MétaCan
Menu
Retour à la cohorte
Enregistrement W2608938540 · doi:10.1109/pdp.2017.42

Parallelizing Soft-Synths with Soft Real-Time Requirements

2017· article· en· W2608938540 sur OpenAlexaff
E.J. Cameron, Dhrubajyoti Goswami

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueParallel Computing and Optimization Techniques
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceModular designRendering (computer graphics)Multi-core processorDigital audioSoftwareComputer architectureDigital signal processingEmbedded systemOperating systemComputer hardwareAudio signalComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

Though parallel processing of applications related to video processing and rendering are widespread, parallel processing of audio synthesis software (also known as soft-synths) is not much researched. This paper addresses our research and experiments in parallelizing digital audio synthesizers on a commodity multicore platform where these synthesizers are most commonly used. Soft real-time requirements and overheads of parallelization are two of the competing forces in this research. As a case study, the ALSA (Advanced Linux Sound Architecture) Modular audio Synthesizer (AMS) is evaluated. AMS employs a modular approach to digital music synthesis, is often part of a standard Linux installation package, has a GUI for user interactions, and like other audio synthesizers it has a soft real-time requirement. The main intentions of parallelization are for enhancing throughput and hence stability, whereby more complex and higher quality audio can be generated. The GUI based interactive approach adds an extra challenge of a dynamic call graph that can change on-the-fly. The paper compares the pros and cons of the different techniques adopt-ed, and highlights the advantages of parallelization. The lessons learnt can also be used in parallelizing other existing audio synthesizers and designing new parallel synthesizers from scratch.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,949
Score d'incertitude au seuil0,681

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,288
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetParallel Computing and Optimization TechniquesTravaux en français237 207