EPAC加速器首次成功运行“Hello, World!”程序
欧洲处理器计划(EPI)已经成功对其基于RISC-V架构的欧洲处理器加速器(EPAC)完成了首轮测试,并宣称这代表着欧洲向本土超级计算硬件迈出了坚实的第一步。
EPI于2018年建立,旨在提高欧洲超级计算行业面对外国科技企业时的独立自主能力。其核心在于采用自由开源的RISC-V指令集架构,进而在欧洲境内开发并生产高性能芯片。
该项目的最新里程碑为成功交付143个EPAC芯片样本——这款加速器专为高性能计算应用所设计,并围绕自由开源RISC-V指令集架构构建而成。这些22纳米测试芯片(由GlobalFoundries制造而成,这是一家于2009年从AMD拆分出来的欧洲半导体制造商)旨在证明处理器的设计可行性,目前已经通过初步测试、顺利完成了裸机“hello,world”程序的运行。
这也代表着一场快速转变。EPAC设计于今年3月在FPGA上得到验证,项目本身于6月宣布进行流片测试,其面积达到26.97平方毫米,可放置1400万个实例、相当于9300万个门,其中包含991个存储器实例。
虽然这块包含完整EPAC设计功能子集的FPGA变体能够在展示中成功启动Linux操作系统,但后来的物理测试芯片目前还只能实现最基础的裸机工作负载测试——很明显,EPI还有很多工作没有完成。
作为欧盟欧洲高性能计算联合计划EuroHPC的一部分(英国并非参与),EPI已经得到有力的资金支持。其成员名册则囊括来自欧洲十个国家的科技企业与学术机构大牛,具体涵盖法国Atos、意法半导体意大利分部、德国英飞凌以及Fraunhofer-Gesellschaft(FhG)、宝马集团、巴塞罗那超级计算中心(BSC)、ETH Zürich、Instituto Superior Técnico、萨格勒布大学以及希腊研究与技术基金会(FORTH)。
EPAC 1.0芯片这样的成果离不开团队的协同努力,其中采用由SemiDynamics设计的“微片”矢量处理核心、巴塞罗那超级计算中心与萨格勒布大学的专用矢量处理单元、由Chalmers设计的“主节点”、来自FORTH的L2缓存,来自Faunhofer、ITWM与ETH Zürich的模板与张量加速器(STX),以及由CEA LIST开发的深度学习工作负载加速型可变精度处理器等等。这一切都由EXTOLL打造的片上网络与高速串行系统捆绑在一起。
而这些还只是EPI着手推进的三大技术路线之一。第二种则是通用处理器(GPP),将采用加速器作为中央处理单元核心与嵌入式FPGA(eFPGA)旁边的节点。第三条则是汽车路线,希望将通用处理器路线中得到的技术从数据中心转移至车辆之内,由此加快自动驾驶系统(ADS)的发展速度。
在降低对外国技术的依赖度方面,欧盟绝不是在孤军奋战。今年早些时候,俄罗斯公布了一项以RISC-V部件为中心的国家数字化计划,明确将国内现有Elbrus原研芯片定为发展基础;与此同时,中国也在努力开发名为XiangShan的高性能RISC-V系列芯片,并计划在明年年底之前部署2000台RISC-V笔记本电脑。印度的自供应计划“Atmanirbhar Bharat”也涉及到处理器领域,希望将RISC-V设计范围从可扩展部件延伸至类似EPI的超级计算机芯片当中。
EPI计划已经确认在着力验证芯片上的其他IP模块,目标是在现有FCBGA封装测试芯片版本中实现1 GHz工作主频,并进一步推进EPAC设计的开发与优化。但EPI并没有立即向媒体提供可供发布的技术路线图发展状态。
RISC-V国际与FOSSi基金会主管Stefan Wallentowitz在采访中表示,“开源芯片是EPI等组织的绝佳推动者。利用开源组件构建现代及未来高性能计算平台的努力,不仅全面展示出开源芯片的发展潜能、也有助于围绕开源成果建立社区。我们希望这种努力能够衍生出更多合作与开放产出。”
如果项目一切进展顺利,那么第一款RISC-V加ARM核心混合EPI通用处理器将于明年正式亮相。
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。