high-performance computing
PulseAugur coverage of high-performance computing — every cluster mentioning high-performance computing across labs, papers, and developer communities, ranked by signal.
- 2026-05-15 research_milestone Publication of a paper detailing a new heuristic-based method for merging HPC traces to extend hardware counter coverage for ML performance prediction. 来源
8 天有情绪数据
-
HPC 和 AI 工作负载在共享集群上发生冲突，正在探索解决方案
Jeff Layton 的探讨深入研究了在共享集群上管理高性能计算 (HPC) 和 AI 工作负载所面临的挑战。文章讨论了调和批处理 HPC 作业的独特需求与 AI 训练的持续、资源密集型性质的潜在解决方案。它强调了需要有效的调度和资源分配策略来优化这两种类型工作负载的性能。
-
代理式AI优化Python科学模拟代码，节省数百万美元
一篇新论文详细介绍了一种使用Claude代理式AI优化科学模拟（特别是项目调度）Python代码的方法。该方法将测试运行时间从1200多秒显著缩短至200秒以内，且不改变输出结果。预计该优化每年可节省数百万核心小时，转化为可观的成本节约。
-
新研究探索主动行为的开放权重LLM重编程
研究人员探索了重编程开放权重大型语言模型行为的方法，使其从被动助手角色转向更主动、苏格拉底式的互动。通过广泛的超参数扫描和时期消融研究，他们为LoRA+等参数高效微调（PEFT）技术定义了数学边界，确定了最佳LoRA秩为16，训练窗口为2-3个时期。进一步的直接偏好优化（DPO）实验成功地将断言行为与语法分离开来，跨语言测试揭示了在相关语言中强大的个性转移能力，而在形态上差异较大的语言中则存在可识别的退化。
-
比特币矿工 BitFarms 将数据中心转向 AI 和 HPC 工作负载
比特币矿业公司 BitFarms 已将其数据中心转型，以适应 AI 和高性能计算工作负载。该公司目前没有 AI 租户，并已停止在美国的比特币挖矿业务，但拥有约 8.19 亿美元的流动性。
-
综述详述了异构架构上加速深度学习的方法
本文全面综述了旨在加速异构架构上深度学习的方法和工具。内容涵盖软硬件协同设计、自动化综合、领域特定编译器和设计空间探索。该综述旨在为快速发展的深度学习加速器领域提供广阔的视角，并强调技术挑战和未来研究方向。
-
Microchip and Micron 展示用于 AI 和数据中心的 PCIe Gen 6 存储架构
Microchip Technology 和 Micron Technology 合作展示了一个端到端的 PCIe Gen 6 存储架构。此次联合演示采用了 Microchip 的 Switchtec PCIe Gen 6 交换芯片和 Micron 的 9650 NVMe SSD，旨在为 AI、HPC 和云数据中心提供增强的吞吐量、降低的延迟和可扩展的连接性。该公告是在 2026 年全球闪存峰会上发布的。
-
新的CENTILE模型简化了HPC和网络的遥测分析
研究人员开发了CENTILE，一个新颖的生成式基础模型，专为网络和系统遥测设计。与之前为每个任务使用独立预测器的方法不同，CENTILE在操作员的事件流上进行一次预训练，以将异构遥测作为事件驱动的、不规则计时的实体流来处理。该模型通过重放由其校准的条件分位数驱动的决策来评估，旨在改善运营结果。实验表明，CENTILE显著增强了高性能计算（HPC）调度和网络配置决策，降低了减速和违规率。
-
新的HARGO方法优化大型语言模型以适应多样化的HPC任务
研究人员开发了HARGO，这是一种新颖的优化技术，旨在提高大型语言模型（LLMs）在多样化的高性能计算（HPC）任务上的性能。传统的强化学习方法难以应对HPC任务的极端异构性，这些任务涵盖了从数据竞争检测到事实问答的各种内容。HARGO通过引入一种异构感知方法来解决这个问题，该方法使用置信度调制优势来动态加权响应，而无需显式的任务标签。该方法在多个指标上均取得了优异的结果，为复杂HPC环境中的对齐质量树立了新标准。
-
SeT-Diff：用于高性能计算遥测和时间序列的新型基础模型
研究人员推出 SeT-Diff，这是一种新颖的、基于扩散的基础模型，专为高性能计算 (HPC) 遥测和时间序列数据而设计。与依赖静态传感器变量的传统模型不同，SeT-Diff 将其生成过程与每个传感器的语义描述相结合，使其能够适应不断变化的任务和传感器配置。在真实超级计算机数据集上的实验显示，重建任务的平均绝对误差为 0.0470，热推断的平均绝对误差为 0.033。该模型还表现出零样本排列稳定性，即使在改变传感器顺序的情况下也能保持准确性。
-
新基准测试揭示 LLM 代理的安全漏洞，尤其是在 HPC 环境中
两篇新的研究论文介绍了用于评估大型语言模型 (LLM) 代理安全性的基准测试，特别关注它们对提示注入和操纵的易感性。第一篇论文《可信凭证，不可信行为》解决了高性能计算 (HPC) 环境中的独特挑战，在这些环境中，代理在用户凭证下运行，并且尽管有授权命令，仍可能被重定向到恶意操作。第二篇论文《自适应对手》提出了一个多轮基准测试，模拟了从防御者响应中学习的自适应攻击者，揭示了当前 LLM 代理（如 Claude Opus 4.6、GPT-…
-
Microsoft 携 AMD EPYC 处理器增强 Azure AI 和 HPC 能力
Microsoft 正在通过集成 AMD 的先进硬件来增强其 Azure 云平台，引入新的 AI 和高性能计算 (HPC) 基础设施。此次扩展包括集成 AMD EPYC 处理器以及专门的 HXv2 和 HDv2 实例，旨在提升 AI 能力和计算能力。
-
在需求激增的背景下，台积电将其亚利桑那州AI芯片中心投资增至2650亿美元
台积电正通过额外投资1000亿美元，将其亚利桑那州制造工厂的投资总额增至2650亿美元。此次扩张的驱动力是人工智能基础设施需求的激增，特别是对高性能计算芯片的需求。该公司强劲的季度业绩和增加的资本支出前景，反映出持续多年的AI大趋势，需求已从GPU扩展到包括用于智能体AI的CPU。
-
Cadence 发布 AuraStack AI 智能体，用于 PCB 和芯片封装设计
Cadence Design Systems 推出了 AuraStack，这是一款旨在增强印刷电路板 (PCB) 和先进芯片封装工程工作流程的 AI 超级智能体。该平台旨在通过维护共同的设计上下文来整合电气、热和机械分析等多个工程学科。AuraStack 可解析自然语言请求并协调多个工程工具，以简化设计流程，从而可能减少昂贵的迭代周期并加速产品上市时间。
-
Intel投资50亿欧元扩大爱尔兰AI芯片产能 · 追踪2个来源
Intel将追加投资50亿欧元（约合57亿美元），以扩大其位于爱尔兰Leixlip的制造工厂。这项重大的资本投资将用于升级现有基础设施、安装先进设备以及增强自动化系统。此次扩建旨在提升Intel 3工艺节点生产的Xeon 6和下一代Xeon服务器处理器的产能，以满足全球日益增长的AI和高性能计算芯片需求。
-
美国联邦政府投资 6 亿美元用于 HPC AI 工作负载安全
美国联邦政府正投资 6 亿美元，以加强高性能计算 (HPC) AI 工作负载的运行时安全。随着 AI 应用日益融入 HPC 环境，这项举措认识到对强大安全措施的关键需求。拟议的架构旨在主动应对这些安全挑战。
-
SiPearl 的 Rhea CPU 进入实验室测试，目标是 2026 年底上市
SiPearl 已成功收到其 Rhea CPU 的首批芯片样品，这是欧洲自主高性能计算 (HPC) 努力的一个重要里程碑。Rhea1 处理器拥有超过 80 个 Arm Neoverse V1 核心以及配备 HBM2E 和 DDR5 的先进内存子系统，目前正在进行为期 12 周的启动测试。尽管开发周期漫长，SiPearl 预计 Rhea1 将于 2026 年底全面上市，由于 HBM2E 供应限制，初期将进行有限的生产以满足特定合作伙伴的需求。
-
三星开始量产新款AI企业级SSD
三星已启动其新款PM1763企业级SSD的量产，该SSD旨在增强AI和高性能计算服务器。这款SSD拥有令人印象深刻的读取和写入速度，分别为28,400 MB/s和21,900 MB/s，并且仅需1.4秒即可加载一个40GB的LLM。与前代PM1753相比，PM1763的能效也提高了80%，并已被纳入AI训练的成本模型中。
-
数据中心市场至2031年将达到1.336万亿美元，由人工智能和云驱动
全球数据中心解决方案市场预计到2031年将达到1.336万亿美元，这得益于人工智能、云计算和高性能计算（HPC）日益增长的需求。这一增长将需要对密集计算能力、先进冷却系统、智能电源管理以及数据中心基础设施管理（DCIM）和楼宇管理系统（BMS）进行大量投资。由于大规模超大规模部署和快速采用人工智能，北美预计将引领这一市场扩张。
-
中国大宗商品价格下跌；人工智能推动特种化学品需求
中国大宗商品价格指数6月份小幅下跌，环比下降1.7%，同比上涨17.6%。在监测的50种大宗商品中，11种商品价格上涨，其中焦煤、焦炭和瓦楞纸涨幅居前。在科技领域，国内氟化工企业正进军半导体制造所需的高纯电子级氢氟酸，打破了过去的垄断。此外，受人工智能和高性能计算日益增长的热密度驱动，这些企业正在开发用于数据中心液冷的全氟聚醚（PFPE）。
-
AI和半导体推动含氟材料增长
光大证券已识别出含氟新材料的高增长阶段，由半导体和AI行业驱动。国内含氟化工企业正扩展到该领域，特别专注于高纯度电子级氢氟酸，这是芯片制造的关键组成部分，此前由日美公司主导。此外，AI推动的高性能计算和数据中心需求的增加，正驱动液冷解决方案的应用。含氟化工企业正通过开发全氟聚醚（PFPE）等先进材料来应对这些冷却系统，凸显了含氟化工行业向更高价值和技术复杂性转型的重大变化。