EAGER: Application-driven Data Precision Selection Methods

EAGER：应用驱动的数据精度选择方法

基本信息

批准号：
1643056
负责人：
Ganesh Gopalakrishnan
金额：
$ 30万
依托单位：
University of Utah
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2016
资助国家：
美国
起止时间：
2016-08-01 至 2018-07-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1643056&HistoricalAwards=false
关键词：
EAGER Application driven Data Precision

项目摘要

Numerical algorithms used in Cyber Physical Systems, decision-making systems, financial processing, and other HPC applications that use real numbers are prone to introduce computational errors because of a well-known reason: real numbers do not exist in computers, and we must use floating-point data types to approximate such computations. As data movement costs energy, the lowest precision of floating-point data must be allocated without compromising the computational integrity. This project implements methods to reduce the amount of energy consumed by numerical computations running on computing devices at all scales including supercomputers for scientific research all the way to embedded and mobile devices finding uses in many walks of real life including medical devices and robots. A key thrust of the work is to perform energy reduction through reduced transfers between computing units. The project studies how the number of bits used to represent data introduce errors in computations, and whether these errors affect the correctness of results.The PIs propose to develop new formal methods tools to automatically estimate error bounds, develop auto-tuning compilers to carefully select precision, and build new superoptimizers to generate more efficient code. These new technologies will be applied to improve software in the domains of machine learning and high-performance computing. The PIs shall develop suitable criteria for errors in high performance computing systems and machine learning systems. They will develop tools that allocate precision optimally while staying within the bounds of acceptable answers. Their tools will be released to a community of researchers interested in working toward exascale computing, and deploying machine learning applications in safety-critical devices. This work represents a synergistic combination of PI skills ranging through high performance computing, machine learning, formal methods, and compiler technologies.

网络物理系统，决策系统，财务处理以及使用实数的其他HPC应用程序中使用的数值算法很容易引入计算错误，这是由于众所周知的原因：计算机中不存在实数，我们必须使用浮点数据类型来近似此类计算。随着数据移动成本能量，必须分配浮点数据的最低精度，而不会损害计算完整性。该项目实施了减少各个尺度上计算设备上运行的数值计算消耗的能量的方法，包括科学研究的超级计算机一直嵌入嵌入和移动设备，以在许多真实生活中查找用途，包括医疗设备和机器人。这项工作的关键要素是通过减少计算单元之间的传输来降低能量。该项目研究如何在计算中引入错误的位置，以及这些错误是否影响结果的正确性。PIS建议开发新的正式方法工具以自动估算错误界限，开发自动调整编译器以仔细选择精确性，并构建新的超级量级，以生成更有效的代码。这些新技术将用于改善机器学习和高性能计算领域的软件。 PI应为高性能计算系统和机器学习系统中的错误制定合适的标准。他们将开发出最佳分配精度的工具，同时保持在可接受的答案的范围内。他们的工具将被释放给有兴趣努力进行Exascale计算的研究人员社区，并在安全至关重要的设备中部署机器学习应用程序。这项工作代表了通过高性能计算，机器学习，正式方法和编译器技术的PI技能的协同组合。

项目成果

期刊论文数量（6）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Improving Performance and Scalability of Algebraic Multigrid through a Specialized MATVEC

通过专门的 MATVEC 提高代数多重网格的性能和可扩展性

DOI：
发表时间：
2018
期刊：
IEEE High Performance Extreme Computing Conference
影响因子：
0
作者：
Majid Rasouli, Vidhi Zala
通讯作者：
Majid Rasouli, Vidhi Zala

Utilizing GPU Parallelism to Improve Fast Spherical Harmonic Transforms

DOI：
10.1109/hpec.2018.8547547
发表时间：
2018-09
期刊：
2018 IEEE High Performance extreme Computing Conference (HPEC)
影响因子：
0
作者：
Max Carlson;H. Sundar
通讯作者：
Max Carlson;H. Sundar

Moving the Needle on Rigorous Floating-Point Precision Tuning

推动严格的浮点精度调整

DOI：
10.29007/f4f3
发表时间：
2018
期刊：
Kalpa Publications in Computing
影响因子：
0
作者：
Baranowski, Marek;Briggs, Ian;Chiang, Wei-Fan;Gopalakrishnan, Ganesh;Rakamaric, Zvonimir;Solovyev, Alexey
通讯作者：
Solovyev, Alexey

A Scalable Hierarchical Semi-Separable Library for Heterogeneous Clusters

异构集群的可扩展分层半分离库

DOI：
10.1109/icpp.2017.60
发表时间：
2017
期刊：
46th International Conference on Parallel Processing (ICPP
影响因子：
0
作者：
Fernando, Isuru Dilanka;Jayasena, Sanath;Fernando, Milinda;Sundar, Hari
通讯作者：
Sundar, Hari

Towards Triangle Counting on GPU using Stable Radix Binning

使用稳定基数合并在 GPU 上进行三角形计数

DOI：
发表时间：
2018
期刊：
IEEE High Performance Extreme Computing Conference
影响因子：
0
作者：
Tirpankar, Nishith;Sundar, Hari
通讯作者：
Sundar, Hari

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Ganesh Gopalakrishnan其他文献

FTTN: Feature-Targeted Testing for Numerical Properties of NVIDIA & AMD Matrix Accelerators

FTTN：针对 NVIDIA 数值特性的特征测试

DOI：
10.48550/arxiv.2403.00232
发表时间：
2024
期刊：
ArXiv
影响因子：
0
作者：
Xinyi Li;Ang Li;Bo Fang;Katarzyna Swirydowicz;Ignacio Laguna;Ganesh Gopalakrishnan
通讯作者：
Ganesh Gopalakrishnan

Binary Decision Diagrams as Minimal DFA

DOI：
10.1201/9781315148175-20
发表时间：
2019-03
期刊：
Automata and Computability
影响因子：
0
作者：
Ganesh Gopalakrishnan
通讯作者：
Ganesh Gopalakrishnan

Observations and modeling of symmetric instability in the ocean interior in the Northwestern Equatorial Pacific

西北赤道太平洋海洋内部对称不稳定性的观测和模拟

DOI：
10.1038/s43247-022-00362-4
发表时间：
2022-02
期刊：
Communications Earth & Environment
影响因子：
7.9
作者：
Hui Zhou;William K. Dewar;Wenlong Yang;Hengchang Liu;Xu Chen;Rui Li;Chuanyu Liu;Ganesh Gopalakrishnan
通讯作者：
Ganesh Gopalakrishnan