Optimizing ATLAS code with different profilers
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
After the current maintenance period, the LHC will provide higher\\nenergy collisions with increased luminosity. In order to keep up with\\nthese higher rates, ATLAS software needs to speed up\\nsubstantially. However, ATLAS code is composed of approximately 6M\\nlines, written by many different programmers with different\\nbackgrounds, which makes code optimisation a challenge. To help with\\nthis effort different profiling tools and techniques are being\\nused. These include well known tools, such as the Valgrind suite and\\nIntel Amplifier; less common tools like Pin, PAPI, and GOoDA; as well\\nas techniques such as library interposing. In this paper we will\\nmainly focus on Pin tools and GOoDA. Pin is a dynamic binary\\ninstrumentation tool which can obtain statistics such as call counts,\\ninstruction counts and interrogate functions' arguments. It has been\\nused to obtain CLHEP Matrix profiles, operations and vector sizes for\\nlinear algebra calculations which has provided the insight necessary\\nto achieve significant performance improvements. Complimenting this,\\nGOoDA, an in-house performance tool built in collaboration with\\nGoogle, which is based on hardware performance monitoring unit events,\\nis used to identify hot-spots in the code for different types of\\nhardware limitations, such as CPU resources, caches, or memory\\nbandwidth. GOoDA has been used in improvement of the performance of\\nnew magnetic field code and identification of potential vectorization\\ntargets in several places, such as Runge-Kutta propagation code.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 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