
Le calcul exascale désigne les systèmes de calcul haute performance capables d'exécuter au moins un exaflop — 10¹⁸ opérations en virgule flottante par seconde — un seuil formellement franchi avec le déploiement de Frontier au Laboratoire national d'Oak Ridge en 2022, suivi d'Aurora à Argonne et d'El Capitan à Lawrence Livermore.
Les applications scientifiques qui justifient cette infrastructure — modélisation climatique à haute résolution, simulation des stocks nucléaires, cartographie des circuits neuronaux du cerveau entier, cosmologie de précision et modélisation épidémiologique à l'échelle d'une pandémie — partagent un profil commun : des problèmes dont la résolution spatiale ou temporelle était manifestement limitée par le débit arithmétique à l'échelle du pétaoctet.
Les publications et les brevets indexés ci-dessous documentent les architectures matérielles, les logiciels système, les modèles de programmation et les applications spécifiques au domaine qui définissent la frontière actuelle de la recherche exascale.
Voici notre dernière sélection de publications et de brevets mondiaux en anglais sur le calcul exascale, parmi de nombreuses revues scientifiques en ligne, classées et axées sur le calcul exascale, exaflop, supercalculateur Frontier, supercalculateur Aurora, supercalculateur El Capitan, HPC exascale, charge de travail exascale, nœud de calcul à haute performance, interconnexion exascale, interconnexion Slingshot, hiérarchie de stockage exascale, système de fichiers parallèles, refroidissement liquide HPC, bande passante mémoire exascale, mémoire à large bande passante HPC, MPI exascale, OpenMP exascale, tolérance aux pannes exascale, redémarrage du point de contrôle HPC, exascale, accélérateur exascale et cluster GPU HPC.
Publication: pas de nouvelles récentes sur ce sujet particulier. Veuillez essayer la recherche manuelle approfondie dans la base de données des publications dont le lien figure juste au-dessus.
Selective inline compression using data processing unit on a parallel file system
Patent published on the 2026-07-16 in US under Ref US20260202962 by DELL PRODUCTS L P [US] (Doddaiah Ramesh [us], Chen Xiangping [us], Krasner Jonathan Ichael [us])
Abstract: Embodiments disclosed herein relate to selective inline compression of data using data processing units (DPUs) of hosts running on the file system prior to storing the data on a remote storage system. To be compressed by the DPUs of the hosts, data should be not already compressed, the data should not subject to frequent read/write cycles off the remote storage system, and the DPU should have sufficient computing resources to compress the data. A file system is connected to the hosts and the rem[...]
Our summary: Selective inline compression is performed using data processing units (DPUs) on hosts before storing data in a remote storage system. The process relies on a file heatmap generated by machine learning to assess data access frequency. Only uncompressed data that meets specific criteria is eligible for compression by the DPUs.
inline compression, data processing unit, file system, machine learning
Patent

















