Implantation des futures sur un système distribué par passage de messages
Bibliographic record
Abstract
Ce mémoire présente une implantation de la création paresseuse de tâches desti-\nnée à des systèmes multiprocesseurs à mémoire distribuée. Elle offre un sous-ensemble des fonctionnalités du Message-Passing Interface et permet de paralléliser certains problèmes qui se partitionnent difficilement de manière statique grâce à un système de\npartitionnement dynamique et de balancement de charge. Pour ce faire, il se base sur le\nlangage Multilisp, un dialecte de Scheme orienté vers le traitement parallèle, et implante\nsur ce dernier une interface semblable à MPI permettant le calcul distribué multipro-\ncessus. Ce système offre un langage beaucoup plus riche et expressif que le C et réduit\nconsidérablement le travail nécessaire au programmeur pour pouvoir développer des\nprogrammes équivalents à ceux en MPI. Enfin, le partitionnement dynamique permet\nde concevoir des programmes qui seraient très complexes à réaliser sur MPI. Des tests\nont été effectués sur un système local à 16 processeurs et une grappe à 16 processeurs\net il offre de bonnes accélérations en comparaison à des programmes séquentiels équiva-\nlents ainsi que des performances acceptables par rapport à MPI. Ce mémoire démontre\nque l’usage des futures comme technique de partitionnement dynamique est faisable sur\ndes multiprocesseurs à mémoire distribuée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".