Elastic Fabric Adapter

Le mécanisme de mise en réseau unique par contournement du système d'exploitation d'EFA fournit un canal à faible latence et à faible instabilité pour les communications entre instances. Cela permet à vos applications HPC ou de machine learning distribuées étroitement couplées de s'adapter à des milliers de cœurs, accélérant ainsi l'exécution de vos applications.

Vous pouvez activer la prise en charge d'EFA sur une liste croissante d'instances EC2 et bénéficier de la flexibilité qui vous permet de choisir la configuration de calcul adaptée à votre charge de travail. Modifiez simplement les configurations de votre cluster en fonction de vos besoins et activez la prise en charge d'EFA sur vos nouvelles instances de calcul. Aucune réservation ni planification préalable n'est requise.

EFA utilise l'interface et les API libfabric pour les communications. Étant donné que presque tous les modèles de programmation HPC prennent en charge cette interface, vous pouvez migrer vos applications HPC existantes vers le cloud avec peu ou pas de modifications.

Les avancées des algorithmes de dynamique des fluides numériques (CFD) permettent aux ingénieurs de simuler des phénomènes d'écoulement de plus en plus complexes, et le HPC contribue à réduire les délais d'exécution. Avec EFA, les ingénieurs peuvent désormais faire évoluer leurs travaux de simulation afin d'expérimenter des paramètres plus ajustables en vue d'obtenir des résultats plus rapides et plus précis.

Les modèles météorologiques complexes nécessitent une bande passante mémoire élevée, des interconnexions rapides et des systèmes de fichiers parallèles robustes pour fournir des résultats précis. Plus l'espacement dans la grille du modèle est étroit, plus les résultats sont précis et plus le modèle nécessite des ressources de calcul importantes. EFA propose une interconnexion rapide qui permet aux applications de modélisation météorologique de tirer parti des capacités de mise à l'échelle pratiquement illimitées du cloud AWS et d'obtenir des prévisions plus précises en moins de temps.

L'entraînement des modèles de deep learning peut être considérablement accéléré grâce à l'informatique distribuée sur les GPU. Les principaux cadres de deep learning tels que Caffe, Caffe2, Chainer, MxNet, TensorFlow et PyTorch ont déjà intégré la technologie NCCL afin de tirer parti de ses collectifs multi-GPU pour les communications entre nœuds. EFA est optimisé pour NCCL sur AWS, améliorant ainsi le débit et la capacité de mise à l'échelle de ces modèles de formation, ce qui permet d'obtenir des résultats plus rapidement.