全球超算500强榜单更新:美国Summit居首,中国上榜227台

目前算力位居榜首的仍然是美国橡树岭国家实验室的Summit系统,排在榜单第二名的同样是IBM的Sierra,中国“神威-太湖之光”、天河2A排名第三、第四。

来源:ZDnet

编辑:大明

【新智元导读】新一期超算Top500榜单公布,算力排名前10名与上一期没有变化,但性能普遍提升。中国在榜单中占据了227台,为各国之首,总计算力占比为31.9%,仅次于美国的37.8%,继续位列世界第二位。

最近,关于量子计算碾压传统超算的消息层出不穷,比如量子计算机只需200秒,就相当于传统超算运算10000年。说的没错。但目前的一个简单事实是,对于几乎所有计算任务,超级计算机都比地球上现有的其他任何设备都快。

在刚刚发布的最新Top 500超级计算机榜单中,这些基于Linux的计算怪兽们的平均水平更进一步,每台设备的平均算力达到了惊人的1.14 petaflops。

自2019年6月超级计算机500强榜单发布以来,排名前列的顺序没有改变。目前算力位居榜首的仍然是美国橡树岭国家实验室的Summit系统,该系统以148.6 petaflops的HPL结果获得最高荣誉。这台IBM超算使用Power9 CPU和NVIDIA Tesla V100 GPU。

排在榜单第二名的同样是IBM的超算:Lawrence Livermore国家实验室的Sierra。它使用的芯片与Summit相同,但计算速度“仅”达到94.6 petaflops。

紧随其后的是“神威-太湖之光”超级计算机,其HPL标记速度为93.0 petaflops。“太湖之光”由中国国家并行计算机工程与技术研究中心(NRCPC)开发,并安装在无锡国家超级计算中心。它完全由Sunway的SW26010处理器提供动力。

排名紧随其后的是天河2A。这是由中国国防科技大学(NUDT)开发的系统,部署在中国国家超级计算机中心。由Intel Xeon CPU和Matrix-2000加速器提供动力,最高速度为61.4 petaflops。

戴尔制造的Frontera Dell C6420系统排在第5位,由Intel Xeon Platinum处理器提供支持。运算速度为23.5 petaflops,位于德克萨斯大学的德克萨斯高级计算中心。

Top500超算:中国数量居首,美国算力第一,联想称霸品牌榜

中国目前正在开发更多,性能更高的超算。现在,中国拥有世界上最快的超级计算机top 500中的近一半(227台)。同时,美国的超算上榜数量接近其历史最低点,为118台。但平均而言,美国的超算更大,更快。就总体性能而言,美国超级计算机算力占榜单总算力的37.8%。中国以31.9%紧随其后。

中国正在进步。在上一期排行榜中,美国的比例为38.4%,中国为29.9%。

另据“IT大嘴巴”统计,本次公布的top500榜单中,采用英特尔x86架构的平台数量为474套(含26套CascadeLake平台),占据了总榜单的94.8%;采用AMD平台的系统有4套(有2套采用了ZEN2的Rome平台,分别是第60套和第434套,Atos提供),占0.8%;Power平台的有14套,占据2.8%,其他就是一些个性化系统,比如中国的申威系列。

在品牌层面,联想Lenovo以177套系统占据第一;中科曙光以71套系统并列第二名;同样有71套系统的是HPC/Cray(两家合成一家),其中38套来自Cary,剩下的33套来自HPE;中国的浪潮以66套系统位居第三。

最后,无论使用哪种硬件,世界上500台最快的超级计算机都有一个共同点:它们都运行在Linux系统上。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值