Elastic Fabric Adapter

EFA 的獨特 OS 略過聯網機制為執行個體間的通訊提供了一條低延遲、低抖動通道。這讓您緊密耦合的 HPC 或分散式機器學習應用程式能夠擴展到數千個核心，提升應用程式的執行速度。

您可以在不斷增長的 EC2 執行個體清單上啟用 EFA 支援，並靈活地為您的工作負載選擇適當的運算組態。只要隨需求變化改變您的叢集組態即可，也可以在新的運算執行個體上啟用 EFA 支援。無需事先保留或前期規劃。

EFA 使用 Libfabric 介面和 Libfabric API 進行通訊。由於幾乎所有的 HPC 程式設計模型都支援此介面，所以您可以將現有 HPC 應用程式遷移到雲端，只需少許修改，甚至無需任何修改。

計算流動動力學 (CFD) 演算法的進步讓工程師能夠模擬愈加複雜的流體現象，而 HPC 則有助於縮短周轉時間。藉助 EFA，設計工程師現在可橫向擴充其模擬工作，以試驗更多可調校的參數，從而更快取得更準確的結果。

複雜的天氣模型需要高記憶體頻寬、快速互連和穩健的平行檔案系統，以產生準確的結果。模型上的網格間隔越小，結果便越準確，模型所需的運算資源就越多。憑藉 EFA 所提供的快速互連，天氣建模應用程式可利用幾乎無限制的 AWS 雲端擴展能力，在更短時間內產生更準確的預測。

GPU 上的分散式運算可大幅加快深度學習模型的訓練速度。領先的深度學習架構 (如 Caffe、Caffe2、Chainer、MxNet、TensorFlow 和 PyTorch) 整合了 NCCL，以便利用其多個節點之間的多 GPU 集合通訊。EFA 針對 AWS 上的 NCCL 進行了最佳化，改善了這些訓練模型的輸送量和可擴展性，從而可更快取得結果。