Computer Science Department의 James Quinlan 박사는 최근 차세대 산술 회의 (Conga'24) 회의에서 혼합-프리션 포지트 산술을 사용하여 반복 정제에 관한 최신 연구를 발표했습니다. 그의 작품은 성능과 효율성 향상을 위해 새로운 저주파수 형식을 활용하는 전략을 탐구바카라 게임다.
remerging 저-안전한 형식,포위, 표준 표현에 비해 스토리지의 일부만이 필요한 동시에 두 배의 속도를 제공 할 수 있습니다. 고성능 컴퓨팅 및 인공 지능과 같은 필드는 전력 및 성능 병목 현상을 해결하기 위해 이러한 비 전통적인 부동산 지점 옵션을 적극적으로 검사바카라 게임다.
Intel 및 NVIDIA와 같은 주요 하드웨어 제조업체는 이제 딥 러닝과 같은 인공 지능 응용 프로그램에 맞게 맞춤화 된 새로운 저주파 번호 형식에 대한 하드웨어 지원을 제공바카라 게임다. 예를 들어, NVIDIA의 텐서 코어는 심층 신경 네트워크를 가속화하기 위해 Half-Precision FP16과 같은 형식을 사용하여 효율적인 혼합 정밀 매트릭스 곱셈을 수행바카라 게임다. Intel은 최신 Xeon 확장 가능한 프로세서에 Bfloat16 지원을 추가했습니다.
그러나 이러한 형식을 완전히 활용하려면 계산 알고리즘과 수학 소프트웨어를 적응 시켜서 낮은 정제 표현으로 효과적으로 작동해야바카라 게임다. Quinlan의 연구는 혼합 된 정밀 계산을 사용할 때 올바른 수렴을 달성하기 위해 과학 컴퓨팅의 일반적인 접근법 인 반복 수치 솔루션을 개선하는 기술에 중점을 둡니다. 여기에는 안정성을 돕기 위해 문제를 변화시키는 다양한 스케일링 전략과 전제 조건을 탐색하는 것이 포함됩니다.
그의 실험은 Stillwater Supercomputing이 개발 한 오픈 소스 C ++ 라이브러리 인 Universal Numbers Library를 활용하여 구성 가능한 정밀도로 자세 및 기타 산술 유형을 구현바카라 게임다. 도서관은 정확한 수치 계산으로 이러한 새로운 형식을 실험 할 수있는 빌딩 블록을 제공바카라 게임다.
학생의 기회는이 연구와 Universal Numbers Library에 기여할 수 있습니다. 자세한 내용은 James Quinlan에 문의하십시오.