TL;DR
- چکیده:.
- مشکلات تکامل غیرخطی تاریخچه زمانی با استفاده از مدلهای فیزیکی با وفاداری بالا در حوزههای علمیمتعدد ضروری.
- با این حال،.
چه اتفاقی افتاد
چکیده:. مشکلات تکامل غیرخطی تاریخچه زمانی با استفاده از مدلهای فیزیکی با وفاداری بالا در حوزههای علمیمتعدد ضروری.
است. با این حال،.
این مشکلات با یک تنگنای دوگانه بحرانی روبرو هستند:. هزینه محاسباتی هنگفت گامهای زمانی و نیازهای هنگفت حافظه برای حفظ مجموعه وسیعی از متغیرهای حالت.
برای پرداختن به این چالشها،. ما یک چارچوب جدید مبتنی بر مدیریت حافظه ناهمگن برای شبیهسازیهای مجموعه عظیم مسائل عمومیغیرخطی تاریخچه زمانی.
با قوانین ساختاری پیچیده پیشنهاد میکنیم. با بهرهگیری از پیشرفتهای اخیر در پهنای باند اتصال CPU-GPU،.
رویکرد ما بهطور فعال از ظرفیت بزرگ حافظه CPU میزبان استفاده میکند در حالی که بهطور همزمان توان. پردازش گرافیکی را به حداکثر میرساند.
این استراتژی بهطور موثر بر دیوار حافظه GPU غلبه میکند و شبیهسازیهای فشرده حافظه را. امکان پذیر میکند.
ما عملکرد را ارزیابی میکنیم روش پیشنهادی از طریق مقایسه با پیادهسازیهای معمولی،. نشاندهنده پیشرفتهای قابلتوجهی در زمان تا حل و انرژی به راهحل.
علاوه بر این،. ما کاربرد عملی این چارچوب را با توسعه یک مدل جایگزین مبتنی بر شبکه عصبی با استفاده از.
مجموعه دادههای عظیم تولید شده نشان میدهیم. نتایج اثربخشی رویکرد ما را در فعال کردن ارزیابیهای سهبعدی با وفاداری بالا و پتانسیل آن برای.
کاربردهای گستردهتر در اکتشافات علمیمبتنی بر داده را برجسته میکند. صفحه،.
5 شکل،. پذیرفته شده برای IHPCES/ICCS 2026 (شانزدهمین کارگاه بین المللی پیشرفت در علوم زمین محاسباتی با کارایی بالا:.
روشهای عددی،. چارچوبها و کاربردها / بیست و ششمین کنفرانس بین المللی علوم محاسباتی) محاسبات توزیع شده،.
موازی و خوشهای (cs. DC) استناد بهعنوان: (یا v1 [cs.
DC] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Kohei Fujita [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
06:. 02:.
44 UTC (1,. 722 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.