富士通公司为Riken打造全新深度学习超级计算机

简介:

这台新的超级计算机将由日本Riken高级智能项目中心用于推动人工智能技术在“现实世界”中各类潜在应用途径的研究工作。

日本Riken高级智能项目中心宣布将于下个月收到其购买的一台新型深度学习超级计算机,旨在利用其推动人工智能(简称AI)技术在“现实世界”中各类潜在应用途径的研究工作。

这套系统将由日本IT巨头富士通负责打造,且该超级计算机的理论处理性能预计将达到4 petaflops(千万亿次)。
这套系统由两种服务器架构合并而成,包含总计24台英伟达DGX-1服务器——每台服务器包含八块最新英伟达Tesla P100加速器并集成有深度学习软件——以及32台富士通Server PRIMERGY RX2530 M2服务器,外加一套高性能存储系统,富士通方面解释称。

富士通公司指出,其文件系统采用的是富士通Software FEFS,且运行在六台富士通Server PRIMERGY RX2530 M2 PC服务器、八台富士通Storage ETERNUS DX200 S3存储系统以及一台富士通Storage ETERNUS DX100 S3存储系统之上,用于提供深度学习分析所需要的IO处理能力。

除了由英伟达公司在公有云中提供的标准DGX-1深度学习软件环境之外,富士通方面表示其还将整合一套定制化软件环境以用于内部安全网络。

“作为全球第一台一体式AI超级计算机,英伟达DGX-1的设计目标在于满足AI研究人员带来的高强度计算需求。”

“在24台DGX-1的支持之下,Riken高级智能项目研究中心的系统将成为世界范围内最为强大的DGX-1客户安装实例,”英伟达公司副总裁兼总经理Jim McHugh解释称。“其突破性的性能表现将极大加快日本的深度学习研究速度,同时成为一套能够解决医疗卫生、制造业及公共安全等领域高复杂度问题的平台。”

这台新的超级计算机将被安装在富士通公司的横滨数据中心之内,另外富士通方面还将为Riken提供系统使用所必需的研发支持。

建立于1917年的Riken项目中心是日本国内规模最大的研究机构,其拥有来自日本七所高校的约3000名科学家。

这套新系统将被Riken中心用于加速AI相关研究及技术开发工作,从而支持再生医学及制造业等领域,同时亦面向老年人医疗卫生、老龄化基础设施管理以及自然灾害应对等“现实世界”中的社会性问题提供解决方案。

富士通公司的K计算机目前坐落于日本祝词的Riken高级计算科学研究所内,其曾于2016年在全球超级计算机五百强榜单中名列前十位。


原文发布时间为: 2017年3月8日

本文作者:齐丰润 

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

相关文章
|
8天前
|
机器学习/深度学习 API 语音技术
|
11天前
|
机器学习/深度学习 监控 算法
深度学习赋能智能监控:图像识别技术的革新与应用
【4月更文挑战第8天】 随着人工智能技术的飞速发展,深度学习在图像处理领域取得了突破性进展。特别是在智能监控系统中,基于深度学习的图像识别技术已成为提升安全和效率的关键工具。本文将探讨深度学习技术如何革新传统监控体系,增强其对复杂场景的理解能力,以及在实际部署中面临的挑战和解决方案。通过分析最新的研究成果和应用案例,我们揭示了深度学习在智能监控领域的潜力及其对未来社会发展的影响。
17 2
|
10天前
|
机器学习/深度学习 监控 安全
智能化视野下的守卫者:基于深度学习的图像识别技术在智能监控领域的革新应用
【4月更文挑战第9天】 随着人工智能技术的飞速发展,深度学习已经成为了推动计算机视觉进步的重要力量。尤其在智能监控领域,基于深度学习的图像识别技术正逐步转变着传统监控系统的功能与效率。本文旨在探讨深度学习技术如何赋能智能监控,提高对场景理解的准确性,增强异常行为检测的能力,并讨论其在实际部署中所面临的挑战和解决方案。通过深入分析,我们揭示了深度学习在智能监控中的应用不仅优化了安全防范体系,也为城市管理和公共安全提供了有力的技术支持。
|
10天前
|
机器学习/深度学习 算法 数据处理
深度学习在图像识别中的创新应用
【4月更文挑战第9天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的关键技术之一。特别是在图像识别任务中,深度学习模型已经展现出超越传统算法的性能。本文将深入探讨深度学习在图像识别领域的最新进展,包括卷积神经网络(CNN)的变体、数据增强技术以及迁移学习等策略。通过对这些技术的综合运用,我们能够实现对复杂图像数据的高效识别和分类,进一步拓展了深度学习在实际应用中的可能性。
12 1
|
10天前
|
机器学习/深度学习 人工智能 算法
深度学习在医学影像诊断中的应用与挑战
传统医学影像诊断一直是医学领域的重要组成部分,但其依赖于医生的经验和技能,存在着诊断准确性不高和效率低下的问题。近年来,随着深度学习技术的发展,越来越多的研究表明,深度学习在医学影像诊断中具有巨大的潜力。本文将探讨深度学习在医学影像诊断中的应用现状、挑战和未来发展趋势。
15 0
|
11天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的应用与挑战
【4月更文挑战第8天】 随着人工智能技术的飞速发展,深度学习已经成为了计算机视觉领域的核心动力。本文聚焦于深度学习技术在图像识别任务中的运用,探讨了卷积神经网络(CNN)的基本原理、关键结构和训练技巧,并通过实验分析展示了其在处理复杂图像数据时的强大能力。同时,文章也指出了当前深度学习方法面临的主要挑战,如数据偏差、模型泛化能力和计算资源消耗等,并对未来的发展方向进行了展望。
|
3天前
|
机器学习/深度学习 计算机视觉 异构计算
深度学习在图像识别中的应用与挑战
【4月更文挑战第16天】 随着人工智能技术的飞速发展,深度学习作为其核心技术之一,在图像识别领域取得了显著的成果。本文将探讨深度学习在图像识别中的应用,分析其优势和面临的挑战,并提出相应的解决方案。通过对现有技术的研究和实践,我们旨在为读者提供一个全面了解深度学习在图像识别领域的应用现状和未来发展趋势的视角。
|
3天前
|
机器学习/深度学习 监控 安全
深度学习驱动下的智能监控革新:图像识别技术的实战应用
【4月更文挑战第16天】 随着人工智能的迅猛发展,深度学习技术在图像处理和分析领域取得了突破性的进展。尤其是在智能监控系统中,基于深度学习的图像识别技术已经成为提高安全水平、实现自动化监控的关键工具。本文聚焦于深度学习在智能监控中的应用,探讨了卷积神经网络(CNN)、递归神经网络(RNN)等先进结构在实时视频流分析和异常行为检测方面的具体实践。通过深入分析多个案例,我们展示了深度学习如何提升监控系统的准确性、效率及智能化程度,同时对面临的挑战和未来发展趋势进行了展望。
8 2
|
5天前
|
机器学习/深度学习 安全 计算机视觉
深度学习在图像识别中的应用与挑战
【4月更文挑战第14天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的关键力量。本文聚焦于深度学习技术在图像识别任务中的运用,探讨了卷积神经网络(CNN)的基本原理、关键架构以及优化策略,并对当前面临的主要挑战进行了分析。通过实验结果与案例分析,本文揭示了深度学习在提高图像识别准确性方面的潜力及存在的限制因素。
|
6天前
|
机器学习/深度学习 数据采集 算法
深度学习在图像识别方面的应用
【4月更文挑战第8天】
19 3