초록: 인공지능 가속기 아키텍처가 점점 더 다양해짐에 따라, 서로 다른 아키텍처를 통합한 단일 시스템 구현이 새로운 이종 컴퓨팅 패러다임으로 부상하고 있다. GPU와 WSE는 연산, 메모리, 통신 구조에서 상당히 차이를 보이며, 이로 인해 아키텍처 간의 상호보완성과 추가적인 오버헤드가 동시에 발생하지만, 이러한 이종성을 실제 성능 향상으로 전환하는 방법은 아직 명확히 밝혀지지 않았다. 이 문제를 해결하기 위해 우리는 GPU–WSE 이종 실행 환경을 특성화하고 상호보완성을 활용할 수 있는 조건을 규명하는 계층적 벤치마킹 방법론을 제안하며, 또한 이종성이 시스템 차원의 성능 향상을 가져오는 경우와 병목으로 작용하는 경우를 식별하는 분석적 성능 모델을 함께 제시한다.
주제: | 분산, 병렬 및 클러스터 컴퓨팅 (cs.DC); 하드웨어 아키텍처 (cs.AR) 인용: | arXiv:2610.39222 [cs.DC] | (또는
arXiv:2610.39222v1 [cs.DC] 이 버전) | https://doi.org/10.48550/arXiv.2610.39222
더 알아보기
DataCite를 통한 arXiv 발급 DOI
투고 이력
논문 보기:
PDF 보기
HTML(실험적)
TeX 소스
추가 기능
오디오 요약
현재 탐색 컨텍스트:
참고문헌 및 인용
Google 학술검색
Semantic Scholar
북마크
기관
arXivLabs는 협력자가 당사 웹사이트에서 새로운 arXiv 기능을 직접 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs와 함께 일하는 개인과 조직 모두는 개방성, 커뮤니티, 우수성, 그리고 사용자 데이터 개인정보 보호라는 당사의 가치를 수용하고 받아들였습니다. arXiv은 이러한 가치에 헌신하며, 이에 부합하는 파트너들과만 협력합니다.
arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs에 대해 자세히 알아보세요.