Scheduling HPC Jobs with Graph Neural Networks
Neste estudo, a otimização da programação de tarefas em Computação de Alto Desempenho (HPC) é explorada utilizando Redes Neurais em Grafos (GNNs). O foco está em comparar diferentes variantes de GNNS. O objetivo é abordar os desafios da programação de tarefas com dependências entre elas em ambientes...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Recursos: | Universidade do Estado de Santa Catarina (UDESC) |
| Repositorio: | Repositório Institucional da Udesc |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.udesc.br:UDESC/11377 |
| Acesso em linha: | https://repositorio.udesc.br/handle/UDESC/11377 |
| Access Level: | acceso abierto |
| Palavra-chave: | Computação Computação de alto desempenho Aprendizado supervisionado (Aprendizado de máquina) Redes neurais (Computação) Agendamento de computador Teoria dos grafos |
| Resumo: | Neste estudo, a otimização da programação de tarefas em Computação de Alto Desempenho (HPC) é explorada utilizando Redes Neurais em Grafos (GNNs). O foco está em comparar diferentes variantes de GNNS. O objetivo é abordar os desafios da programação de tarefas com dependências entre elas em ambientes HPC, aproveitando o conhecimento criado por algoritmos de programação determinísticos para treinar modelos de GNN. Por meio de experimentação extensiva e avaliação, a pesquisa revela as diferenças de desempenho entre as diversas variantes de GNN, demonstrando seu potencial para superar as abordagens tradicionais de programação em termos de eficiência e utilização de recursos. Esta análise não apenas destaca os desempenhos comparativos entre cada variante de GNN, mas também aprimora nosso entendimento das aplicações de GNN na programação de sistemas complexos usando Aprendizado Supervisionado. |
|---|