Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Gemelos digitales de HPC para evaluar políticas de programación, estructuras de incentivos y su impacto en la energía y la refrigeración
Created by
Haebom
Autor
Matthias Maiterth, Wesley H. Brewer, Jaya S. Kuruvella, Arunavo Dey, Tanzima Z. Islam, Kevin Menear, Dmitry Duplyakin, Rashadul Kabir, Tapasya Patki, Terry Jones, Feiyi Wang
Describir
Este artículo presenta un nuevo marco que integra la programación y los gemelos digitales para evaluar los programadores y optimizar el uso de recursos en computación de alto rendimiento (HPC). Este marco supera las limitaciones de los análisis posteriores a la implementación o los enfoques de simulación que no modelan la infraestructura. Este marco permite realizar estudios hipotéticos para comprender el impacto de las configuraciones de parámetros y las decisiones de programación en los activos físicos antes de la implementación. Entre los hallazgos clave se incluyen la extensión de las capacidades de programación al marco de gemelos digitales, la integración de diversos sistemas HPC mediante conjuntos de datos públicos, la implementación de extensiones para integrar simuladores de programación externos y la evaluación de estructuras de incentivos y programación basada en aprendizaje automático. En definitiva, este marco permite realizar escenarios hipotéticos para evaluar la sostenibilidad de los sistemas HPC y su impacto en los sistemas simulados.
Takeaways, Limitations
•
Takeaways:
◦
Un nuevo metamarco basado en gemelos digitales para la evaluación de programadores de HPC
◦
Optimización de estrategias y parámetros de programación mediante análisis de supuestos previos a la implementación
◦
Escalabilidad mediante integración con diversos sistemas HPC y simuladores externos.
◦
Es posible la evaluación de la estructura de incentivos y la programación basada en el aprendizaje automático
◦
Es posible evaluar la sostenibilidad de los sistemas HPC.
•
Limitations:
◦
Se necesita más investigación para verificar el rendimiento y la aplicación del marco propuesto en entornos HPC del mundo real.
◦
La necesidad de revisar la precisión y confiabilidad de los modelos gemelos digitales
◦
Se debe tener en cuenta las limitaciones y el sesgo de los datos de los conjuntos de datos públicos utilizados.
◦
Es necesario examinar la generalización de varios algoritmos y sistemas de programación.
