NVIDIA BlueField DPU和 HDR InfiniBand,助力剑桥大学的安全多租户超级计算机获得突破性的性能与安全。
超级计算所赋能的科学研究可能会改变整个世界,造福于科学、产业和社会。剑桥大学的全新开放式云原生超级计算机拥有着顶尖的性能,将助力研究人员开展前所未有的科学探索。
加利福尼亚州圣克拉拉市 – 2021年4月14日 – 据NVIDIA消息,CSD3(Cambridge Service for Data Driven Discovery)是一台英国国家研究云项目的超级计算机,同时也是全球性能最强大的科研超级计算机之一。它获得了由STFC DiRAC、STFC IRIS、EPSRC、MRC和UKAEA支持的英国研究与创新中心(UKRI)资助,并委托剑桥大学进行管理。
这里同时也是英国最大的科研云基地,目前正在扩容一个算力达4PFlops的全新Dell-EMC系统,该系统采用NVIDIA A100 GPU,NVIDIA BlueField DPU和NVIDIA InfiniBand网络,将为英国学术研究机构在广阔的交叉研究上提供安全的、多租户、裸金属高性能计算AI和数据分析服务。CSD3采用了由NVIDIA赋能的全新云原生超级计算平台以及由剑桥大学和StackHPC共同开发的一款名为“Scientific OpenStack”的革命性云HPC软件栈。
预计CSD3新系统部署后,性能可达4PFlops,并跻身世界超级计算机500强。该系统采用NVIDIA GPU和x86 CPU,与其他部分一起,整体系统可提供超过10 PFlops的综合算力,并且包含英国速度最快的基于Dell/Cambridge数据加速器的固态存储阵列。
CSD3为研究人员提供开放、安全的访问,以助力其在天体物理学、核聚变发电技术开发、以及关乎生命的临床医学应用等领域,解决全球共同面临的最具挑战性的问题。它将运用融合仿真、AI和数据分析应用,推进科学探索,使研究人员可以在不牺牲应用性能或工作效率的情况下,更方便、安全地访问。
NVIDIA DPU和HDR InfiniBand赋能新一代系统
CSD3采用了NVIDIA HDR 200G InfiniBand网络将BlueField-2 DPU连在一起来卸载主机的安全策略和存储框架等基础设施管理应用,同时提供工作负载的加速和隔离,最大程度提高输入/输出性能。
剑桥大学研究计算服务总监Paul Calleja表示:“能够简单、安全地访问CSD3的巨大算力对于推动服务于英国科学界和工业界的新一代科学探索而言至关重要。凭借NVIDIA InfiniBand网络的极致性能、BlueField DPU提供的应用卸载、隔离和加速,再加上我们的“Scientific OpenStack”,剑桥大学能够打造出一台推动科学研究、造福全人类的世界级云原生超级计算机。”
NVIDIA HDR InfiniBand的网络计算引擎进一步加速了网络性能,在提供最佳裸金属性能的同时,为多节点租户隔离提供了原生支持。CSD3应用了最新一代Dell-EMC PowerEdge产品系列的优势,采用针对数据密集型和AI应用进行了优化的Dell EMC PowerEdge C6520和PowerEdge XE8545服务器。
预计CSD3将在今年投入使用。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。