Minions: Accelerating Large Language Model Inference with Aggregated Speculative Execution
针对大语言模型自回归推理效率低、现有投机解码接受率不足的问题,本文提出Minions系统,通过多小型投机模型多数投票、自适应投机长度与流水线机制,实现了更优的推理吞吐量与延迟表现。
2024-10-30 cs.DC
Accelerating Blockchain Scalability: New Models for Parallel Transaction Execution in the EVM
本文针对 Ethereum 顺序处理导致的扩展瓶颈,提出由三种独立方法构成的新方案,通过策略性预定交易状态访问及引入基于 gas 的激励机制,实现 EVM 内最大程度的并行交易执行。
2025-04-02 cs.CE cs.DC cs.GT
Accelerating Python Applications with Dask and ProxyStore
本文研究将中间件 ProxyStore 与分布式计算库 Dask Distributed 集成,通过高级引用传递范式优化数据流管理,解决 Dask 在数据密集型工作流中的扩展性限制,并在基准测试和实际应用中实现性能提升。
2024-10-17 cs.DC
Accelerating the Execution of Matrix Languages on the Cell Broadband Engine Architecture
矩阵语言,包括MATLAB和Octave,是科学和工程应用的既定标准。它们提供了交互式编程环境,由于它们的脚本语言具有矩阵数据类型,因此易于使用。矩阵语言的当前实现没有充分利用高性能、专用芯片架构,例如IBM PowerXCell处理器(Cell),该处理器目前用于世界上最快的计算机。我们提出了一个新的框架,扩展Octave利用细胞的计算能力。有了这个框架,程序员就不必再引入明确的并行性概念。相反,程序员使用一种新的矩阵数据类型,在Cell的协同处理元素(SPE)上并行执行矩阵操作。我们采用懒惰的评估语义为我们的新矩阵数据类型,以获得矩阵操作的执行轨迹。跟踪被转换为数据依赖图;数据依赖图中的操作被降低(分成子矩阵),在SPE上调度和执行。由此我们开发了矩阵语言程序的(1)数据并行,(2)指令级并行,(3)流水线并行和(4)任务并行。我们进行了大量的实验,以证明我们的方法的有效性。我们的基于Cell的实现在最新的Intel Core 2 Quad处理器上运行的代码上实现了高达12倍的加速。
2009-11-14 cs.DC cs.PL
Accelerating Mobile Inference through Fine-Grained CPU-GPU Co-Execution
University of Southern California(南加州大学)
本文提出利用细粒度CPU-GPU协同执行机制,通过轻量级同步机制和机器学习模型提升移动设备推理速度,实现线性层和卷积层的加速效果
2026-02-18 cs.DC cs.LG cs.PF
Zepp: Accelerating Distributed MoE Serving under Relaxed Balance Constraints
UCSD(加州大学圣地亚哥分校);Stanford University(斯坦福大学);ETH Zürich(苏黎世联邦理工学院);NVIDIA(英伟达)
Zepp将平衡视为约束而非目标,通过分阶段优化通信等技术,实现分布式MoE服务的高效执行,在7种基准系统中最高获6.68倍MoE层加速、几何平均1.86倍加速。
2026-10-12 cs.DC
Accelerating Intra-Node GPU-to-GPU Communication Through Multi-Path Transfers with CUDA Graphs
Queen’s University(女王大学)
本文提出利用CUDA图与UCX框架结合,通过多路径提升GPU通信效率,实验显示在多路径下实现2.95倍带宽提升。
2026-04-27 cs.DC
Accelerating QDP++/Chroma on GPUs
提供了对QCD数据并行接口的C++实现的扩展,从而能够加速NVIDIA GPU上的表达式计算。利用便携式表达式模板引擎并使用实时编译技术,将单个表达式卸载到设备内存和执行域。内存管理是由控制GPU内存的缓存的软件实现自动化的。与现有的Krylov空间求解器的互操作性进行了演示,并特别注意“色度准备”。格点量子色动力学计算中的非核心例程通常不受手动调谐优化的加速,这可以减少Amdahl定律的影响。
2011-11-23 cs.DC hep-lat
AdaptGear: Accelerating GNN Training via Adaptive Subgraph-Level Kernels on GPUs
Shanghai Jiao Tong University(上海交通大学);Shanghai Qi Zhi Institute(上海期智研究院)
AdaptGear提出利用子图层级密度特征定制内核并动态选择最优内核集合,以平衡稀疏性收益与执行效率,在NVIDIA GPU上实现GNN训练最高6.49倍加速。
2023-05-27 cs.DC cs.LG
ShoreKeeper: Accelerating Iterative Data Analytics in the Cloud via Distributed Recovery-Cost-Aware Caching
POSTECH(浦项工科大学);Amazon Web Services(亚马逊云服务)
ShoreKeeper是将集群内存视为统一弹性池的框架,通过全局优化模型和图剪枝技术降低数据恢复成本,在各类云实例上运行,性能优于现有最先进系统。
2026-10-12 cs.DC
Accelerating discovery across scientific disciplines through reproducible workflows with AiiDAlab
Centre for Computational Chemistry, School of Chemistry, University of Bristol(布里斯托大学化学学院计算化学中心);PSI Center for Scientific Computing, Theory and Data, Paul Scherrer Institute(保罗谢尔研究所科学计算、理论与数据中心);Department of Information Technology and Electrical Engineering, ETH Zurich(苏黎世联邦理工学院信息技术与电气工程系);PSI Center for Neutron and Muon Sciences, Paul Scherrer Institute(保罗谢尔研究所中子与缪子科学中心)
提出基于Jupyter和AiiDA的AiiDAlab平台,通过用户友好的应用和完整溯源追踪,简化复杂计算工作流的设置、执行与分析,从而加速跨学科科学发现。
2026-05-26 cond-mat.mtrl-sci cs.DC
Accelerating PageRank using Partition-Centric Processing
PageRank是一种基本的链接分析算法,也是稀疏矩阵向量(SpMV)乘法性能的关键代表。传统的PageRank实现会产生细粒度的随机内存访问,导致大量浪费的DRAM流量和较差的带宽利用率。在本文中,我们提出了一种新的分区为中心的处理方法(PCPM)来计算PageRank,大大减少了DRAM的通信量,同时实现高持续的内存带宽。PCPM使用以分区为中心的抽象,并结合Gather-Apply-Scatter(GAS)编程模型。通过仔细研究如何PCPM的实现影响算法的通信特性,我们提出了几个系统优化,大大提高了执行时间。更具体地说,我们开发了(1)一种新的数据布局,大大减少了通信和随机DRAM访问,以及(2)分支避免机制,以摆脱不可预测的数据相关分支。我们进行详细的分析和实验评估,我们的方法使用6个大型图,并证明了平均2.7倍的执行时间加速和1.7倍的通信量减少,相比最先进的。我们还表明,与其他基于GAS的实现,PCPM是能够进一步减少主内存流量,利用智能节点标签,提高本地化。虽然我们使用PageRank作为本文的目标应用程序,我们的方法可以应用到通用的SpMV计算。
2018-08-06 cs.DC cs.DS cs.PF
PAT: Accelerating LLM Decoding via Prefix-Aware Attention with Resource Efficient Multi-Tile Kernel
本文提出PAT,一种基于前缀感知的注意力内核,通过包前向合并范式减少内存访问,提升资源利用率,降低解码延迟和TPOT。
2026-03-16 cs.CL cs.DC
Accelerating the Dutch Atmospheric Large-Eddy Simulation (DALES) model with OpenACC
本文通过OpenACC将DALES模型移植到GPU,评估了性能、弱扩展性及在A100/H100上的可移植性,并利用Kernel Tuner优化内核。
2025-02-21 cs.CE cs.DC physics.ao-ph
Accelerating advection for atmospheric modelling on Xilinx and Intel FPGAs
可重新配置的架构,例如FPGA,使代码能够在电子级别执行,避免了CPU和GPU的通用黑盒微架构所强加的假设。这种量身定制的执行可以提高性能和能效,随着HPC社区向百亿亿级发展,一个重要的问题是这种硬件技术在未来的超级计算机中可以发挥什么作用。在本文中,我们将探讨移植的PW平流内核,一个重要的代码组件,用于各种大气模拟和占约40\%的流行的气象局NERC云模型(MONC)的运行时间。基于之前将该内核移植到老一代Xilinx FPGA的工作,我们针对最新一代Xilinx Alveo U280和Intel Stratix 10 FPGA。探索在供应商之间性能可移植的数据流设计的开发,然后描述工具链之间的实现差异,并比较FPGA硬件之间的内核性能。接下来是一个更一般的性能比较,扩展Xilinx Alveo和Intel Stratix 10上的内核数量,与24核Xeon Platinum Cascade Lake CPU和NVIDIA Tesla V100 GPU进行比较。当将数据传输与计算重叠时,FPGA解决方案的性能大大优于CPU,虽然在性能方面低于GPU,但表现出功耗优势,Alveo特别节能。这项工作的结果是一个比较和一套设计技术,适用于这一特定的大气平流内核Xilinx和英特尔FPGA,也更广泛的兴趣时,希望加速HPC代码的各种可重构架构。
2021-07-28 cs.DC cs.MS
Accelerating Depthwise Separable Convolutions on Ultra-Low-Power Devices
Politecnico di Torino(都灵理工大学)
针对深度可分离卷积在超低功耗设备上部署难的问题,通过融合深度核与逐点核、组合数据布局减少内存传输,在GreenWaves GAP8 SoC上实现了最高11.40%的延迟降低和52.97%的激活数据移动量减少。
2024-06-18 cs.DC cs.LG
Accelerating Lattice QCD Simulations using GPUs
本文研究如何利用GPU加速格点QCD模拟中内存受限的DDalphaAMG求解器,提出多元组存储方案优化GPU内存访问,在大型格点上Wilson-Dirac算子实现约3倍加速,并指出GPU加速需大规模问题才能超越CPU。
2024-05-29 cs.DC cs.DS hep-lat
Accelerating wave-propagation algorithms with adaptive mesh refinement using the Graphics Processing Unit (GPU)
Clawpack是一个使用基于黎曼解算器和限制器的高分辨率有限体积法求解非线性双曲型偏微分方程的库。它支持自适应网格细化(AMR),这在解决多尺度问题中至关重要。最近,我们增加了使用图形处理单元(GPU)加速代码的功能。添加了管理CPU和GPU AMR数据并促进GPU内核执行的工具。定制和CPU线程安全内存管理器旨在管理GPU和CPU内存池,这对于消除内存分配和释放的开销至关重要。该算法在每个时间步进行全局约简,根据柯朗数约束动态调整时间步。一些小的GPU内核被合并到更大的内核中,这大大降低了内核启动开销。在声学基准问题中观察到$2$和$3$之间的总运行时间的加速。
2018-08-08 cs.DC cs.MS cs.NA
ScissionLite: Accelerating Distributed Deep Neural Networks Using Transfer Layer
Chung-Ang University(中央大学)
工业物联网(IIoT)应用可以从利用边缘计算中受益。例如,由深度神经网络(DNN)模型支持的应用可以被切片并分布在IIoT设备和网络边缘上,以提高推理的整体性能并增强输入数据(例如工业产品图像)的隐私。然而,IIoT设备和边缘之间的低网络性能往往是一个瓶颈。在这项研究中,我们开发了ScissionLite,这是一个使用传输层(TL)加速分布式DNN推理的整体框架。TL是插入DNN模型切片的最佳切片点之间的流量感知层,以减少出站网络流量而不会显着降低准确性。对于TL,我们为性能受限的IIoT设备实现了一个新的轻量级下采样/上采样网络。在ScissionLite中,我们开发了ScissionTL、预处理器和卸载器,用于使用TL部署DNN切片的端到端活动。他们决定DNN的最佳切片点,准备包括TL在内的预训练DNN切片,并在IIoT设备和边缘上执行DNN切片。将TL用于切片DNN模型的开销可以忽略不计。与在本地设备上执行和现有的最先进的模型切片方法相比,ScissionLite将推理延迟分别提高了16倍和2.8倍。
2021-05-05 cs.AI cs.DC
Accelerating Exact and Approximate Inference for (Distributed) Discrete Optimization with GPUs
University of Michigan(密歇根大学);New Mexico State University(新墨西哥州立大学);University of California, Irvine(加利福尼亚大学尔湾分校)
离散优化问题是人工智能的核心问题。成本函数网络的聚合成本的优化出现在各种问题中,包括(W)CSP,DCOP,以及随机变量中的优化,例如在信念网络中找到最可能解释(MPE)的任务。基于推理的算法是解决离散优化问题的强大技术,可以单独使用或与其他技术结合使用。然而,它们的适用性往往受到其计算密集型性质和空间要求的限制。本文提出了一种新的推理为基础的技术,利用现代大规模并行架构,如图形处理单元(GPU),以加快精确和近似推理为基础的离散优化算法的分辨率的设计和实现。本文研究了所提出的算法在集中式和分布式优化上下文中。该文件表明,GPU的使用提供了显着的优势,在运行时间和可扩展性方面,实现了两个数量级的加速,并显示出相当大的减少执行时间(高达345倍的速度)相对于顺序版本。
2017-06-16 cs.AI cs.DC
Accelerating DNA Read Mapping with Digital Processing-in-Memory
本文提出DART-PIM框架,利用数字存内处理端到端加速DNA读段映射全过程,在真实基因组数据上相比GPU和PIM实现分别获得5.7倍和257倍吞吐量提升及92倍和27倍能效提升。
2024-11-20 cs.AR cs.DC q-bio.QM
JAMPI: efficient matrix multiplication in Spark using Barrier Execution Mode
Apache Spark中的新屏障模式允许将分布式深度学习训练作为Spark阶段嵌入,以简化分布式训练工作流程。在Spark中,一个阶段中的任务不依赖于同一阶段中的任何其他任务,因此可以独立调度。然而,一些算法需要更复杂的任务间通信,类似于MPI范例。通过结合分布式消息传递(使用异步网络IO),OpenJDK的新自动向量化和Spark的屏障执行模式,我们可以添加非map/reduce算法,例如Cannon的分布式矩阵乘法到Spark。我们记录了一个有效的分布式矩阵乘法使用坎农的算法,显着提高现有的MLlib实现的性能。在屏障任务中使用,本文所述的算法在10,000 × 10,000的方阵上导致高达24%的性能提高,同时显著降低内存占用。高效矩阵乘法的应用包括加速基于深度卷积神经网络的工作负载的训练和实现,因此这种高效算法可以在更快、更高效地执行甚至最复杂的机器学习任务方面发挥开创性的作用。
2020-06-27 cs.DC cs.DS stat.ML