Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Jumeaux numériques HPC pour l'évaluation des politiques de planification, des structures d'incitation et de leur impact sur l'alimentation et le refroidissement
Created by
Haebom
Auteur
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
Contour
Cet article présente un nouveau cadre intégrant l'ordonnancement et les jumeaux numériques pour évaluer les ordonnanceurs et optimiser l'utilisation des ressources en calcul haute performance (HPC). Ce cadre surmonte les limites des analyses post-déploiement ou des approches de simulation existantes qui ne modélisent pas l'infrastructure. Il permet de réaliser des études de simulation pour comprendre l'impact des configurations de paramètres et des décisions d'ordonnancement sur les actifs physiques avant le déploiement. Les principales conclusions incluent l'extension des capacités d'ordonnancement au cadre des jumeaux numériques, l'intégration de divers systèmes HPC à l'aide de jeux de données publics, la mise en œuvre d'extensions pour intégrer des simulateurs d'ordonnancement externes et l'évaluation des structures d'incitation et de l'ordonnancement basé sur l'apprentissage automatique. Enfin, ce cadre permet d'évaluer la durabilité des systèmes HPC et leur impact sur les systèmes simulés à l'aide de scénarios de simulation.
Takeaways, Limitations_
•
Takeaways:
◦
Un nouveau méta-cadre basé sur un jumeau numérique pour l'évaluation des planificateurs HPC
◦
Optimisation des stratégies et des paramètres de planification grâce à l'analyse des hypothèses de pré-déploiement
◦
ÉVolutivité grâce à l'intégration avec divers systèmes HPC et simulateurs externes.
◦
ÉValuation possible de la structure incitative et de la planification basée sur l'apprentissage automatique
◦
L’évaluation de la durabilité des systèmes HPC est possible.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires pour vérifier les performances et l’application du cadre proposé aux environnements HPC réels.
◦
La nécessité de revoir la précision et la fiabilité des modèles de jumeaux numériques
◦
Il convient de tenir compte des limites et des biais des données des ensembles de données publiques utilisés.
◦
La généralisabilité doit être examinée pour divers algorithmes et systèmes de planification.
