Leveraging High Performance Computing AMD EPYC CPU’s For CFD Applications
Notice bibliographique
Résumé
The innovative chiplet-based AMD EPYC™ architecture disrupted the high-performance computing (HPC) market. AMD EPYC processors power Frontier, the world's first exascale supercomputer at Oak Ridge National Laboratory (ORNL). Computational Fluid Dynamics (CFD) applications play a key role in national laboratories, academia, and industry for both scientific discovery and a wide range of real-world simulations, such as aircraft engine design and numerical weather prediction. AMD EPYC processors offer an out-of-box solution for accelerating CFD applications. AMD EPYC processors with AMD 3D V-Cache™ technology have an “X” in the model number and deliver up to three times more L3 Cache per CPU compared to general-purpose AMD EPYC processors with equivalent core counts. AMD tested several standard benchmarks on common CFD applications including OpenFOAM®, WRF® (Weather Research and Forecasting), and Incompact3d that each place unique demands on the CPU. This testing included strong-scaling analysis for up to eight nodes. The results show that AMD EPYC CPUs deliver outstanding performance and scalability running CFD applications. Adding AMD 3D V-Cache further enhances performance and can significantly improve scalability. AMD 3D V-Cache technology can also deliver super-linear scaling in some cases, further reducing time to solution. Faster solutions allow engineers to consider running higher-resolution models in a given timeframe.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».