Collective Communication Enabled Transformer Acceleration on Heterogeneous Clusters
Notice bibliographique
Résumé
Field Programmable Gate Arrays (FPGAs) are becoming increasingly popular in data centers because of their ability to accelerate High-Performance Computing (HPC) and Machine Learning (ML) workloads. There has been extensive research on providing efficient tools such as Message Passing Interface (MPI) and ML model libraries that target FPGA platforms to developers and customers, due to the power efficiency, low latency, and flexibility provided by FPGAs. However, in the context of data centers, there could be hundreds or thousands of FPGAs deployed to accelerate one large-scale application, and the scalability of FPGAs is not well-researched in the academic field. In this thesis, we focus on extending the scalability of the Galapagos framework and propose a multi-cluster Galapagos project. We develop a tool, called Cluster Builder, for partitioning large-scale applications into multiple Galapagos clusters. To further increase the efficiency of the communication portion of the workloads, we propose to add one extra layer on top of the current Galapagos Stack, called the Galapagos Messaging Interface (GMI), which provides the necessary collective communication capabilities to the multi-cluster Galapagos framework. We also design an efficient multi-FPGA transformer model and use the Cluster Builder to deploy it on the multi-cluster Galapagos framework. Lastly, we propose a modified Galapagos framework that supports the AMD Versal Adaptive Compute Acceleration Platforms (ACAPs) [1] architecture. Based on the modified Galapagos framework, we estimate the performance of the transformer.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».