Высокопроизводительные вычислительные ресурсы Южно-Уральского государственного университета

Высокопроизводительные вычислительные ресурсы Южно-Уральского государственного университета

Автор: Биленко Роман Владимирович, Долганина Наталья Юрьевна, Иванова Елена Владимировна, Рекачинский Александр Игоревич

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 1 т.11, 2022 года.

Бесплатный доступ

В настоящее время в Южно-Уральском государственном университете достигнуты значительные результаты в области суперкомпьютерного моделирования, искусственного интеллекта и больших данных. ЮУрГУ обладает энергоэффективным суперкомпьютером «Торнадо ЮУрГУ», который занимает 15е место в рейтинге самых мощных суперкомпьютеров СНГ ТОП50 (сентябрь 2021). Для исследований в области искусственных нейронных сетей в ЮУрГУ был установлен специализированный многопроцессорный комплекс «Нейрокомпьютер». «Нейрокомпьютер» использует мощные передовые графические ускорители для обучения нейронных сетей. Суперкомпьютер «Торнадо ЮУрГУ» и комплекс «Нейрокомпьютер» находятся в центре научной жизни Университета, позволяя производить сложнейшие вычисления для расчетов в области инжиниринга, естественных наук, наук о человеке и искусственного интеллекта. Вычислительные ресурсы ЮУрГУ используются в образовании и в коммерческих целях для расчетов задач партнеров Университета. В работе описываются характеристики высокопроизводительного оборудованияЮУрГУ, доступное системное и прикладное параллельное программное обеспечение, приведены сведения о решенных научных и инженерных задачах.

Еще

Суперкомпьютер, нейрокомпьютер, параллельная система хранения данных, администрирование суперкомпьютеров, суперкомпьютерное моделирование, нейронные сети

Короткий адрес: https://sciup.org/147237441

IDR: 147237441

Список литературы Высокопроизводительные вычислительные ресурсы Южно-Уральского государственного университета

  • Научно-образовательный центр искусственный интеллект и квантовые технологии ЮУрГУ. URL: https://supercomputer.susu.ru/ (дата обращения: 11.03.2022).
  • Абрамов С.М., Заднепровский В.Ф., Лилитко Е.П. Суперкомпьютеры «СКИФ» ряда 4 // Информационные технологии и вычислительные системы. 2012. № 1. С. 3— 16.
  • Keras. Documentation. URL: https ://keras . io/guides/ (дата обращения: 10.02.2022).
  • Tensorflow. Documentation. URL: https : / / www . tensorf low . org/ (дата обращения: 10.02.2022).
  • Slurm. Documentation. URL: https : //slurm. schedmd. сот/documentation. html (дата обращения: 10.02.2022).
  • Kostenetskiy P., Semenikhina P. SUSU Supercomputer Resources for Industry and fondamental Science // 2018 Global Smart Industry Conférence (GloSIC), Chelyabinsk, Russia, November 13-15, 2018. IEEE, 2018. P. 1-7. DOI: 10.1109/GloSIC.2018.8570068.
  • Borghesi A., Molan M., Milano M., Bartolini A. Anomaly Détection and Anticipation in High Performance Computing Systems // IEEE Transactions on Parallel and Distributed Systems. 2022. Vol. 33, no. 4. P. 739-750. DOI: 10.1109/TPDS. 2021.3082802.
  • Борисов С.H., Зима A.M., Дьяченко P.A., Елизаров П.В. Обзор современных информационных систем мониторинга сетей передачи данных // Современная наука: Актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2019. № 5. С. 29-34.
  • Lascu О., Brindeyev A., Quintero D.E. и др. хСАТ 2 Guide for the CSM System Administrator. 2008. URL: https://www.redbooks.ibm.com/redpapers/pdfs/redp4437. pdf (дата обращения: 27.02.2022).
  • НОЦ ИИКТ ЮУрГУ. Прикладное программное обеспечение. URL: http : / / supercomputer.susu.ru/users/simulation/.
  • ANSYS. URL: http://ansys.com (дата обращения: 24.02.2022).
  • LSTC LS-DYNA. URL: http://www.ls-dyna.com/ (дата обращения: 24.02.2022).
  • FlowVision. URL: https://tesis.com.ru/own_design/flowvision/ (дата обращения: 24.02.2022).
  • SFTC DEFORM. URL: https://tesis.com.ru/cae_brands/deform/ (дата обращения: 24.02.2022).
  • MATLAB. URL: https://www.mathworks.com/ (дата обращения: 24.02.2022).
  • OpenFOAM. URL: https ://www. openf oam. com/ (дата обращения: 24.02.2022).
  • Shepelev V., Zhankaziev S., Aliukov S., et al. Forecasting the Passage Time of the Queue of Highly Automated Vehicles Based on Neural Networks in the Services of Cooperative Intelligent Transport Systems // Mathematics. 2022. Vol. 10, no. 2. Article 282. DOI: 10.3390/mathl0020282.
  • Alhumaima A., Abdullaev S. Tigris basin landscapes: Sensitivity of vegetation index ndvi to climate variability derived from observational and reanalysis data // Earth Interactions. 2020. Vol. 24, no. 7. P. 1-18. DOI: 10.1175/EI-D-20-0002.1.
  • Bartashevich E., Sobalev S., Matveychuk Y., Tsirelson V. Simulation of the compressibility of isostructural halogen containing crystals on macro- and microlevels // Journal of Structural Chemistry. 2021. Vol. 62. P. 1607-1620. DOI: 10.1134/S0022476621100164.
  • Matveychuk Y.V., Bartashevich E.V., Skalyova K.K., Tsirelson V.G. Quantum electronic pressure and crystal compressibility for magnesium diboride under simulated compression // Materials Today Communications. 2021. Vol. 26. P. 101952. DOI: 10.1016/j .mtcomm.2020. 101952.
  • Zybin S.V., Morozov S.I., Prakash P., et al. Reaction Mechanism and Energetics of Decomposition of Tetrakis(l,3-dimethyltetrazol-5-imidoperchloratomanganese(II)) from Quantum-Mechanics-based Reactive Dynamics // Journal of the American Chemical Society. 2021. Vol. 143, no. 41. P. 16960-16975. DOI: 10.1021/j acs. Ic04847.
  • Mirzoev A.A., Ridnyi Y.M. Ab initio calculation of total energy of a bcc iron cell containing three dissolved carbon atoms, and internal friction in Fe-C solid solutions // Journal of Alloys and Compounds. 2021. Vol. 883. P. 160850. DOI: 10.1016/j . jallcom.2021.160850.
  • Fomin D.G., Dudarev N.V., Darovskikh S.N. Duplexer Based on Volumetric Modular Technology // 2021 IEEE 22nd International Conference of Young Professionals in Electron Devices and Materials (EDM), Souzga, the Altai Republic, Russia, June 30-July 4, 2021. IEEE, 2021. P. 97-100. DOI: 10.1109/EDM52169.2021.9507637.
  • Sokolinsky L.B., Sokolinskaya I.M. VaLiPro: Linear Programming Validator for Cluster Computing Systems // Supercomputing Frontiers and Innovations. 2021. Vol. 8, no. 3. P. 51-61. DOI: 10.14529/jsfi210303.
  • Zymbler М., Grents A., Kraeva Y., Kumar S. A Parallel Approach to Discords Discovery in Massive Time Series Data // Computers, Materials and Continua. 2021. Vol. 66, no. 2. P. 1867-1876. DOI: 10.32604/cmc . 2020.014232.
  • Zymbler M., Ivanova E. Matrix Profile-Based Approach to Industrial Sensor Data Analysis Inside RDBMS // Mathematics. 2021. Vol. 9, no. 17. Article 2146. DOI: 10.3390/ math9172146.
  • Ignatova A.V., Dolganina N.Y., Sapozhnikov S.B., Shabley A.A. Aramid fabric surface treatment and its impact on the mechanics of yarn's frictional interaction // PNRPU Mechanics Bulletin. 2017. No. 4. P. 121-137.
  • Dolganina N.Y., Teleshova E.A., Semenikhina P.N. Development of Supercomputer Model of Needle-Punched Felt // 2020 Global Smart Industry Conference (GloSIC), Chelyabinsk, Russia, November 17-19, 2020. IEEE, 2020. P. 1-6. DOI: 10 . 1109/GloSIC50886 .2020 . 9267856.
  • Mayer A.E., Ebel A.A., Al-Sandoqachi M.K. Plastic deformation at dynamic compaction of aluminum nanopowder: Molecular dynamics simulations and mechanical model // International Journal of Plasticity. 2020. Vol. 124. P. 22-41. DOI: https://doi.org/10.1016/ j.ijplas.2019.08.005.
  • Иванов В.А. Микромеханическая модель представительного объема порошковых материалов // Вестник Южно-Уральского государственного университета. Серия: Металлургия. 2021. Т. 21, № 3. С. 67—81. DOI: 10.14529/met210308.
  • Vetoshkin N., Radchenko G. Towards the Fog Computing PaaS Solution // 2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (US-BEREIT), Yekaterinburg, Russia, May 14-15, 2020. IEEE, 2020. P. 0516-0519. DOI: 10. 1109/USBEREIT48449.2020.9117791.
  • Kirsanova A.A., Radchenko G.I., Tchernykh A.N. Fog Computing State of the Art: Concept and Classification of Platforms to Support Distributed Computing Systems // Supercomputing Frontiers and Innovations. 2021. Vol. 8, no. 3. P. 17-50. DOI: 10.14529/j sf Í210302.
  • Pustokhina I.V., Pustokhin D.A., Vaiyapuri Т., et al. An automated deep learning based anomaly detection in pedestrian walkways for vulnerable road users safety // IEEE Transactions on Parallel and Distributed Systems. 2021. Vol. 142, no. 4. P. 105356. DOI: 10 . 1016/j.ssci.2021.105356.
  • Kuzmin A.D., Ivanov S.A. Transfer Learning for the Russian Language Speech Synthesis // 2021 International Conference on Quality Management, Transport and Information Security, Information Technologies (IT QM IS), Yaroslavl, Russian Federation, September 6-10, 2021. IEEE, 2021. P. 507-510. DOI: 10.1109/ITQMIS53292.2021.9642715.
  • Strueva A.Y., Ivanova E.V. Student Attendance Control System with Face Recognition Based on Neural Network // 2021 International Russian Automation Conference (RusAuto-Con), Sochi, Russian Federation, September 5-11, 2021. IEEE, 2021. P. 929-933. DOI: 10.1109/RusAutoCon52004.2021.9537386.
  • Fedorov A., Nikolskaia K., Ivanov S., et al. Traffic flow estimation with data from a video surveillance camera // Journal of Big Data. 2019. Vol. 6. Article 73. DOI: 10.1186/s40537-019-0234-z.
Еще
Статья научная
SciUp 2024 © 2024 ©