論文の概要: Building a Shared Resource HPC Center Across University Schools and
Institutes: A Case Study
- arxiv url: http://arxiv.org/abs/2003.13629v2
- Date: Thu, 2 Apr 2020 16:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-27 12:13:13.730866
- Title: Building a Shared Resource HPC Center Across University Schools and
Institutes: A Case Study
- Title（参考訳）: 大学・研究所間の共有資源HPCセンターの構築--事例研究
- Authors: Glen MacLachlan, Jason Hurlburt, Marco Suarez, Kai Leung Wong, William
Burke, Terrence Lewis, Andrew Gallo, Jaroslav Flidr, Raoul Gabiam, Janis
Nicholas, Brian Ensor
- Abstract要約: 本稿では,大学レベルでの初となるハイパフォーマンスコンピューティングセンターの設立と計画に直面する課題と障害について論じる。
私たちは、正当化とコストモデル、予測されたユースケースを決定するための戦略、適切なリソース計画、スタッフリング、ユーザエンゲージメント、そして成功を測るためのメトリクスに重点を置いています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past several years, The George Washington University has recruited a
significant number of researchers in a wide variety of domains requiring the
availability of advanced computational resources. We discuss the challenges and
obstacles encountered planning and establishing a first-time high performance
computing center at the university level and present a set of solutions that
will be useful for any university developing a fledgling high performance
computing center. We focus on justification and cost model, strategies for
determining anticipated use cases, planning appropriate resources, staffing,
user engagement, and metrics for gauging success.
- Abstract（参考訳）: 過去数年間、ジョージ・ワシントン大学は、高度な計算資源の入手を必要とする様々な領域の研究者を大量に募集してきた。
本稿では,大学レベルでの初となるハイパフォーマンスコンピューティングセンターの計画と設立に遭遇する課題と課題について論じ,先進的なハイパフォーマンスコンピューティングセンターを開発するどの大学にとっても有用なソリューションの集合を提示する。
私たちは、正当化とコストモデル、予測されたユースケースを決定するための戦略、適切なリソース計画、スタッフリング、ユーザエンゲージメント、そして成功を測るためのメトリクスに重点を置いています。
関連論文リスト
- Reinforcement Learning for Adaptive Resource Scheduling in Complex System Environments [8.315191578007857]
そこで本研究では,Q-ラーニングに基づく新しいコンピュータシステムの性能最適化と適応型ワークロード管理スケジューリングアルゴリズムを提案する。
対照的に、強化学習アルゴリズムであるQラーニングは、システムの状態変化から継続的に学習し、動的スケジューリングとリソース最適化を可能にする。
この研究は、将来の大規模システムにおけるAI駆動適応スケジューリングの統合の基礎を提供し、システムのパフォーマンスを高め、運用コストを削減し、持続可能なエネルギー消費をサポートするスケーラブルでインテリジェントなソリューションを提供する。
論文 参考訳（メタデータ） (2024-11-08T05:58:09Z) - Hypergame Theory for Decentralized Resource Allocation in Multi-user Semantic Communications [60.63472821600567]
マルチユーザSCシステムにおける分散コンピューティングと通信資源割り当てのための新しいフレームワークを提案する。
通信資源と計算資源を効率的に割り当てることの課題は、Stackelbergハイパーゲーム理論の適用によって解決される。
シミュレーションの結果,提案したStackelbergハイパーゲームは通信資源と計算資源を効率的に利用することができることがわかった。
論文 参考訳（メタデータ） (2024-09-26T15:55:59Z) - Resource Allocation and Workload Scheduling for Large-Scale Distributed Deep Learning: A Survey [48.06362354403557]
本調査は,大規模分散DLの効率的な資源配分とワークロードスケジューリング戦略について,主に2019年から2024年までの文献を概説する。
トピックごとに重要な課題を強調し、既存の技術に関する重要な洞察について議論する。
この調査は、コンピュータ科学、人工知能、通信研究者が最近の進歩を理解することを奨励することを目的としている。
論文 参考訳（メタデータ） (2024-06-12T11:51:44Z) - A Review of Deep Reinforcement Learning in Serverless Computing:
Function Scheduling and Resource Auto-Scaling [2.0722667822370386]
本稿では、サーバーレスコンピューティングにおけるDeep Reinforcement Learning(DRL)技術の適用について、包括的なレビューを行う。
DRLをサーバレスコンピューティングに適用する最近の研究の体系的なレビューが、さまざまなアルゴリズム、モデル、パフォーマンスについて紹介されている。
分析の結果,DRLは環境から学習・適応する能力を有しており,機能スケジューリングと資源スケーリングの効率化に期待できる結果が得られた。
論文 参考訳（メタデータ） (2023-10-05T09:26:04Z) - Benchmarking Robustness and Generalization in Multi-Agent Systems: A
Case Study on Neural MMO [50.58083807719749]
IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。
この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。
環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2023-08-30T07:16:11Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T16:23:13Z) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳（メタデータ） (2020-07-20T13:46:42Z) - Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。
提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2020-06-17T02:19:31Z) - Multi-agent Reinforcement Learning for Resource Allocation in IoT
networks with Edge Computing [16.129649374251088]
エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。
本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
論文 参考訳（メタデータ） (2020-04-05T20:59:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。