High Performance Optimization at the Door of the Exascale
追求处理速度的潜力。事实上,我们总是得到技术上可用的计算能力的一小部分(所谓的{ \em理论峰值}),并且差距很可能与目标系统的硬件复杂性密切相关。在这种复杂性的关键方面,我们有:{ \em异构}的计算单元,{ \em存储层次结构和分区},包括非统一内存访问(NUMA)配置,和{ \em互连}的计算节点之间的数据交换。科学调查和尖端技术活动最好应扩大规模,以保持业绩。解决(大规模)问题的定量方法的特殊情况值得特别关注。事实上,大多数常见的现实生活中的问题,即使考虑到人工智能范式,依赖于优化技术的算法解决方案的主要核心。数学编程和纯组合方法不容易在大规模超级计算机上有效地实现,这是因为{ \em不规则控制流}、{\em复杂存储器访问模式}、{ \em异构内核}、{ \em数值问题}等等。我们从大型超级计算机的角度来描述和检查我们的想法。
2021-06-22 cs.DC
Shall numerical astrophysics step into the era of Exascale computing?
高性能计算数值模拟是当今实施和研究新理论模型的更有效工具之一,在任何科学实验的准备阶段和操作阶段都是强制性的。宇宙学和天体物理学的新挑战将需要大量新的计算密集型模拟来研究不同尺度的物理过程。此外,新一代观测设施的规模和复杂性也意味着新一代高性能数据简化和分析工具将推动使用Exascale计算能力。目前还无法生产出亿亿万级的超级计算机。我们讨论了在设计,开发和使用这种计算能力的主要技术挑战,我们将报告在过去几年中在欧洲取得的进展,特别是在ExaNeSt欧洲资助项目的框架。我们还讨论了这种新的计算资源的天文学和天体物理学的数值代码的影响。
2019-04-26 astro-ph.IM cs.DC
Performance Analysis of HPC applications on the Aurora Supercomputer: Exploring the Impact of HBM-Enabled Intel Xeon Max CPUs
本文分析了Aurora超级计算机上HBM与DDR内存系统的性能权衡,通过微基准测试和HPC应用评估不同内存与集群模式对带宽和延迟的影响,为百亿亿次系统用户提供最佳内存配置选择指导。
2025-04-04 cs.AR cs.DC cs.PF
Employing Artificial Intelligence to Steer Exascale Workflows with Colmena
Argonne National Laboratory(阿贡国家实验室);University of Chicago(芝加哥大学)
本文介绍了 Colmena 框架,通过基于智能体的 AI 指导模型自适应调整百亿亿次级计算工作流,克服了节点利用率与通信开销等扩展挑战,推动了化学、生物物理和材料科学领域的科学进展。
2024-08-26 cs.DC cs.LG
Asynchronous-Many-Task Systems: Challenges and Opportunities -- Scaling an AMR Astrophysics Code on Exascale machines using Kokkos and HPX
University of Stuttgart(斯图加特大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Oak Ridge National Laboratory(橡树岭国家实验室);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);NVIDIA Helsinki Oy(英伟达赫尔辛基公司);Louisiana State University(路易斯安那州立大学);RIKEN Center for Computational Science(理化学研究所计算科学中心)
针对异构超级计算机上自适应网格细化代码的性能可移植性挑战,提出基于Kokkos、HPX和SIMD的Octo-Tiger系统,在Perlmutter和Frontier上实现高并行效率,验证了异步多任务方法的可扩展性。
2025-09-11 cs.DC
Application-Driven Exascale: The JUPITER Benchmark Suite
本文提出面向欧洲首台百亿亿次超算JUPITER采购的JUPITER基准测试套件,集成16个真实应用,通过需求分析、可扩展性研究和开源发布,为开放科学与可复现性提供应用驱动的评测基础。
2024-08-30 cs.AR cs.DC cs.PF
Julia as a unifying end-to-end workflow language on the Frontier exascale system
该研究在Frontier上评估Julia端到端HPC工作流能力,涵盖GPU模板计算、MPI扩展、ADIOS2并行I/O与Jupyter分析,验证其高生产率及接近零绑定开销。
2023-09-28 cs.DC cs.PL
LAMMPS-KOKKOS: Performance Portable Molecular Dynamics Across Exascale Architectures
Sandia National Laboratories(桑迪亚国家实验室);NVIDIA Corporation(英伟达公司)
本文探讨LAMMPS通过集成Kokkos性能可移植库适配异构计算环境,研究三类原子间势的性能可移植性,展示不同GPU及三台百亿亿次机器的性能结果与强扩展性。
2025-09-24 cs.DC cs.PF physics.comp-ph
Towards Exascale for Wind Energy Simulations
我们研究大涡模拟建模方法和计算性能的两个开源的计算流体动力学代码的模拟大气边界层(ABL)的流动,是直接相关的风能生产。第一个是NekRS,一个高阶的,非结构化网格,光谱元素代码。第二,AMR-Wind,是一个块结构的,二阶有限体积的自适应网格细化能力的代码。本研究的目的是共同开发这些代码,以提高模型的保真度和性能。这些功能对于在先进的计算架构上运行基于ABL的应用程序(如风电场分析)至关重要。为此,我们研究了NekRS和AMR-Wind在橡树岭领导力设施超级计算机Summit上的性能,使用4到800个节点(24到4,800个NVIDIA V100 GPU),以及Crusher,Frontier exascale系统的测试平台,使用AMD MI250 X GPU上的18到384个图形计算芯片。我们比较强和弱的缩放能力,线性求解器的性能,和解决方案的时间。我们还确定了领先的抑制剂平行缩放。
2022-09-30 cs.CE cs.DC cs.PF
Exascale Deep Learning for Scientific Inverse Problems
Oak Ridge National Laboratory(橡树岭国家实验室);NVIDIA(英伟达);Uber Technologies, Inc.(优步技术公司)
我们在同步分布式深度学习中引入了新的通信策略,包括分散的梯度约简编排和梯度张量的计算图感知分组。这些新技术在计算和通信之间产生了最佳的重叠,并在Summit超级计算机上实现了近线性缩放(0.93)的分布式训练,最多可达27,600个NVIDIA V100 GPU。我们展示了我们的梯度降低技术的背景下,训练一个完全卷积神经网络,以近似解决一个长期存在的科学逆问题,在材料成像。在0.5 PB的数据集大小上进行有效的分布式训练,产生能够对材料进行原子级精确重建的模型,并且在此过程中达到2.15(4)EFLOPS $_{16}$的峰值性能。
2019-09-24 cond-mat.mtrl-sci cs.DC cs.LG
Still Unsolved High-Performance Computing Challenges for up to Pre-Petascale Homogeneous Supercomputers
根据HPLinpack基准测试,兆兆级前的高性能计算机(HPC)的实际性能可以达到400 Pflop/s以上。对于纳米科学和量子生物学来说,要求那些基于量子物理算法的程序代码难以理想地并行化。这样的并行代码在万亿级性能集群上达到了它们的极限。标准的Amdahl定律对代码并行化的建议使并行代码开发的下一步的重点和计划变得复杂。在这份报告中,我们集中在三个关键的应用领域,这是高度并行化:HPC基准,量子计算模拟器和汽车Parinello分子动力学。根据计算结果,我们总结了Amdahl定律和并行加速比的性能成就与超级计算机与前千万亿次同构HPC硬件。我们得出结论,作为一个通用的计算机,前千万亿次超级计算性能同构硬件仍然有基本的挑战,必须解决的研究人员或开发人员,以有效地使用它们。
2022-10-03 cs.DC physics.comp-ph
Resilience for Exascale Enabled Multigrid Methods
随着部件数量的增加和进一步小型化,超级计算机的平均故障间隔时间将缩短。系统级的容错技术是昂贵的并且耗费能量,因为它们通常基于冗余。此外,当将系统状态存储到备份存储器的时间变得过多时,经典的检查点重启技术达到其极限。因此,基于算法的容错机制可以成为一个有吸引力的替代方案。本文研究椭圆型偏微分方程的有限元离散解法。故障发生在并行几何多重网格求解器进行了研究,在各种模型的情况下。在标准的域划分方法中,核心或节点的故障的影响将影响一个或多个子域。不同的策略开发,以补偿这种故障的算法的影响。恢复是通过解决一个局部子问题的Dirichlet边界条件,使用局部多重网格循环算法。此外,我们提出了一个超人的战略,额外的计算能力,以尽量减少恢复过程的时间。
2015-01-29 cs.CE cs.DC
Optimizing High-Performance Linpack for Exascale Accelerated Architectures
本文介绍 AMD 开源 rocHPL 面向 Frontier 等百亿亿次加速架构的优化,通过 GPU 与 CPU 协同、多线程面板分解、CPU 核心分时及隐藏 MPI 通信提升 HPL 性能,并在单节点和多节点上验证扩展效果。
2023-04-20 cs.DC cs.NA math.NA
Experiences Readying Applications for Exascale
本文总结了为OLCF的Frontier百亿亿次系统准备科学应用的四年经验,涵盖软件可编程性、调优、可移植性等关键问题,评估了早期访问系统的开发作用,并介绍了最佳实践的传播方式与未来系统应用就绪的建议。
2023-10-02 cs.DC
Scaling the memory wall using mixed-precision -- HPG-MxP on an exascale machine
本研究针对百亿亿次系统提出了高度优化的 HPG-MxP 基准测试实现及算法增强,首次在现代基于 GPU 的超级计算机上利用双精度与单精度结合实现了 1.6 倍的加速。
2025-07-15 cs.DC cs.NA cs.PF
Optimizing High Performance Markov Clustering for Pre-Exascale Architectures
HipMCL是流行的马尔可夫聚类算法(MCL)的高性能分布式内存实现,可以使用几千个配备CPU的节点在数小时内对大规模网络进行聚类。它依赖于稀疏矩阵计算,并大量使用稀疏矩阵-稀疏矩阵乘法内核(SpGEMM)。HipMCL中现有的并行算法不能扩展到Exascale架构,这既是因为它们的通信成本在大并发时占主导地位,也是因为它们无法利用越来越受欢迎的加速器。在这项工作中,我们系统地消除HipMCL的可扩展性和性能瓶颈。我们通过在GPU上执行MCL算法的昂贵扩展阶段来启用GPU。我们提出了一个CPU-GPU联合分布式SpGEMM算法称为流水线稀疏SUMMA和集成的概率内存需求估计,是快速和准确的。我们提出了一种新的合并算法,对GPU产生的部分结果进行增量处理,提高了重叠效率和峰值内存使用率。我们还集成了一个最近的和更快的算法在CPU上执行SpGEMM。我们通过广泛的评估来验证我们的新算法和优化。通过启用GPU和集成新算法,HipMCL的速度提高了12.4倍,能够使用ORNL的Summit超级计算机的1024个节点在不到15分钟的时间内将7000万蛋白质和680亿个连接的网络集群化。
2020-02-24 cs.DC
Recovery of Distributed Iterative Solvers for Linear Systems Using Non-Volatile RAM
HPC系统是科学研究的关键资源。对计算能力和存储器的需求不断增加,迎来了亿亿次时代,在这个时代,超级计算机被设计为提供巨大的计算能力来满足这些需求。这些复杂的超级计算机由许多计算节点组成,因此预计会遇到频繁的故障和崩溃。数学求解器,特别是迭代线性求解器是许多大规模科学应用中的关键构建块。因此,支持分布式求解器的恢复对于将科学应用扩展到exascale平台是必要的。以前的迭代求解器的恢复方法是基于检查点重新启动(CR),这会导致高的容错开销,或内在的容错,这需要额外的计算时间来收敛失败后。精确状态重构(ESR)被提出作为一种替代机制,以减轻频繁故障对长期计算的影响。ESR已被证明可以提供计算状态的精确重建,同时避免了昂贵的检查点的需要。然而,ESR目前依赖于易失性存储器来实现容错,因此必须在多个节点的RAM中保持冗余,从而导致高存储器和网络开销。最近的超级计算机设计以新兴的非易失性RAM(NVRAM)技术为特征。本文研究了如何利用NVRAM来设计一种基于增强型ESR的恢复机制,该机制更高效,并提供完全的恢复能力。我们的机制,称为in-NVRAM ESR,是基于一种新的MPI单边通信(OSC)在RDMA的实现,并提供充分的弹性,同时显着减少内存占用和时间开销相比,原始的ESR设计(in-RAM ESR)。
2022-08-09 cs.DC
Simulating the weak death of the neutron in a femtoscale universe with near-Exascale computing
被称为量子色动力学(QCD)的基本粒子理论决定了质子和中子的一切,从它们的内在属性到将它们结合成原子核的相互作用。无法通过实验完全解决的问题,例如中子寿命(其精确值对于使太阳发光和生命成为可能的光原子元素的存在很重要),可以通过QCD的数值解来理解。我们用格点规范理论直接求解QCD,并计算了中子寿命等核观测量。我们已经开发了一种改进的算法,指数减少的时间解决方案,并将其应用于新的珊瑚超级计算机,塞拉利昂和首脑会议。我们使用运行时自动调优来分配GPU资源,在低节点数下实现20%的性能。我们还通过作业管理器开发了最佳应用程序映射,允许CPU和GPU作业交错,当部署在CORAL的大部分区域时,可获得15%的峰值性能。
2018-10-10 cs.DC hep-lat nucl-th
Introducing MareNostrum5: A European pre-exascale energy-efficient system designed to serve a broad spectrum of scientific workloads
本文介绍欧洲前百亿亿次级超级计算机 MareNostrum5 的混合架构,并通过微基准、HPC 基准及应用测试评估其可扩展性、能效和内存性能,为用户优化工作负载提供指导。
2025-03-13 cs.DC cs.PF
Challenges in Automatic Software Optimization: the Energy Efficiency Case
本文以能源效率为例,探讨自动软件优化面临的挑战,指出能源感知代码的必要性,并提出未来在两种粒度上进行能源优化的研究方向。
2023-05-10 cs.DC
Characterizing GPU Energy Usage in Exascale-Ready Portable Science Applications
Oak Ridge National Laboratory(橡树岭国家实验室);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, Davis(加州大学戴维斯分校)
本文研究了适用于exascale的便携式科学应用中GPU能耗的特征,通过混合精度基准测试分析了QMCPACK和AMReXCastro的能耗与性能权衡,发现混合精度可节省6-45%的能耗。
2025-11-26 cs.CE cs.DC cs.PF
Enabling GPU Accelerated Computing in the SUNDIALS Time Integration Library
作为Exascale Computing Project(ECP)的一部分,非线性和差分/代数方程求解器套件(SUNDIALS)最近的开发重点是在极端尺度下的科学应用中实现GPU加速的时间积分。这一努力导致了几个新的GPU启用的实现核心SUNDIALS数据结构,支持编程范式,这是意识到异构体系结构,并引入实用程序,以提供新的灵活性点。在本文中,我们讨论了我们的考虑,内部和外部,当设计这些新功能,并提出自己的功能。我们还介绍了Summit超级计算机和Frontier超级计算机的抢先体验硬件上的几个功能的性能结果,这些结果表明,使用NVIDIA和AMD GPU时,额外的基础设施和显着的加速带来的性能开销可以忽略不计。
2021-12-08 cs.DC cs.MS
4D Parallelism Unlocks Exascale Bayesian Neural Networks for High-Fidelity Atmospheric Modeling
Karlsruhe Institute for Technology(卡尔斯鲁厄理工学院);CSC – IT Center for Science Ltd.(CSC信息技术中心有限公司);NVIDIA(英伟达)
本文提出BEAST,首个贝叶斯Swin Transformer,通过4D并行化在百亿亿次超算上高效训练,实现高分辨率大气建模与不确定性量化,性能超越现有AI模型。
2026-09-14 cs.AI cs.DC cs.LG
Conceptual and Technical Challenges for High Performance Computing
高性能计算(HPC)旨在为科学和现实生活中的问题提供合理快速的计算解决方案。多核架构的出现在HPC历史上是引人注目的,因为它将底层的并行编程概念带入了共同的考虑。在更大的范围内,人们对构建或托管前线超级计算机有着浓厚的兴趣; Top500排名很好地说明了这种(隐含的)竞赛。超级计算机和普通计算机一样,在获得处理能力的同时,价格多年来一直在下降。我们清楚地看到,当谈到HPC时,通常会想到的是计算机能力。然而,当深入研究该主题时,特别是在大规模问题上,处理速度本身似乎不再足够。事实上,HPC用户真正关心的是输出时间。因此,我们需要研究输入和输出之间的关键路线中的每个重要方面。第一步显然是方法,这是建模与特定考虑(假设,简化,约束,仅举几例)和相应算法的结合,可以是数值和/或非数值。然后是编程的主题,这应该会产生一个巧妙的映射算法到HPC机器。基于多核处理器,可能通过加速单元增强,当前一代超级计算机被评为提供不断增长的峰值性能,Exascale时代是当前的地平线。然而,获得可用峰值性能的高分数越来越困难。设计一个高效的代码,在超级计算机上很好地扩展是一个不平凡的任务。本说明将讨论上述各点,并结合文献中的评论和我们个人的意见。
2020-10-06 cs.DC
HPDR: High-Performance Portable Scientific Data Reduction Framework
本文提出高性能可移植数据缩减框架 HPDR,通过支持多处理器架构并优化内存传输与多 GPU 扩展,在 Frontier 超算上实现 103 TB/s 吞吐量和最高 4 倍并行 I/O 加速。
2025-03-08 cs.DC
Exploring the Frontiers of Energy Efficiency using Power Management at System Scale
本文提出遥测数据驱动的节能预测方法,结合GPU基准测试分析应用功耗,并在Frontier超级计算机上验证,揭示资源受限作业最高可节能8.5%且不影响性能。
2024-08-02 cs.DC
Exploring the Vision Processing Unit as Co-processor for Inference
亿亿次超级计算机的成功在很大程度上受到争议,认为它仍然依赖于有效降低功耗和散热要求的技术新突破。在这项工作中,我们考虑在高性能计算(HPC)的协处理器的集成,使低功耗,无缝计算卸载某些操作。特别是,我们探索了所谓的视觉处理单元(VPU),这是一种高度并行的矢量处理器,其功率包络小于1W。我们在推理过程中使用预先训练的GoogLeNet卷积网络模型和ImageNet ILSVRC挑战中的大型图像数据集来评估该芯片。初步结果表明,与参考CPU和GPU实现相比,多VPU配置提供了类似的性能,同时将热设计功耗(TDP)降低了8倍。
2018-10-09 cs.DC
AMRIC: A Novel In Situ Lossy Compression Framework for Efficient I/O in Adaptive Mesh Refinement Applications
本研究针对超级计算中AMR应用与误差有界有损压缩协同不足的问题,提出采用HDF5过滤器的AMRIC原位有损压缩框架,在Summit超算上验证可显著提升压缩比与I/O性能。
2023-07-13 cs.DC
Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所 processors 国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Independent Researcher(独立研究者);Sun Yat-Sen University(中山大学)
本文提出MatRIS-MoE和Janus框架,解决十亿参数uMLIP训练中的高维分布式训练与计算效率问题,将训练时间从周缩短至小时,为AI4S基础模型树立新标杆。
2026-04-17 cs.DC cs.LG
A Scalable Pattern Mining Workflow for Interpretable Machine Log Analysis in High-Performance Computing Environments
Argonne National Laboratory(阿贡国家实验室);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
研究高性能计算环境中机器日志分析问题,结合先进模式匹配与挖掘技术,利用系统层次结构和消息优先级提取模式序列,关联聚类错误序列与作业日志,经案例研究证明该方法可释放日志数据潜力,助力HPC系统优化。
2026-07-22 cs.DC
Challenges and Considerations for Utilizing Burst Buffers in High-Performance Computing
随着高性能计算(HPC)进入亿亿次时代,计算机科学家和工程师必须找到传输和处理前所未有的数据量的创新方法。随着在这些机器上运行的应用程序的规模和复杂性的增加,它们的交互和数据交换的成本(在延迟、能量、运行时间等方面)会呈指数级增长为了解决I/O协调和通信问题,计算供应商正在开发计算节点与由不同类型的存储器(NVRAM、DRAM、SSD)组成的并行文件系统之间的中间层。这些大规模的存储器设备被称为“突发缓冲器”。“在本文中,我们设想了HPC硬件的各种级别的高级内存,并推导出如何利用它的潜在用例。然后,我们提出了在下一代超级计算机中使用突发缓冲区时出现的挑战和问题,并将挑战映射到用例。最后,我们讨论了新兴的最先进的突发缓冲解决方案,预计将在今年年底前在新的HPC系统中推出,以及这些实现可能满足哪些用例。
2015-09-29 cs.DC
Application Failures and Machine Computational Efficiency
Argonne National Laboratory(阿贡国家实验室);Oak Ridge National Laboratory(橡树岭国家实验室)
该研究针对应用故障率较高的情况,提出了基于使用情况而非时间评估百亿亿次级科学计算机正常运行时间效率的框架,结合Frontier超算数据验证了方法,可优化检查点间隔并提升计算资源利用率。
2026-08-07 cs.DC
Optimization of hybrid parallel application execution in heterogeneous high performance computing systems considering execution time and power consumption
许多重要的计算问题需要利用高性能计算(HPC)系统,所述高性能计算(HPC)系统由组合越来越多数量的具有各种特性的设备的多级结构组成。利用这样的系统的全部功率需要编程在两个意义上混合的并行应用:它们可以同时在多个级别上利用并行性并且将专用于各种类型的计算设备的编程接口组合在一起。并行处理的主要目标是提高处理性能,从而减少应用程序的执行时间。国际HPC社区的目标是到2020年开发“Exascale”超级计算机(能够维持每秒$10^{18}$浮点运算)。实现该目标的主要障碍之一是计算系统的功耗超过能量供应限制。考虑到这一标准的新的编程模型和算法是实现这一目标需要取得重大进展的关键领域之一。本论文的目标是提取一个通用模型的混合并行应用程序执行在异构HPC系统,这是一个现有的具体方法的合成,并开发一种优化方法,这种执行旨在最大限度地减少应用程序的执行时间和功耗的矛盾目标所利用的计算硬件。这两种意义的应用程序的混合性的执行参数的非平凡的相互依赖性和所考虑的优化标准的影响的多重性的结果。应用程序进程在计算设备上的映射也对这些标准产生重大影响。
2018-09-20 cs.DC
OReole-FM: successes and challenges toward billion-parameter foundation models for high-resolution satellite imagery
Oak Ridge National Laboratory(橡树岭国家实验室)
本文利用 Frontier 超算与高分辨率光学遥感数据预训练十亿参数 OReole-FM,评估多种 ViT 变体并构建 TIU 数据集,总结模型与数据协同扩展的最佳实践。
2024-10-25 cs.AI cs.CV cs.DC
Performance characterisation of the 64-core SG2042 RISC-V CPU for HPC
本文使用NASA NPB基准套件评估64核SG2042 RISC-V CPU的HPC性能,发现其显著领先其他RISC-V方案,但内存子系统是相对x86-64/AArch64平台的主要瓶颈。
2024-06-18 cs.DC
Distributed Computing in a Pandemic: A Review of Technologies Available for Tackling COVID-19
目前由SARS-CoV-2 β冠状病毒引起的COVID-19全球大流行已导致超过100万人死亡,并产生严重的社会经济影响,因此迫切需要找到解决关键研究挑战的方法。COVID-19的大部分研究都依赖于分布式计算。在本文中,我将回顾分布式架构--各种类型的集群、网格和云--这些架构可用于大规模、高吞吐量、高度并行地执行这些任务,也可用于协作工作。高性能计算(HPC)集群将用于执行大部分工作。用于减少SARS-CoV-2传播的几个大数据处理任务需要高吞吐量方法和Hadoop和Spark提供的各种工具,甚至使用商品硬件。大规模的COVID-19研究还利用了一些世界上最快的超级计算机,例如IBM的SUMMIT -用于针对SARS-CoV-2靶标的集成对接高通量筛选,用于药物再利用和高通量基因分析-以及Sentinel,这是一种基于XPE-Cray的系统,用于探索天然产物。网格计算促进了世界上第一台Exascale网格计算机的形成。这加速了COVID-19研究,通过并行计算对SARS-CoV-2刺突蛋白相互作用进行分子动力学模拟,并使用Folding@home平台使用超过100万台志愿者计算设备进行。网格和云也可以用于国际合作,通过访问重要的数据集和提供服务,使研究人员能够专注于研究,而不是耗时的数据管理任务。
2021-05-18 cs.DC