Elastic Fabric Adapter

O mecanismo exclusivo da rede de bypass do SO do EFA fornece um canal de baixa latência e baixa variação de sinal para comunicações entre instâncias. Sendo assim, suas aplicações de HPC fortemente acopladas ou de machine learning distribuídas são escaladas para milhares de núcleos, fazendo com que as aplicações sejam executadas com maior rapidez.

É possível habilitar o suporte do EFA em uma lista crescente de instâncias do EC2 e obter flexibilidade para escolher a configuração de computação adequada para sua workload. Basta alterar as configurações de cluster conforme suas necessidades são alteradas e habilitar o suporte do EFA em suas novas instâncias de computação. Reservas prévias ou planejamentos antecipados não são necessários.

O EFA usa a interface Libfabric e as APIs Libfabric para realizar comunicações. Como quase todos os modelos de programação de HPC oferecem suporte a essa interface, é possível migrar suas aplicações de HPC existentes para a nuvem com pouca ou nenhuma modificação.

Os avanços nos algoritmos da dinâmica dos fluidos computacional (CFD) possibilitam que os engenheiros simulem fenômenos de fluxo cada vez mais complexos e a HPC ajuda a reduzir os tempos de resposta. Com o EFA, os engenheiros de projeto passaram a aumentar a escala dos trabalhos de simulação horizontalmente para experimentar parâmetros mais ajustáveis, o que conduz a resultados mais rápidos e precisos.

Modelos climáticos complexos requerem alta largura de banda de memória, interconexões rápidas e sistemas de arquivos paralelos robustos para fornecer resultados precisos. Quanto mais próximo o espaçamento da grade no modelo, mais precisos serão os resultados e mais recursos computacionais serão requeridos pelo modelo. O EFA oferece uma interconexão rápida que permite que as aplicações de modelagem climática aproveitem os recursos de escalabilidade virtualmente ilimitados da Nuvem AWS e obtenham previsões mais precisas em menos tempo.

O treinamento de modelos de aprendizado profundo pode ser significativamente acelerado com a computação distribuída em GPUs. As principais estruturas de aprendizado profundo, como Caffe, Caffe2, Chainer, MxNet, TensorFlow e PyTorch, já integraram a NCCL para aproveitar seus grupos de várias GPUs para comunicações entre nós. O EFA é otimizado para a NCCL na AWS, o que aprimora o throughput e a escalabilidade desses modelos de treinamento e conduz a resultados mais rápidos.