2 月 18 日,NVIDIA 宣布,澳大利亚 Pawsey 超算研究中心将在其国家超算和量子计算创新中心由 NVIDIA Grace Hopper™ 超级芯片加速的 NVIDIA® CUDA Quantum 平台,进一步推动该中心在量子计算领域取得突破性进展。
该中心的研究人员将使用 CUDA Quantum(一个具有强大模拟工具并且能够对混合CPU、GPU 和 QPU 系统进行编程的开源混合量子计算平台)以及 NVIDIA cuQuantum 软件开发工具套件(包含专为加速量子计算工作流程而优化的程序库和工具)。
NVIDIA Grace Hopper 超级芯片结合了 NVIDIA Grace CPU 和 Hopper GPU 架构,具有超强性能,可在加速器上运行高保真、可扩展的量子模拟,并且能够与未来的量子硬件基础设施无缝对接。
NVIDIA 高性能计算和量子计算总监 Tim Costa 表示:“无论是开发算法、设计设备还是发明强大的纠错、校准和控制方法,高性能模拟对于研究人员应对量子计算领域的重大挑战至关重要。CUDA Quantum 与NVIDIA Grace Hopper 超级芯片一起帮助 Pawsey 超算研究中心等创新机构实现这些重要突破,加速推动量子集成超级计算走向应用。”
Pawsey 超算研究中心执行总监 Mark Stickells 表示:“Pawsey 超算研究中心的研究和试验台设施正在推动澳大利亚乃至全世界的科学探索。NVIDIA 的 CUDA Quantum 平台将使我们的科学家能够推动量子计算研究领域突破创新。”
据澳大利亚国家科学机构——联邦科学与工业研究组织(CSIRO)估算,量子计算每年能够为澳大利亚国内市场带来价值 25 亿澳元的机会,到 2040 年有可能创造 1 万个新就业岗位。为了实现这一目标,需要将量子计算引入到其他科学领域,例如应用于天文学、生命科学、医学、金融等。
推动量子计算领域突破创新
Pawsey 超算研究中心将部署这套系统,直接在传统的高性能计算系统上运行量子工作负载,充分利用这些系统的处理能力,并开发出能够智能地将计算划分到经典内核和量子内核的混合算法,通过量子设备实现计算效率的提升。该中心将从各种量子变分算法入手,研究量子机器学习、化学模拟、射电天文学图像处理、金融分析、生物信息学和专用量子模拟器。
Pawsey 超算研究中心正在部署 8 个基于 NVIDIA MGX™ 模块化架构的 NVIDIA Grace Hopper 超级芯片节点。NVIDIA Grace Hopper 超级芯片将基于 Arm 的 NVIDIA Grace™ CPU 与基于 Hopper 架构的 GPU 整合到一个封装中,并使用 NVIDIA NVLink™-C2C 芯片实现互连,因此无需传统的 CPU-GPU PCIe 连接。
相比最新的 PCIe 技术,GPU 和 CPU 之间的带宽提高了 7 倍。运行 TB 级数据的应用性能也实现了高达 10 倍的提升,为量子-经典研究人员解决世界上最复杂的问题提供了前所未有的助力。
Pawsey 超算研究中心致力于为澳大利亚量子社区及其国际合作伙伴提供 NVIDIA Grace Hopper 平台。
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。