SeT-Diff: Un Modello Fondamentale per la Telemetria HPC e le Serie Temporali
SeT-Diff è stato presentato dai ricercatori come il primo modello fondamentale progettato per dati di telemetria e serie temporali nel calcolo ad alte prestazioni (HPC). A differenza dei metodi di apprendimento automatico convenzionali che dipendono da variabili di sensori fisse e diventano obsoleti con il cambiamento dei compiti, SeT-Diff utilizza un approccio generativo basato sulla diffusione che si basa sulle descrizioni semantiche di ciascun sensore. Questa innovazione separa le dinamiche del sistema dalla struttura del dataset, consentendo una maggiore adattabilità. I test condotti su un dataset reale di supercomputer hanno prodotto un Errore Assoluto Medio (MAE) di 0,0470 per i compiti di ricostruzione e hanno mostrato stabilità di permutazione zero-shot, con una perdita di accuratezza minima. Questo sviluppo risponde alla domanda di gemelli digitali precisi nei data center.
Fatti principali
- 1. SeT-Diff è il primo modello fondamentale per la telemetria dei nodi di calcolo e le serie temporali.
- 2. Utilizza un processo generativo basato sulla diffusione condizionato da descrizioni semantiche dei sensori.
- 3. Raggiunge un MAE di 0,0470 nei compiti di ricostruzione utilizzando un dataset reale di supercomputer.
- 4. Mostra stabilità di permutazione zero-shot con una degradazione dell'accuratezza trascurabile.
- 5. Supera le limitazioni dei modelli a variabili di sensori statici nell'HPC.
- 6. Consente gemelli digitali flessibili per i data center.
- 7. Disaccoppia le dinamiche del sistema dalla struttura del dataset.
- 8. Pubblicato su arXiv con ID 2607.22548.
Entità
Istituzioni
- arXiv