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
7 天有情绪数据
-
十月宣布HPC和AI培训活动
此集群关注即将举行的与高性能计算（HPC）和人工智能（AI）相关的培训活动。活动包括现代C++软件设计、联邦学习入门以及制造业中的AI等课程。这些培训被呈现为HPC和AI的实际应用，并在世界教师节之际特别提及，以感谢培训师。
-
空间填充曲线简化了通信规避矩阵乘法
一篇新的研究论文介绍了空间填充曲线（SFC）作为一种方法，用于简化和优化高性能计算和深度学习的通信规避通用矩阵乘法（CA-GEMM）。该方法实现了平台无关和形状无关的矩阵乘法方案，并提高了数据局部性。SFC-CA GEMM算法展示了可证明的渐近通信最优性，并在x86和Arm平台上比供应商库的性能高出5.5倍。其在LLM推理预填充中的应用显示速度提升高达1.85倍，在分布式内存矩阵乘法中，速度提升高达2.3倍。
-
液体冷却技术被证明对下一代人工智能计算密度至关重要
单相直接液体冷却技术正成为解决现代人工智能和高性能计算系统产生的强烈热量的关键解决方案。随着处理器功耗超过1000瓦，机架散热量超过100千瓦，传统的空气冷却方法已不足以应对。本白皮书详细介绍了单相直接液体冷却如何通过在组件上的冷板循环冷却剂，有效吸收和移除热量，从而支持更高的计算密度并延长硬件寿命。
-
AI基础设施公司Cornelis融资2.05亿美元
Cornelis公司专注于AI基础设施和高性能计算网络解决方案，已在IAG Capital Partners领投的一轮融资中获得2.05亿美元。该公司计划利用这笔投资扩大其产能。
-
新框架使用机器学习加速HPC性能自动调优
研究人员开发了一个新框架，以加速高性能计算（HPC）系统中的性能自动调优过程。该框架利用了一个名为Neural Configuration Scorer（NCS）的基于机器学习的集成LLVM中间表示（IR）排名器。NCS通过对IR的性能进行排名来提高效率，从而降低调优开销并避免次优评估。该系统利用迁移学习，与现有方法相比，只需更少的评估即可实现类似的性能提升。
-
数据中心提高密度以满足人工智能计算需求
数据中心运营商正日益专注于在现有设施内提高密度，而非新建数据中心，以满足日益增长的计算需求，特别是来自人工智能和高性能计算工作负载的需求。这种方法通常更具成本效益且速度更快，可以绕过与新建相关的位置选择、许可和电网限制等挑战。然而，提高密度需要仔细管理供电、冷却系统和可维护性，以确保安全高效的运行。
-
AI与HPC通过Triton和SYCL的Stencil计算实现融合
本文通过Stencil计算的视角探讨了AI与高性能计算（HPC）的交叉领域。文章重点介绍了向量外积等技术以及Triton编程模型如何应用于优化这些计算，而这些计算对于许多科学模拟和AI工作负载至关重要。文章还提到了SYCL标准，作为在该领域实现跨不同硬件架构可移植性的一种方式。
-
研究发现：AI 编码助手未能验证软件信任信号
一项新研究调查了 AI 编码助手在安装前是否会验证软件供应链信任信号。研究人员发现，即使提供了软件物料清单或签名发布等信号，这些助手也极少进行检查。研究得出结论，仅仅发布信任信号是不够的，因为 AI 助手并未对其采取行动，并且成本与验证行为不相关。研究结果表明，需要将验证机制直接集成到 AI 助手的操作程序中。
-
Diamond Agent 简化了联邦式集群中的高性能计算资源管理
研究人员开发了 Diamond Agent，这是一个新颖的系统，旨在管理和协调联邦式、异构集群中的高性能计算 (HPC) 资源。该代理式系统通过提供统一的接口和智能执行能力，解决了工作流上下文保留、数据移动和高效任务调度方面的挑战。实验表明，与传统方法相比，Diamond Agent 显著缩短了多站点 HPC 工作流的完成时间。
-
人工智能给数据中心带来新的消防安全挑战
人工智能驱动的日益增长的功率密度和新的冷却技术正在给数据中心带来新的消防安全挑战。更小的占地面积内更高的计算能力集中，以及锂离子电池和液体冷却系统的采用，都要求重新评估传统的火灾探测和抑制策略。消防工程师早期参与设计过程对于应对这些不断变化的风险至关重要。
-
TornadoVM 6.0.0 发布，无需 JVMCI 和 JNI，速度更快
TornadoVM 发布了 6.0.0 版本，这是一个重要的更新，移除了对 JVMCI 和 JNI 的依赖。新版本兼容 JDK 21 至 27 的发行版，并声称冷启动时间缩短了 37%。性能也得到了显著提升，在使用 Tensor-Core MMA 加速的 GEMM 操作上速度提高了 4.1 倍。
-
3C4AI项目旨在实现AI工作负载在云、边缘和HPC之间的无缝迁移
3C4AI项目正在开发一项愿景，旨在实现AI工作负载在云、边缘和高性能计算（HPC）环境之间的无缝迁移。该计划寻求整合统一的编排、联邦数据管理、智能优化和生成式AI工具。目标是通过整合硬件感知处理和安全治理，创建一个更可信、更具互操作性的分布式AI生态系统。
-
AI收集器接口架构辩论：速度 vs. 可靠性
作者反思了AI系统收集器接口的架构设计，特别关注可观测性系统中系统速度和数据可靠性之间的权衡。文章探讨了无锁设计和分布式可观测性等概念，并提出了形式逻辑或测试哪种更适合此类系统的问题。这些讨论是在高性能计算和数据管道的背景下进行的。
-
敦促高性能计算组织立即制定AI代理使用政策
建议使用高性能计算（HPC）的组织立即为其技术和行政人员制定关于使用AI和AI代理的内部政策。这些政策应解决数据安全和访问控制问题，像对待外部供应商一样谨慎对待AI代理。具体而言，组织应防止敏感内部文档泄露给AI模型，并禁止将特权账户访问权限与这些代理一起使用，以减轻潜在的数据泄露和安全风险。
-
液冷选项涌现，应对AI驱动的数据中心散热挑战
数据中心正越来越多地采用液冷解决方案来管理由AI和高性能计算工作负载产生的强烈热量。随着机架密度激增，超出了传统风冷的承载能力，这些先进的冷却方法变得必不可少。三种主要方法——后门热交换器（RDHx）、冷板式液冷（Direct-to-Chip）和浸没式液冷（Immersion Cooling）——在效率、成本和实施复杂性方面各有优劣。
-
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。
-
新的LLM研究涵盖开发者交互、隐私、自建模和HPC
近期研究探讨了大语言模型（LLM）开发和应用的各个方面。一项研究调查了用于软件开发的动态LLM对话，发现主动指导可以提高开发者的满意度。另一篇论文提出了一种使用偏好优化来平衡LLM对齐中的隐私、效用和安全性的方法，表明隐私-偏好混合可以减少记忆信号。进一步的研究深入探讨了LLM的自建模能力，开发了一个基准和合成数据管道来提高这些技能，并探索了用单个token替换长系统提示以提高效率的技术。此外，一项调查检查了LLM在高性能计算（HPC…