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 le premier cadre intégrant ordonnancement et 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 existantes ou des simulateurs qui ne modélisent pas l'infrastructure. Il permet l'analyse de scénarios hypothétiques afin de comprendre l'impact des configurations de paramètres et des décisions d'ordonnancement sur les actifs physiques avant le déploiement, et permet également de réexaminer les changements difficiles à mettre en œuvre dans des environnements d'exploitation réels. Plus précisément, ce cadre fournit un cadre de jumeau numérique qui étend les capacités d'ordonnancement, intègre divers systèmes HPC de premier plan basés sur des jeux de données publics, met en œuvre une intégration étendue avec des simulateurs d'ordonnancement externes, implémente et évalue des structures d'incitation, et effectue des évaluations d'ordonnancement basées sur l'apprentissage automatique. Cela permet d'évaluer la durabilité des systèmes HPC et leur impact sur les systèmes de simulation grâce à des scénarios hypothétiques.
Takeaways, Limitations
•
Takeaways:
◦
Un nouveau paradigme pour l'évaluation des planificateurs HPC : pré-évaluation basée sur des jumeaux numériques
◦
Fournir un environnement d'évaluation intégré pour divers systèmes HPC et techniques de planification.
◦
ÉValuation et prototypage efficaces de structures d’incitation et de planification basées sur l’apprentissage automatique.
◦
Permet une analyse hypothétique de la durabilité et des impacts du système
•
Limitations:
◦
La nécessité de vérifier l'exactitude et le réalisme des jumeaux numériques
◦
Limitations de l’applicabilité du système en raison du nombre limité d’ensembles de données publiques disponibles.
◦
Difficultés à modéliser avec précision des systèmes HPC complexes
◦
Des recherches supplémentaires sont nécessaires sur l’évolutivité et la maintenabilité du cadre proposé.
