研究人员开发了一种新颖的多智能体系统,用于优化大规模分布式AI/ML训练的集体通信库(CCL)。该系统使用长短期记忆(LSTM)网络检测网络争用,并使用具有保守Q学习的双重深度Q网络(Dueling Double DQN)动态调整CCL配置。该优化器在NVIDIA的NCCL上实现,显著降低了延迟,在NVIDIA A100 GPU的Delta集群上运行的AI工作负载上实现了高达65%的加速。 AI
影响 优化分布式训练基础设施,可能加速大规模AI模型的开发和部署。
排序理由 详细介绍AI/ML训练基础设施新颖优化技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.MA (Multiagent) 阅读 →
- AutoCCL
- Chameleon Cloud
- Conservative Q-Learning for Offline Reinforcement Learning
- Delta
- Dueling double DQN
- long short-term memory
- Nccl
- Nvidia
- NVIDIA A100 GPUs
- Rajat Pratap Singh Bisht
- Slingshot-11
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →