超过20个超大端口数、高速、智能模块化的交换机系统将在2019年第一季度交付给领先的数据中心,这表明多个应用领域对200G InfiniBand的需求不断增长
Mellanox是面向数据中心服务器和存储系统的高性能、端到端互连解决方案的领先供应商,该公司宣布,其200 Gb/s HDR InfiniBand技术和解决方案创造了新的性能记录,为高性能计算、人工智能、云计算、存储和其他数据密集型应用提供领先的效率和可扩展性。HDR InfiniBand于2018年第四季度开始出货,连接了超过1万个终端。在2019年第一季度,HDR InfiniBand将连接全球超级计算、云计算和超大规模数据中心的数万个计算和存储终端。此外,在2019年第一季度,将有超过20个800端口的高速智能模块化交换机系统交付给多个数据中心,这表明多个应用领域对速度最快的InfiniBand解决方案的需求不断增长。
Mellanox Technologies最终用户销售和业务开发高级副总裁Amir Prescher表示:“我们的200G HDR InfiniBand解决方案中内置的创新技术、性能优势和网内计算加速引擎,使HDR InfiniBand成为全球领先的计算和存储基础设施的互连首选。我们从2018年开始向多个客户发货,我们会继续看到HDR InfiniBand在所有地区的强劲势头。全球范围内的百亿亿级(Exascale)超级计算战略竞赛、指数级增长的数据收集和分析需求,科学研究和新产品设计对计算性能需求的与日俱增,都需要最快且最先进的HDR InfiniBand互连技术。HDR InfiniBand解决方案可实现突破性的性能水平并提供最高的投资回报,使下一代全球领先的超级计算机、超大规模数据中心、人工智能、云计算和企业数据中心成为可能。”
HDR InfiniBand Quantum CS8500模块化交换机系统提供800个端口,每个方向200Gb/s数据吞吐量(或400Gb/s全双向数据吞吐量),或1600个端口,每个方向100Gb/s数据吞吐量(或200Gb/s全双向数据吞吐量)交换容量,这使其成为世界上最快的高速智能交换机系统。Quantum CS8500的交换容量总计为每秒320Tb,比其他产品高1.4至2.5倍,相当于每秒发送800张超高清蓝光光盘的内容。
HDR 200G InfiniBand网内计算加速引擎,包括Mellanox可扩展分层聚合和归约协议(SHARP)以及其他消息传递接口(MPI)卸载,提供了最高的性能和可扩展性。在高性能计算(HPC)和人工智能(AI)应用方面,与基于CPU的实现相比,Mellanox SHARP将数据聚合操作加快了3倍,加快了科学仿真、数据分析和AI深度学习训练应用的速度。HDR InfiniBand网卡提供业内最高的吞吐量和消息处理能力,展示了每秒向网络发送2.15亿条消息的能力,是EDR InfiniBand的1.5倍。
更高交换密度的HDR InfiniBand Quantum交换机使Mellanox用户能够优化其空间和功耗的使用,并最大限度地提高数据中心的投资回报率。对于部门级规模的实施,一台Quantum QM8700交换机可连接80台服务器,比竞争对手产品高出1.7倍。对于企业级规模而言,一个2层的 Quantum交换机拓扑可连接3200台服务器,比竞争对手产品高出2.8倍。对于超大规模数据中心来说,一个3层的Quantum交换机拓扑可连接128000台服务器,比竞争对手产品高出4.6倍。
Mellanox HDR InfiniBand端到端解决方案,包括ConnectX-6网卡、Quantum交换机、即将推出的HDR BlueField 片上系统(SoC)以及LinkX线缆和收发器,为HPC、云计算、人工智能、存储和其他应用提供了最佳的性能和可扩展性,并给予用户增强其研究、发现和产品开发的能力。HDR BlueField SoC将提供优化的NVMe存储性能、增强的安全功能以及将用户定义的算法从主CPU卸载到网络的能力,从而降低延迟并提高数据中心效率。Mellanox InfiniBand解决方案支持所有计算架构,确保了向后和向前的兼容性。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。