Impact of Optical Communication Link Error on Large-Scale AI Training in Data Centers
Notice bibliographique
Résumé
Recently, data centers (DCs) have been increasingly dedicated to artificial intelligence (AI) training processes. To enable large-scale model training, parallelization schemes such as distributed data parallelism (DDP) and pipeline parallelism (PP) are essential. Both techniques require extensive data transmission through optical communication links within a DC. The latency and power consumption of these links are critical factors affecting DC efficiency for AI training. Although optical links are typically engineered for near-error-free transmission, the impact of data transmission errors during AI training remains insufficiently explored. In this work, we analytically investigate the effect of communication link errors on the learning process under the DDP and PP schemes. Our analysis reveals that link errors introduce bounded noise into the model weights, allowing weight error levels to be controlled by maintaining an appropriate link bit error rate (BER). Relaxing the error-free requirement opens new opportunities for optimizing optical link performance. Specifically, we propose a novel protocol stack layer for optical links, with minimal deviation from the IEEE 802.3bs standard, to enable data transmission with reduced latency. We validate our theoretical findings through simulations by training the ChatGPT2 model, consisting of 124 million parameters. The results highlight several practical implications and confirm the theoretical relationship between link BER and bounded weight noise. For example, our simulations demonstrate that a communication link with a BER less than 1e-4 has negligible impacts on DDP performance, while the PP method requires a link BER less than 1e-5.
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 | 0,002 | 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 | 0,020 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».