Elastic Fabric Adapter

El exclusivo mecanismo de red de derivación del sistema operativo de EFA proporciona un canal de baja latencia y baja fluctuación para las comunicaciones entre instancias. Esto permite que sus aplicaciones de HPC estrechamente acopladas o de machine learning distribuido se escalen a miles de núcleos, lo que hace que sus aplicaciones se ejecuten más rápido.

Puede habilitar la compatibilidad con EFA en una lista creciente de instancias de EC2 y conseguir la flexibilidad necesaria para elegir la configuración de computación adecuada para su carga de trabajo. Solo cambie las configuraciones del clúster a medida que cambian sus necesidades y habilite la compatibilidad con EFA en sus nuevas instancias de computación. No es necesario hacer reservas previas ni planificar por adelantado.

EFA utiliza la interfaz y las API de Libfabric para las comunicaciones. Como casi todos los modelos de programación de HPC admiten esta interfaz, puede migrar sus aplicaciones de HPC existentes a la nube con pocas modificaciones o ninguna.

Los avances en los algoritmos de dinámica de fluidos computacional (CFD) permiten a los ingenieros simular fenómenos de flujo cada vez más complejos y la HPC ayuda a reducir los tiempos de respuesta. Con EFA, los ingenieros de diseño ahora pueden escalar horizontalmente sus trabajos de simulación para experimentar con parámetros más ajustables, lo que se traduce en resultados más precisos que se obtienen con mayor rapidez.

Los modelos meteorológicos complejos requieren un gran ancho de banda de memoria, interconexiones rápidas y sistemas de archivos paralelos robustos para ofrecer resultados precisos. Cuanto más cerca esté el espaciado de la cuadrícula en el modelo, más precisos serán los resultados y más recursos computacionales requerirá el modelo. EFA ofrece una interconexión rápida que permite a las aplicaciones de modelado meteorológico aprovechar las capacidades de escalado casi ilimitadas de la nube de AWS y obtener predicciones más precisas en menos tiempo.

El entrenamiento de los modelos de aprendizaje profundo se puede acelerar de forma significativa con la computación distribuida en varias GPU. Los principales marcos de aprendizaje profundo, como Caffe, Caffe2, Chainer, MXNet, TensorFlow y PyTorch, ya se han integrado a NCCL para aprovechar sus colectivos de múltiples GPU para las comunicaciones entre nodos. EFA está optimizado para NCCL en AWS y, de este modo, mejora el rendimiento y la escalabilidad de estos modelos de entrenamiento, lo que permite obtener resultados más rápidos.