Детальная информация

The article discusses the possibilities of increasing the real performance of hybrid supercomputer platforms consisting of different types of processor nodes (CPU, GPU, FPGA) operating in the mode of shared-use computational resources. The conceptual difference of the proposed approach from widespread supercomputing cluster platforms can be metaphorically expressed as "Less Moore, more brain". The considered approach shifts the focus of technology development from classical methods of increasing the performance of HPC platforms by adding new hardware multi-core computing components to more complex exo-intelligent solutions that use inductive (internal) and conceptual (external) data to implement machine learning methods for the purpose of optimally distributing available hardware resources between different classes of user applications. The proposed three-level architecture of hybrid computing platforms opens up new opportunities both for efficient scaling of user program execution processes, and for reification of descriptions of new algorithms by generating corresponding texts of computer programs, as well as interpreting the results obtained based on the use of statistical information, the carrier of which is censored data characterizing the experience of executing user applications in the mode of shared use of hybrid computational resources.

В статье рассматриваются возможности повышения реальной производительности гибридных суперкомпьютерных платформ, состоящих из процессорных узлов различных типов (CPU, GPU, FPGA), работающих в режиме совместного использования вычислительных ресурсов. Концептуальное отличие предлагаемого подхода от широко распространенных суперкомпьютерных кластерных платформ можно метафорически выразить как "Меньше Мура, больше мозга". Рассматриваемый подход смещает фокус развития технологий с классических методов повышения производительности HPC-платформ путем добавления новых аппаратных многоядерных вычислительных компонентов на более сложные экзо-интеллектуальные решения, использующие индуктивные (внутренние) и концептуальные (внешние) данные для реализации методов машинного обучения с целью оптимального распределения доступных аппаратных ресурсов между различными классами пользовательских приложений. Предложенная трехуровневая архитектура экзо-интеллектуальных вычислительных платформ обладает новыми широкими возможностями как для эффективного масштабирования процессов выполнения пользовательских программ, так и для овеществления описаний новых алгоритмов путем генерации соответствующих текстов компьютерных программ, а также интерпретации полученных результатов на основе использования апостериорной статистической информации, носителем которой являются цензурированные данные, характеризующие опыт выполнения пользовательских приложений в режиме совместного использования гибридных вычислительных ресурсов.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 17, № 3: Тематический сборник "Решение прикладных задач методами искусственного интеллекта", 2024. — 1 файл (12,6 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j24-421.pdf>.