从工作站、云到全球Top500超级计算机,英特尔一直是高性能计算的坚实基础。在近日举行的2020年超级计算大会(SC20)上,英特尔副总裁兼高性能计算部总经理Trish Damkroger展示了英特尔及合作伙伴通过软、硬件技术来加速先进高性能计算系统广泛部署,共同塑造高性能计算的未来。
英特尔在2020年超级计算大会上主要亮点:
加州圣克拉拉,2020年11月17日——在2020年超级计算大会上,英特尔重点展示了公司如何通过软硬件技术塑造高性能计算的未来。全球范围内,诸多企业选择英特尔® XPU(CPU、GPU、FPGA和加速器)和oneAPI编程环境,来加快先进计算系统的开发和部署。
第三代英特尔至强可扩展处理器(代号“Ice Lake”)
在2020年超级计算大会的主题演讲中,英特尔副总裁兼高性能计算部总经理Trish Damkroger着重介绍了英特尔即将推出的Ice Lake服务器处理器,它将为广泛的高性能计算工作负载提供性能优化的功能。通过更高的内存带宽、新的高性能Sunny Cove核心架构、更多的处理器核数,以及对第四代PCIe的支持,Ice Lake处理器将帮助客户解决包括生命科学、材料科学和天气建模等多个学科的科学挑战。
早期测试表明,对比搭载64核处理器的竞品x86系统,采用32核双路系统的Ice Lake处理器能够以一半数量的处理器内核为特定工作负载提供更高的性能。对比搭载比32核Ice Lake处理器系统多一倍处理器内核的竞品x86系统,生命科学和金融服务应用类客户会在NAMD分子动力学模拟(最高1.2倍)、蒙特卡罗模拟(最高1.3倍)和LAMMPS分子建模模拟(最高1.2倍)等工作负载上都获得更高的性能。
诸多客户正在采用Ice Lake来满足自身对新一代高性能计算的需求,包括:
英特尔Xe-HP GPU为美国阿贡国家实验室开辟通向E级计算之路
在2020年超级计算大会上,英特尔和美国阿贡国家实验室(Argonne National Laboratory)宣布双方将基于英特尔Xe-HP微架构的GPU和英特尔oneAPI工具包,共同设计和验证E级应用。阿贡国家实验室的开发者采用英特尔最新的异构计算编程环境,以确保科学应用能够支持正在部署的Aurora超级计算机的规模和架构。
Xe-HP GPU为阿贡国家实验室提供了面向英特尔 Xe-HPC GPU(“Ponte Vecchio”)的开发工具,后者将被应用于Aurora系统。
面向高性能计算的英特尔精选解决方案
英特尔近期宣布,数家新的合作伙伴已经验证并正在提供采用了英特尔精选解决方案的高性能计算优化解决方案,这些合作伙伴包括:
AWS宣布将面向模拟和建模的英特尔精选解决方案集成到其ParallelCluster环境中。利用英特尔优化的环境,客户可以在AWS上轻松创建高性能、按需自动扩展的集群。该英特尔精选解决方案已经在AWS的c5n.18xlarge、m5n.24xlarge和r5n.24xlarge实例上进行了验证。
Penguin Computing正在部署面向高性能计算和AI融合集群的英特尔精选解决方案,使客户能够满足越来越高的同时运行AI和高性能计算工作负载的需求。
Advantech携手英特尔与GARAOTUS,为客户提供Advantech SKY-5240。Advantech SKY-5240满足了基因组学应用的高性能计算需求,并已经通过验证,成为面向基因组分析的英特尔精选解决方案。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。