美国节点加速器感觉还是节点好用

AMD 今天宣布了一个目标

AMD 今天宣布了一个目标，即到 2025 年，在加速计算节点上运行的人工智能 (AI) 训练和高性能计算 (HPC) 应用程序中，AMD EPYC CPU 和 AMD Instinct 加速器的能效提高 30 倍。实现这一雄心勃勃的目标需要 AMD以比过去五年全行业总体改进快 2.5 倍以上的速度提高计算节点的能源效率。

加速计算节点是世界上最强大、最先进的计算系统，用于科学研究和大型超级计算机模拟。它们提供了科学家用来在许多领域取得突破的计算能力，包括材料科学、气候预测、基因组学、药物发现和替代能源。加速节点也是训练 AI 神经网络不可或缺的一部分，这些网络目前用于语音识别、语言翻译和专家推荐系统等活动，在未来十年具有前景的用途。30 倍的目标将在 2025 年节省数十亿千瓦时的电力，使这些系统在五年内完成单次计算所需的电力减少 97%。
“提高处理器能效是 AMD 的长期优先设计事项，我们现在正在为使用我们的高性能 CPU 和加速器的现代计算节点设定一个新目标，用于人工智能训练和高性能计算部署。”AMD 执行副总裁兼首席技术官 Mark Papermaster表示，“专注于这些非常重要的领域以及领先公司加强环境管理的价值主张，AMD 的 30 倍目标在这些领域的行业能效表现将比比前五年高出 150%。”

【中日专线故障通知】

【中日专线故障通知】
亲爱的用户：

由于中日海缆故障，导致中日专线延迟增加，我们已在第一时间联系处理，恢复后将会立即通知大家。

在此之前，请您注意避开使用中日专线节点。
（节点名称中带「日本」字样的即为中日专线节点）

由此给您带来的不便敬请谅解，我们将持续跟进该问题，野豹游戏加速器感谢您的支持与理解！

今日区块链风云：

今日区块链风云：

1. 以太坊信标链质押量突破1440万，验证者突破45万

2. 全球五个国家（美、德、法、荷兰、加拿大）控制着比特币节点的30.3%

3. Meta与欧莱雅合作推出Web3加速器项目

4. 观点：最近在加密领域发生的大量法律诉讼是该资产的积极信号

5. Meta、微软等将联手为元宇宙构建通信网络底座

6. 诺基亚相信元宇宙将在未来取代智能手机

【专业设计、全面优化

【专业设计、全面优化，浪潮信息助淮海智算中心实现千亿参数AI大模型训练算力效率超50%】
在推进建设淮海智算中心的过程中，浪潮信息AI团队针对AI大模型训练的计算特点，对淮海智算中心算力系统进行了专业设计，对集群架构、高速互联、算力调度等方面进行全面优化，在系统架构上，采用单节点集成8颗加速器的AI服务器，节点内加速器间实现超高速P2P通信，节点间建立极低延迟、超高带宽的Infiniband通信网络。在大模型训练技术层面，成功运用了中文巨量AI模型“源1.0”的训练优化经验，对分布式训练策略进行了针对性优化，通过合理设计张量并行、流水并行和数据并行，精准调整模型结构和训练过程的超参数，最终实现了千亿参数规模AI大模型的训练算力效率达到53.5%。

基于图形的分布式内存运行时系统中的声明性数据流

基于图形的分布式内存运行时系统中的声明性数据流
运行时系统可以显着降低科学应用的认知复杂性，缩小 HPC 中系统工程与领域科学之间的差距。其中最重要的角度之一是在集群中自动化数据迁移。传统方法要求应用程序开发人员显式地对通信进行建模，例如通过 MPI 原语。Celerity 是一个受 SYCL 编程模型启发的加速器集群运行时系统，它提供了一种专注于访问模式的纯声明性方法。除了消除显式数据传输操作的需要外，它还为运行时的高效动态调度提供了基础。但是，它目前仅适用于从运行时控制的任务中访问类似数组的数据，而真实的程序通常需要与每个主机本地的不透明数据进行交互，例如句柄或数据库连接，并且还需要一种定义的方式将数据传输到运行时的虚拟化缓冲区中和从中传输出来。在本文中，我们介绍了一种基于图形的方法和声明式 API，用于表达任务之间的副作用依赖关系并将数据从运行时上下文移动到应用程序空间。

介绍
现代科学和高性能计算 (HPC) 对软件工程来说是一个具有挑战性的环境。尽管对能效的限制越来越严格，但为了提高计算吞吐量，现代超级计算机硬件采用异构处理器架构、具有非统一访问特性的深内存层次结构和专用网络拓扑。大多数日益增加的复杂性以复杂的 API 的形式直接传递给应用程序开发人员，在某些情况下，完全不相交的编程模型允许在每个用例中优化利用可用技术。虽然由此导致的前期开发成本增加对于通用仿真工具包等大规模应用来说是可以接受的，

分布式内存运行时系统是一个既定的概念，用于减轻这些异构系统中复杂性的选择方面，例如性能可移植性、优化负载不平衡的执行计划或计算步骤之间的自动数据迁移。它们通常会在表现力、正确性保证和允许的用户控制级别之间进行权衡。

Celerity是一种用于加速器集群的基于任务的分布式内存运行时系统，其使命宣言是通过促进单节点 SYCL加速器程序的省力移植，使异构 HPC 系统的编程更易于访问且更省时. Celerity 模型将问题分解为计算任务及其数据依赖性，使用计算索引空间的细分将工作透明地分配到集群上。Celerity 公开了一个声明式的、基于数据流的 API，在虚拟缓冲区上运行，推断分布式程序中的依赖关系和必要的数据传输，并减轻程序员手动调度决策和数据迁移的负担。

Celerity 的 API 允许它静态地防止不受管理的缓冲区访问和任务之间的竞争条件，从而大大减少编程错误的可能性。运行时实现受益于支持生成高效执行计划的信息密集型 API，同时用户通过富有表现力的编程范式确保其代码的正确性，从而使他们能够专注于核心算法开发。

Celerity 的一个显着用途是集群加速磁流体动力学仿真 CRONOS，它展示了 Celerity 模型在实际应用中的可行性。它也足够通用，可以作为进一步抽象的基础，例如 Celerity 高级 API，这是一种使用类似于 C++20范围库的可组合函数运算符管道公开数据转换的编程模型。

虽然特定领域的问题可以通过计算任务和它们之间的数据依赖关系来完整描述，但实际代码需要额外的功能来执行具有副作用的 I/O 操作。从单节点 SYCL 应用程序进行增量移植是 Celerity 的一个重要开发目标，它进一步需要在遗留主机应用程序和运行时控制的虚拟缓冲区之间移动数据。

在本文中，我们提出了一种使用声明性机制增强 Celerity 执行模型的方法，用于跟踪 I/O 副作用并安全地将数据移出预先存在的同步点上的托管上下文。
相关工作
我们根据一致性模型和同步行为，将我们在 Celerity 中的新颖开发与最先进的运行时系统进行了比较。

SYCL是针对硬件加速器的并行软件的行业标准单源编程模型。存在多种实现，包括 GPU、多核 CPU 和特定应用程序 FPGA的后端。它的执行模型基本上是异步的，并且调度受到缓冲区上隐式和显式数据依赖性的约束。SYCL 是对 Celerity API 的主要影响，旨在简化从单节点 SYCL 程序到分布式内存应用程序的移植。

Legion 是一个用于分布式异构架构（包括 GPU 集群）的运行时系统。它通过根据用户控制的数据分区将程序手动细分为分层任务来建模任务并行性。Legion 任务基于futures异步生成和等待，使运行时的无序调度程序可以自由地在节点之间迁移任务。与其他系统不同，没有驱动执行流的“主线程”概念，相反，任何任务（从单个顶级任务开始）都可以在执行时自由地发出更多并行工作。
基于图形的分布式内存运行时系统中的声明性数据流
运行时系统可以显着降低科学应用的认知复杂性，缩小 HPC 中系统工程与领域科学之间的差距。其中最重要的角度之一是在集群中自动化数据迁移。传统方法要求应用程序开发人员显式地对通信进行建模，例如通过 MPI 原语。