑛𝑑𝑚𝑎𝑥𝑚𝑖𝑛𝑙的最有效预测指标。在培训数据库中未包含的三个其他机翼案例上测试这两个ML模型表明，𝐶𝐶𝑙𝑙𝑙𝑙𝑙预测性能通常是合理的，错误级别的平均值约为5％。相比之下，𝐶𝑑的预测误差水平通常更高，平均约为15％。