Graph Trace Analysis Approach to Optimizing Power and Heat Flow for Clustered Computing; An Example of Model Based System of Systems Design and Deployment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
During system of system (SoS) design, many decisions from different engineering disciplines are made and documented. Today, designers increasingly use modeling. For example, they address the issues involved with total cost of ownership by better understanding the interactions of parts and systems. For a large SoS, the labor intense modeling has one potential alternative approach involving the concepts of graph trace analysis (GTA) for distributed processing of integrated system models (ISM). GTA features a wide range of algorithms that flexibly attach to models that stay in their 'engineering domains' in the ISM. A subsystem model for a single domain can be built directly from the engineering design data and then simulated or analyzed. A model using millions of simple objects can be built automatically, including looped and radial systems. Physical dependency linkages between engineering domains can be built directly from reference designators and parts data. Design and deployment of a compute cluster is illustrated by composing an "integrated system model" (ISM) from different engineering domain models, where models from different domains are linked together with dependency iterators from GTA. During early design phases, the ISM of a compute cluster might include a short list of engineering design domains. Later, during deployment, sensors and actuators are included in the ISM and GTA algorithms. A need for open, standard parts data is discussed for design tools used in engineering along with data exchange formats that allow product design data to be reused by other design teams.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle