ترجمه نشده
زیرساخت های محاسباتی مبتنی بر SoC برای برنامه های کاربردی علمی و خدمات تجاری
عنوان فارسی مقاله: زیرساخت های محاسباتی مبتنی بر SoC برای برنامه های کاربردی علمی و خدمات تجاری: ارزیابی های اقتصادی و کارایی
عنوان انگلیسی مقاله: SoC-based computing infrastructures for scientific applications and commercial services: Performance and economic evaluations
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: الگوریتم و محاسبات، معماری سیستمهای کامپیوتری
کلمات کلیدی فارسی: سیستمهای مبتنی بر تراشه قدرت پایین، معیار N-body، یادگیری عمیق، توالی نسل بعدی، ارزیابی های اقتصادی و کارایی
کلمات کلیدی انگلیسی: Low power Systems-on-Chip, N-body benchmark, Deep learning, Next-Generation Sequencing, Performance and economic evaluations
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2019.01.024
دانشگاه: Institute for Applied Mathematics and Information Technologies “E. Magenes”, National Research Council of Italy, Genoa, Italy
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شاخص Quartile (چارک): Q1 در سال 2017
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
فهرست مطالب (انگلیسی) Abstract
1. Introduction
2. Materials and methods
3. The N-body application
4. The deep learning application
5. The NGS application
6. Conclusions and future works
Acknowledgments
References
بخشی از مقاله (انگلیسی) Abstract
Energy consumption represents one of the most relevant issues by now in operating computing infrastructures, from traditional High Performance Computing Centers to Cloud Data Centers. Low power System-on-Chip (SoC) architectures, originally developed in the context of mobile and embedded technologies, are becoming attractive also for scientific and industrial applications given their increasing computing performances, coupled with relatively low costs and power demands. In this paper, we investigate the performance of the most representative SoCs for a computational intensive N-body benchmark, a simple deep learning based application and a real-life application taken from the field of molecular biology. The goal is to assess the trade-off among time-to-solution, energy-to-solution and economical aspects for both scientific and commercial purposes they are able to achieve in comparison to traditional server-grade architectures adopted in present infrastructures.
