Cloud-KI-Infrastruktur für Universitäten und Forschungsgruppen

Die Forscher untersuchten die IPU-Leistung von Graphcore bei der Inferenz eines probabilistischen epidemiologischen Modells zur Vorhersage der Verbreitung von COVID-19. In dieser Arbeit wurde die hardwarebeschleunigte simulationsbasierte Inferenz über probabilistische Modelle durch die Kombination des massiv parallelisierten ABC-Inferenzalgorithmus mit hochmodernen KI-Chiplösungen untersucht, die für diesen Zweck einzigartig geeignet sind.

Artikel lesen

Mit Graphcore IPU haben Forscher aus Bristol die Partikelidentifikation mit neuronalen Netzen deutlich verbessert. Sie beschleunigten das Training und die Datenausgabe für Generative Adversarial Networks (GANs) und erzielten einen bis zu 5,4-fachen Leistungsgewinn gegenüber GPUs. Für die Studie wurde eine einzelne MK1 GC2 IPU verwendet. Ihre Performance wurde mit der einer einzelnen Nvidia P100 GPU verglichen.

Artikel lesen

Ein Wissenschaftler der Kosmologie beschleunigte mithilfe von Graphcore IPUs das Training neuronaler Netzwerke für kosmologische Anwendungen. Er untersuchte die Eignung und Leistung von Intelligence Processing Units für zwei Deep-Learning-Anwendungsfälle in der Kosmologie: die Erzeugung von Galaxienbildern aus einem trainierten latenten VAE-Raum und die Schätzung der Galaxienform mit einem deterministischen tiefen neuronalen Netzwerk und einem Bayes'schen neuronalen Netzwerk (BNN).

Artikel lesen

Die Robot Vision-Gruppe am Imperial College London nutzte die IPU von Graphcore, um neue Algorithmen zur Optimierung der räumlichen KI-Effizienz zu entwickeln. Durch die Verwendung der Intelligence Processing Unit und des Gaussian Belief Propagation-Algorithmus lösten und beschleunigten sie die Bündelanpassung. Dieser klassische Computer-Vision-Algorithmus ermöglicht es einem Roboter oder jedem Gerät mit einer Kamera an Bord, seine Bewegung im Raum und die Geometrie seiner Umgebung zu verstehen. Als Ergebnis der Arbeit lösten sie ein echtes Bündelanpassungsproblem 36-mal schneller als mit der Verwendung der Ceres-CPU-Bibliothek.

Artikel lesen

Forscher der Oxford University verwenden die IPUs von Graphcore, um der Zukunft des Quantencomputings näher zu kommen. Laut Professor Andrew Briggs ist die Erstellung und Wartung von Solid-State-Qubits für Quantencomputer eine Herausforderung. Viele sensible Variablen müssen in Echtzeit analysiert und gesteuert werden, um sie abzustimmen und stabil zu halten. Es ist eine ideale Aufgabe für maschinelles Lernen. Die IPUs von Graphcore haben Forschern geholfen, aufgrund ihrer hohen Leistung und der Bewältigung klassischer KI-Probleme wie Sparsity erhebliche Leistungssteigerungen zu erzielen.

Artikel lesen

UC Berkeley und Google Brain untersuchten, wie die IPU-Architektur von Graphcore dazu beiträgt, das verteilte Rechnen zu beschleunigen und neue Ansätze für das Training immer größerer Modelle zu finden. Die Wissenschaftler verwendeten IPUs für das parallele Training von tiefen neuronalen Netzen mit lokalen Updates. Dabei stellten sie fest, dass die lokale Parallelität besonders effektiv ist, wenn es um hohe Rechenleistung geht. Ihrer Meinung nach bieten die IPUs von Graphcore einen besseren Durchsatz und eine bessere Latenzzeit und eröffnen grundlegend neue Ansätze zur Lösung von Rechenaufgaben.

Artikel lesen