EPIC: An Energy-Efficient, High-Performance GPGPU Computing Research Infrastructure
针对挪威国家基础设施中 GPGPU 资源稀缺的问题,论文介绍 NTNU 的 EPIC,以节能、高性能的 GPGPU 设施支撑并行科学计算、深度学习和大数据研究。
2024-07-05 cs.DC
Efficient Parallelization of Short-Range Molecular Dynamics Simulations on Many-Core Systems
介绍了一种在单节点多核和众核系统上进行短程力作用下的分子动力学模拟的高度并行算法。该算法的目的是实现高度并行加速为强烈的非均匀系统,如纳米器件或纳米结构材料。在所提出的方案中,力的计算和邻居列表的生成被划分为小任务。然后由线程池根据相关任务调度来执行任务。该调度是以这样一种方式构建的,即一个粒子永远不会被两个线程同时访问。在典型的12核机器上的基准模拟表明,所描述的算法在不同类型的系统和所有核数下都达到了80%以上的优异并行效率。对于非均匀系统的加速比是强烈优于空间分解。在英特尔至强融核协处理器上执行了进一步的基准测试。这些模拟表明,该算法的规模以及大量的核心。
2013-11-18 cs.DC physics.comp-ph
PESC -- Parallel Experiment for Sequential Code
随着计算算法在科学界的不同部门越来越受欢迎,对计算资源的需求也在增长。这种搜索刺激了几个云平台的开发,这些平台抽象了计算基础设施的复杂性。不幸的是,访问这些资源的成本可能会忽略可以由更简单的基础设施进行的各种研究。在这篇文章中,我们提出了一个平台,用于分布计算机模拟上的资源在网络上使用容器,抽象的复杂性需要配置这些执行环境,并允许任何用户都可以受益于此基础设施。模拟可以用任何程序设计语言(如Python、Java、C、R)开发,并以一般方式满足科学界的特定执行需求。我们将展示在运行模拟中获得的结果,这些模拟需要使用不同的初始参数进行1000多次运行,以及从使用该平台中受益的各种其他实验。
2023-01-13 cs.DC
Monte Carlo modeling photon-tissue interaction using on-demand cloud infrastructure
目的:这项工作提出了一种蒙特卡罗(MC)方法,结合电离辐射物理与光学物理,在某种程度上,这是隐含的设计部署与最广泛的并行化和可移植性可能。研究方法:目前的工作更新了以前开发的GEANT 4架构的面向医学的模拟(GAMOS)的光传播插件。虚拟机(VM)和基于容器的实例验证使用以前发布的脚本,并使用并行模拟的执行时间的改进证明。提出了一种以编程方式部署多个容器以使用按需的基于云的基础设施来实现并行执行的方法。结果:使用多层组织模型以及光学和X射线源输入演示了基于容器的GAMOS部署。例如,该模型被分成154个模拟,这些模拟在4台服务器上的64个单独的容器上同时运行。结论:基于容器的模型提供了执行应用程序的并行模拟的能力,这些应用程序本身不是线程安全的或GPU优化的。在当前的演示中,与顺序执行相比,这最多减少了97%的时间。代码和示例可通过交互式在线界面获得,链接为:https://sites.dartmouth.edu/optmed/research-projects/monte-carlo-software/
2020-05-03 cs.DC physics.med-ph
Parallel Sorted Neighborhood Blocking with MapReduce
云基础设施支持高效并行执行数据密集型任务,例如大型数据集上的实体解析。我们调查的挑战和可能的解决方案,使用MapReduce编程模型的并行实体解析。特别是,我们提出并评估了两个基于MapReduce的实现排序邻域阻塞,要么使用多个MapReduce作业或应用定制的数据复制。
2010-10-15 cs.DC
Performance Analysis of Parallel Pollard's Rho Algorithm
在分析任何基于数论的黑盒密码套件时,都要讨论一个重要的算法,即分解。该问题的起源是一位密码分析师在分析密码算法时遇到的离散对数问题。整数因子分解算法在计算科学中也有潜力,在有限的计算基础设施下获得非常大数量的因子是具有挑战性的。本文分析了不同输入大小的Pollards Rho启发式算法,以评估多核环境下的性能,并估计每个计算基础设施的阈值。
2013-05-19 cs.DC
Performance Evaluation of Unified Parallel C for Molecular Dynamics
分区全局地址空间(PGAS)将共享内存编程的概念以及消息传递提供的数据分布和局部性控制集成到单个并行编程模型中。将分布式数据与共享内存结合起来的目的是培养一种局部感知的共享内存范例。PGAS由单个共享地址空间组成,该空间在线程之间进行分区。每个线程在本地内存中都有一部分共享地址空间,因此它可以通过主要对本地数据进行计算来利用数据局部性。统一并行C(UPC)是ISO C的并行扩展和PGAS模型的实现。在本文中,我们评估UPC的性能的基础上,从分子动力学的真实世界的情况。
2016-03-12 cs.DC
LongLive-2.0: An NVFP4 Parallel Infrastructure for Long Video Generation
NVIDIA
本文提出LongLive-2.0,一个基于NVFP4的并行基础设施,用于长视频生成的整个训练和推理流程,解决了速度和内存瓶颈问题。通过引入序列并行自回归训练方法,结合NVFP4精度,显著降低了GPU内存消耗并加速了训练过程。同时,该系统能够将扩散模型转换为长视频生成的自回归扩散模型,并在不同GPU架构上实现了高效的推理和训练。
2026-05-19 cs.CV cs.DC
Public Infrastructure for Monte Carlo Simulation: publicMC@BATAN
介绍了印度尼西亚第一个基于集群的蒙特卡罗模拟公共计算。该系统已开发,使公众能够通过集成和用户友好的动态Web界面在并行计算机上执行Monte Carlo模拟。测试版,即所谓的publicMC@BATAN,已经发布并在国家核能机构(BATAN)的内部用户中实施。本文介绍了公共MC @BATAN的概念和体系结构。
2010-07-27 cs.DC
Heterogeneous Parallelization and Acceleration of Molecular Dynamics Simulations in GROMACS
诸如图形处理单元(GPU)之类的加速器设备的引入已经对分子动力学模拟产生了深远的影响,并且使得能够使用商品硬件实现数量级的性能进步。为了充分获得这些好处,有必要重新制定一些最基本的算法,包括Verlet列表,对搜索和截断。在这里,我们提出了异构并行化和加速设计的分子动力学实现的GROMACS代码库在过去的十年。该设置涉及一种基于集群的通用方法来实现对列表和非绑定对交互,该方法有效地利用了GPU和CPU SIMD加速,包括在CPU和GPU之间负载平衡任务的能力。算法的工作效率针对每种类型的硬件进行了调整,并且为了更有效地使用加速器,我们引入了具有滚动修剪更新的双对列表。结合新的直接GPU-GPU通信以及GPU集成,通过跨多个GPU的强大可扩展性和高效的多节点并行化,可实现单GPU模拟的卓越性能。
2020-09-07 cs.DC cs.DS cs.PF
Parallelizing Drug Discovery: HPC Pipelines for Alzheimer's Molecular Docking and Simulation
本文构建面向阿尔茨海默病药物发现的 HPC 并行流水线,利用 GROMACS 的 MPI-OpenMP 混合策略和 Python multiprocessing 加速分子动力学与对接,并通过案例验证其生物相关性。
2025-08-31 cs.DC
Gaining Cross-Platform Parallelism for HAL's Molecular Dynamics Package using SYCL
本文以HAL's MD package为例,研究将分子动力学代码从CUDA迁移到SYCL的策略,实现了跨GPU供应商的可移植性,并在部分内核上获得性能提升,同时在CPU上也取得了显著加速。
2024-06-06 cs.DC cs.ET physics.comp-ph
Accurate Reaction-Diffusion Operator Splitting on Tetrahedral Meshes for Parallel Stochastic Molecular Simulations
生物学中的空间随机分子模拟受到在离散时间或离散空间框架中跟踪空间中的分子所需的密集计算的限制,这意味着在亚细胞模型中已经达到了序列极限。这就需要利用现代超级计算机的并行模拟;然而,已知精确的方法本质上是串行的。我们介绍了一种新的方法,以提高精度的不规则网格的运营商分裂实现,并展示了可扩展的并行模拟在初始MPI版本的潜力。我们预计,这一基础工作将使更大规模的,全细胞随机模拟在不久的将来。
2015-12-10 cs.DC physics.bio-ph physics.chem-ph
Task-parallel Analysis of Molecular Dynamics Trajectories
HPC和大数据社区已经提出了用于实现数据分析应用程序的不同并行框架。在本文中,我们研究了三个任务并行框架:Spark,Dask和RADICAL-Pilot,它们支持HPC资源上的数据分析的能力,并将它们与MPI进行比较。我们研究了分子动力学(MD)模拟的数据分析要求,这些模拟是超级计算周期的重要消费者,产生了大量的数据。对一个O(100 k)原子的物理系统在微秒内进行的典型大规模MD模拟可以产生O(10)GB到O(1000)GB的数据。我们提出并评估了不同的方法并行化的一组代表性的MD轨迹分析算法,特别是路径相似性和小叶识别的计算。我们评估Spark,Dask和RADICAL Pilot的抽象和运行时引擎功能,以支持这些算法。我们提供了一个概念上的基础,比较和理解不同的框架,使用户能够选择最佳的系统为每个应用程序。我们还提供了一个定量的性能分析的不同算法在三个框架。
2018-06-11 cs.DC
Practical Massively Parallel Monte-Carlo Tree Search Applied to Molecular Design
Chugai Pharmaceutical Co., Ltd(中外制药株式会社);Intel Labs(英特尔实验室);RIKEN Center for Advanced Intelligence Project(理化学研究所革新智能统合研究中心)
使用大的计算资源来训练神经网络是常见的做法,如从许多示例(诸如强化学习应用)中已知的。然而,虽然大规模并行计算经常用于训练模型,但它很少用于搜索组合优化问题的解决方案。在本文中,我们提出了一种新的大规模并行蒙特卡罗树搜索(MP-MCTS)算法,有效地工作在1,000工人规模,并将其应用于分子设计。这是第一个将分布式MCTS应用于现实世界和非游戏问题的工作。现有的大规模并行MCTS的工作表现出高效的可扩展性方面的推出多达100名工人的数量,但遭受的质量下降的解决方案。MP-MCTS在更大规模上保持搜索质量,并且通过在256个CPU核上运行MP-MCTS仅10分钟,我们获得了与运行42小时的非并行MCTS具有相似得分的候选分子。此外,我们基于并行MCTS(结合简单的RNN模型)的结果显着优于现有的最先进的工作。我们的方法是通用的,预计将加快其他应用的MCTS。
2021-04-06 cs.AI cs.DC
Simulating Unified Tensor Resharding in heterogeneous AI systems
IIIT-Delhi(德里信息与技术学院);IIT Hyderabad(海德拉巴印度理工学院);Marvell Technology Inc.(美满电子科技)
提出异构感知模拟器Xsim,通过非均匀负载划分、定制环构建和分块分区等方法,准确模拟异构分布式LLM训练,误差小于5%。
2026-06-26 cs.DC
Parallel Performance of Molecular Dynamics Trajectory Analysis
生物分子动力学模拟的性能在现代高性能计算资源上稳步提高,但输出轨迹分析的加速却滞后,使得分析模拟正成为瓶颈。为了缩小这一差距,我们研究了并行轨迹分析的性能与MPI和Python MDAnalysis库在三个不同的XSEDE超级计算机上的轨迹从光泽并行文件系统读取。强大的扩展性能受到落后者(比典型过程慢的MPI过程)的阻碍。掉队者在计算密集型工作负载中不太普遍,因此指出文件读取是扩展的瓶颈。然而,出现了一个更复杂的画面,其中计算和数据摄取都表现出接近理想的强缩放行为,而落伍者主要是由大的MPI通信成本或长时间打开单个共享轨迹文件造成的。我们通过子文件(将轨迹分割为单独的文件)或MPI-IO与并行HDF 5轨迹文件来提高整体强大的缩放性能。并行HDF 5方法在多达384个内核(16个节点)上实现了近乎理想的强大扩展,因此与串行方法相比,轨迹分析时间减少了两个数量级。
2020-03-27 cs.DC q-bio.QM
Long range forces in a performance portable Molecular Dynamics framework
分子动力学(MD)代码通过跟踪一组相互作用的模型粒子的轨迹来预测物质的基本性质。为了利用各种现代众核硬件,高效的代码必须使用所有可用的并行性。同时,它们需要是便携式的,并且可以由领域专家(物理学家/化学家)轻松扩展,而无需详细了解该硬件。为了应对这一挑战,我们最近描述了一种新的领域特定语言(DSL),用于开发基于“关注点分离”的性能可移植MD代码:Python框架自动为一系列目标体系结构生成高效的并行代码。带电粒子之间的静电相互作用在许多物理系统中很重要,并且通常主导运行时间。在这里,我们讨论在我们的代码生成框架中包含远程交互算法。这些算法需要全球通信和仔细考虑,必须考虑到并行可扩展性的任何影响。我们实现了Ewald求和算法的静电力,目前缩放比较不同的系统大小和现有代码的性能比较。我们还报告了使用OpenMP共享内存并行提供的进一步性能优化。
2017-08-03 cs.DC cs.SE physics.comp-ph
A New Dynamical Domain Decomposition Method for Parallel Molecular Dynamics Simulation on Grid
发展了一种新的拉格朗日物质粒子--动力学区域分解方法(MPD ^[3]),用于在异构计算网络上对非稳态非均匀体系进行大规模并行分子动力学模拟。MPD ^[3]基于模拟物质的Voronoi分解。Voronoi多边形的映射被称为Dirichlet镶嵌,并用于计算流体动力学中的网格生成。从流体力学的角度来看,运动的Voronoi多边形看起来像一个物质粒子(MP)。MP可以交换粒子和信息。为了平衡异构计算条件,MP中心应该依赖于定时数据。在此基础上,提出了一种简单有效的迭代算法,该算法定义了MP中心随时间变化的平衡位移。MPD^3程序在各种计算环境和物理问题中进行了测试。我们已经证明了MPD ^[3]是一种用于MD模拟的高度自适应分解算法。结果表明,良好的平衡分解可以导致动态Voronoi多边形镶嵌。人们希望类似的方法可以成功地应用于其他粒子方法,如蒙特卡罗,粒子在细胞,光滑粒子流体动力学。
2004-05-24 cs.DC
Parallel Higher-order Boundary Integral Electrostatics Computation on Molecular Surfaces with Curved Triangulation
University of Alabama(阿拉巴马大学)
提出一种并行高阶边界积分方法求解线性Poisson-Boltzmann方程,通过曲面三角剖分和高斯求积提高精度,并利用MPI实现并行加速。
2013-01-24 cs.DC cs.NA math.NA
DGRO: Diameter-Guided Ring Optimization for Integrated Research Infrastructure Membership
针对逻辑环未考虑物理延迟导致高直径的问题,提出DGRO方法,结合深度Q学习与图嵌入优化拓扑,并采用环选择与并行策略,显著降低了网络直径并提升了可扩展性。
2024-10-14 cs.DC
OpenFPM: A scalable open framework for particle and particle-mesh codes on parallel computers
可扩展和有效的数值模拟继续获得重要性,因为计算已被牢固地确立为发现的第三大支柱,与理论和实验并列。与此同时,计算硬件的性能通过增加异构并行性而增长,从而能够模拟越来越复杂的模型。然而,在异构的分布式硬件系统上有效地实现可扩展代码成为瓶颈。这个瓶颈可以通过中间软件层来缓解,这些软件层提供更接近问题域的更高级别的抽象,从而使计算科学家能够专注于仿真。在这里,我们提出OpenFPM,一个开放的和可扩展的框架,提供了一个抽象层的数值模拟使用粒子和/或网格。OpenFPM为离散和连续模型的纯粒子和混合粒子网格模拟以及非模拟代码的共享内存和分布式内存实现提供透明和可扩展的基础设施。该基础设施通过常用数值例程的可移植实现以及第三方库的接口来补充。我们提出的架构和设计的OpenFPM,详细的底层抽象,并基准框架的应用范围从光滑粒子流体动力学(SPH)的分子动力学(MD),离散元方法(DEM),涡方法,模板代码,高维蒙特卡罗采样(CMA-ES),和反应扩散求解器,比较它的当前状态的艺术和现有的软件框架。
2018-04-20 cs.DC cs.MS cs.SE
The MPI + CUDA Gaia AVU-GSR Parallel Solver Toward Next-generation Exascale Infrastructures
本研究通过 CUDA 将 ESA Gaia 任务的 AVU-GSR 并行求解器移植至 GPU,利用 LSQR 算法求解大规模稀疏线性方程组,在 Marconi100 集群上实现了最高约 14 倍的加速,为 Gaia 数据发布及探索预百亿亿次级行为奠定基础。
2023-08-01 astro-ph.IM cs.DC
Architecting Time-Critical Big-Data Systems
- 目前用于开发大数据应用程序的基础设施能够通过大数据分析处理大量数据,使用协作执行并行计算的机器集群。然而,目前的基础设施并不是为满足时间紧迫的应用程序的要求而设计的;它们更侧重于通用应用程序,而不是时间紧迫的应用程序。从实时系统社区的角度来解决这个问题,本文考虑了时间关键型大数据。从需求的角度对时间关键型大数据系统进行了定义,分析了一些流行的大数据应用的具体特点。支持应用程序的基础设施所带来的挑战对上述分析进行了补充,提出了一种架构,并提供了将应用程序成本与基础设施性能联系起来的初始性能模式。
2016-11-03 cs.DC
Experiences with managing data parallel computational workflows for High-throughput Fragment Molecular Orbital (FMO) Calculations
片段分子轨道(FMO)计算提供了一个框架,以加快量子力学计算,因此可以用来探索在大型和复杂的生物分子系统的结构-能量关系。这些计算仍然是繁重的,特别是当应用于大的分子集合时。因此,需要网络基础设施来提供管理作业提交、失败的作业重新提交、数据检索和用于这些计算的数据存储的机制和用户界面。由于需要快速识别可能与SARS-CoV-2(导致COVID-19的病毒)相关的靶点结合的药物,我们开发了一个带有Apache Airavata中间件的静态参数扫描框架,以应用于SARS-CoV-2 M-pro(SARS-CoV-2中的主要蛋白酶)和药物再利用文库中的2820个小分子之间形成的复合物。在这里,我们描述了我们的框架的实施管理的高通量FMO计算的执行。该方法是通用的,因此应该在生物分子系统的大规模FMO计算中找到实用程序。
2022-01-28 cs.DC physics.chem-ph
A Domain Specific Language for Performance Portable Molecular Dynamics Algorithms
分子动力学(MD)代码的开发人员面临着重大挑战时,适应现有的模拟软件包,以新的硬件。在不断多样化的硬件环境中,科学家越来越难以成为自己领域(物理/化学/生物学)的专家和低级别并行化和优化代码的专家。为了解决这一挑战,我们描述了一个“分离的关注”的方法,用于开发并行和优化的MD代码:科学专家写代码在一个高抽象级别的域特定语言(DSL),然后翻译成有效的计算机代码的科学程序员。在一个相关的上下文中,一个抽象的偏微分方程的解决方案与网格为基础的方法,最近已实施的(Py)OP 2库。受这种方法的启发,我们开发了一个Python代码生成系统,用于在不同的并行架构上进行分子动力学模拟,包括大规模并行分布式内存系统和GPU。我们通过研究其在不同硬件上的性能和可扩展性来展示自动生成代码的效率,并将其与其他最先进的仿真软件包进行比较。随着数据量的增长,从模拟中提取有物理意义的信息变得越来越具有挑战性,并且需要同样有效的实现。我们的方法的一个特别的优点是这种分析算法的容易表达。我们考虑两种流行的方法推导出的晶体结构的材料从本地环境中的每个原子,显示它们如何可以表示在我们的抽象和实现它们的代码生成框架。
2017-11-13 cs.DC cs.SE physics.comp-ph
Offloading tracing for real-time systems using a scalable cloud infrastructure
本文提出基于微服务、边缘计算、WebSockets 与 Apache Kafka 的云端追踪架构,将实时系统追踪处理卸载到云端,支持并行会话、长期监控与现场运行时分析。
2025-07-26 cs.DC
Optimizing the Performance of Reactive Molecular Dynamics Simulations for Multi-Core Architectures
反应分子动力学模拟计算量很大。达到可以观察到有趣的科学现象的空间和时间尺度,需要在现代硬件上实现高效和可扩展的实现。在本文中,我们专注于优化性能的广泛使用的LAMMPS/ReaxC包的多核架构。由于混合并行可以更好地利用节点上的并行性,我们采用线程并行性的绑定和非绑定列表的建设,并在复杂的ReaxFF交互的计算。为了减轻由于产生大量轨迹数据而产生的I/O开销,并为用户节省后处理的负担,我们还开发了一种用于分子种类分析的新型原位工具。我们分析了所得到的ReaxC-OMP包的米拉,IBM蓝色基因/Q超级计算机上的性能。对于尺寸从3.2万到1660万颗粒的PETN系统,我们观察到1.5- 4.5倍的加速。我们观察到Mira高达262,144个核心(1,048,576个进程)的持续性能改进,以及在包含1660万个粒子的大型模拟中91.5%的弱缩放效率。原位分子种类分析工具在各种系统尺寸和运行配置中仅引起微不足道的开销。
2017-06-23 cs.DC cs.PF
Simulating LLM training workloads for heterogeneous compute and network infrastructure
针对现有LLM训练模拟器假设同构基础设施的局限,本文提出异构感知的分布式模拟器,支持自定义设备组配置,以预测异构环境下的训练时间并评估其影响。
2025-08-07 cs.DC
Avoiding Serialization Effects in Data-Dependency aware Task Parallel Algorithms for Spatial Decomposition
空间分解是并行代码的一个流行基础。在任务并行的框架下,空间域上的计算可以被视为一个任务。如果相邻的域交互并共享结果,则需要同步对特定数据的访问,以避免竞争条件。这是各种应用的情况,如大多数分子动力学和许多计算流体动力学代码。在这里,我们提出了一个意想不到的问题,可能会发生在依赖驱动的任务并行化模型,如StarSs:访问特定空间域的任务被视为相互依赖的,依赖关系通过内存地址自动检测。因此,任务生成的顺序将对依赖关系树产生严重影响。在最坏的情况下,会达到完整的串行化,并且不能并行计算两个任务。我们提出了详细的问题的基础上,从分子动力学的一个例子,并介绍了一个理论框架来计算的程度序列化。此外,我们提出的策略,以避免这种不必要的问题。我们建议将这些策略作为在此类场景中使用依赖驱动的任务并行编程模型(如StarSs)时的最佳实践。
2014-01-17 cs.DC
Cyclic Data Streaming on GPUs for Short Range Stencils Applied to Molecular Dynamics
提出一种基于GPU间高带宽通信的循环数据流框架,通过时间维度并行化实现显式算法的线性性能扩展,在分子动力学模拟的强扩展性上超越LAMMPS。
2025-07-15 cs.DC cs.PF
Detecting Straggler MapReduce Tasks in Big Data Processing Infrastructure by Neural Network
掉队任务检测是应用MapReduce并行化和分布式大规模数据处理的主要挑战之一。它被定义为检测弱节点上正在运行的任务。考虑Map阶段中的两个阶段copy、combine和Reduce shuffle、sort和reduce三个阶段,总执行时间就是这五个阶段执行时间的总和。本文的主要目的是估计每个阶段的正确执行时间,从而得出正确的总执行时间。所提出的方法是基于应用程序的反向传播神经网络神经网络在Hadoop上的落后任务的检测,估计剩余的执行时间的任务,这是非常重要的落后任务检测。所取得的结果已与该领域的流行算法(例如LATE、ESAMR以及WordCount和Sort基准的实际剩余时间)进行了比较,并表明能够检测落后任务并准确估计执行时间。此外,它还支持加速任务执行时间。
2020-04-13 cs.DC cs.SY eess.SY
Scaling Distributed Training of Flood-Filling Networks on HPC Infrastructure for Brain Mapping
The University of Chicago(芝加哥大学);Argonne National Laboratory(阿贡国家实验室)
映射大脑中的所有神经元需要从体积电子显微镜数据自动重建整个细胞。洪水填充网络(FFN)架构已经证明了从这些数据中分割结构的领先性能。然而,网络的训练在计算上是昂贵的。为了减少训练时间,我们使用Horovod库实现了同步和数据并行的分布式训练,这与已发布的FFN代码中使用的异步训练方案不同。我们证明了我们的分布式训练可以扩展到Theta超级计算机上的2048个Intel Knights Landing(KNL)节点。我们训练的模型达到了相似的推理性能水平,但与以前的方法相比,训练时间更短。我们关于不同批量大小对FFN训练的影响的研究为进一步提高训练效率提供了方法。我们的最佳学习率和批量大小的研究结果与以前的作品。
2019-12-09 cs.DC cs.LG eess.IV