DiRAC选择基于NVIDIA HDR InfiniBand 互连的 HGX平台加速其四大超算的科学研究
加利福尼亚州圣克拉拉——ISC——2021年6月28日——NVIDIA于今日宣布,其NVIDIA HGX™高性能计算平台将助力位于爱丁堡大学的 DiRAC 新一代超级计算机 —— Tursa。
Tursa超级计算机专为粒子物理计算进行了优化,是目前四台DiRAC新一代超级计算机中的第三台正式宣布将采用一或多个NVIDIA HGX平台技术进行加速,包括NVIDIA A100 Tensor Core GPU、NVIDIA HDR 200Gb/s InfiniBand网络和NVIDIA Magnum IO软件。最后一台DiRAC新一代超级计算机也将采用 NVIDIA InfiniBand网络。
研究人员能够使用Tursa对亚原子粒子的特性进行超高精度的计算,从而解析来自大型强子对撞机等大规模粒子物理学实验的数据。
NVIDIA网络事业部高级副总裁Gilad Shainer表示:“DiRAC正在帮助研究人员解开宇宙的奥秘。我们正在与DiRAC合作,充分利用NVIDIA GPU、DPU和InfiniBand网络计算加速引擎的顶尖性能加速前沿科学探索中的广泛应用。”
爱丁堡大学理论物理教授Luigi Del Debbio 表示:“Tursa将被用于挑战特殊的的研究领域,为科学建模和模拟开辟新的可能性。NVIDIA加速计算平台通过精确平衡网络带宽和每秒浮点计算次数,满足了我们研究所需要的超高性能的需求,并通过超大规模的服务能力推动新的研究。”
由Atos建造的Tursa超级计算机计划于今年投入运行,其将配备总共448个NVIDIA A100 Tensor Core GPU,并且每个节点带有4个NVIDIA HDR 200Gb/s InfiniBand网卡。加上NVIDIA Magnum IO GPUDirect RDMA技术,它能为使用晶格量子色动力学(LQCD - Lattice Quantum ChromoDynamics)的超大规模科学计算应用提供最高级别的节点间带宽和可扩展性。
DiRAC是英国面向天文学、宇宙学、粒子物理学及核物理学的理论建模和高性能计算(HPC)研究的综合超级计算系统管理机构,由其运营的各超算系统分别部署于剑桥大学、杜伦大学、爱丁堡大学和莱斯特大学。
剑桥大学的CSD3和杜伦大学的COSMA-8
NVIDIA 在2021年GTC大会上宣布,剑桥大学的面向数据驱动型研究的CSD3系统,将在全新的、每秒4千万亿次级浮点计算能力的Dell-EMC系统的加持下性能进一步增强,这套系统配备NVIDIA HGX A100 GPU、NVIDIA BlueField DPU和NVIDIA HDR 200Gb/s InfiniBand网络,将为英国国家科研界的各个领域提供安全的、多租户的、裸金属性能的HPC、AI和数据分析服务。预计CSD3将跻身世界超级计算机500强榜单。DiRAC在剑桥大学的数据密集型服务是CSD3系统的一部分。
NVIDIA 还在2021年GTC大会上宣布了英国杜伦大学的全新COSMA-8超级计算机,将基于戴尔的技术并由NVIDIA HDR 200Gb/s InfiniBand网络提供加速。这台超级计算机将被在英国的世界顶级宇宙学家们用于研究宇宙的起源。
关于位于莱斯特大学的第四个系统的更多细节,预计将在今年晚些时候公布。
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。