FLARE：面向神经-混合科学有损压缩的数据流感知与可扩展硬件架构
分布式、并行与集群计算
2025-07-03 v1
摘要
科学仿真利用高性能计算 (HPC) 系统对于建模来自天体物理、气候科学和流体动力学等领域的复杂系统和现象至关重要，生成的大数据规模可达 petabyte 乃至 exabyte。然而，管理这些庞大的数据卷量会引入显著的 I/O 和网络瓶颈，限制实际性能和可扩展性。尽管以深度神经网络 (DNN) 为驱动的最前沿有损压缩框架已显示出通过捕获复杂数据相关性实现卓越的压缩比，但其集成到 HPC 工作流程面临重大挑战，由于混合非神经和神经计算模式，导致大量内存访问开销、较大的顺序停顿，以及对不同数据规模和工作负载适应性有限的问题。为克服这些挑战并推动高性能科学计算的极限，我们首次提出了 FLARE，这是一个数据流感知和可扩展的神经-混合科学有损压缩硬件架构。FLARE 通过高效的数据流最小化芯内外数据访问，减少气泡开销，并采用模块化设计以实现可扩展性和灵活性，显著提升了现代 HPC 系统上的吞吐量和能源效率。特别地，所提出的 FLARE 在各种数据集和硬件平台上实现了运行速度提升范围为 至 ，能源效率改进范围为 至 。
引用
@article{arxiv.2507.01224,
title = {FLARE: A Dataflow-Aware and Scalable Hardware Architecture for Neural-Hybrid Scientific Lossy Compression},
author = {Wenqi Jia and Ying Huang and Jian Xu and Zhewen Hu and Sian Jin and Jiannan Tian and Yuede Ji and Miao Yin},
journal= {arXiv preprint arXiv:2507.01224},
year = {2025}
}