Resumen: Las tecnologías de inteligencia artificial (IA) han transformado fundamentalmente aplicaciones de computación de alto rendimiento basadas en numérica (HPC) con enfoques basados en datos y tratado de abordar los desafíos existentes, p. Alta intensidad computacional, en varios dominios científicos. En este estudio, exploramos los escenarios de acoplamiento HPC y AI (HPC-AI) en el contexto de aplicaciones científicas emergentes, presentando una metodología novedosa que incorpora tres patrones de acoplamiento: sustituto, directiva y coordinación. Cada patrón ejemplifica una estrategia de acoplamiento distinta, un requisito previo impulsado por IA y conjuntos típicos de HPC-AI. A través de estudios de casos en ciencia de materiales, demostramos la aplicación y la efectividad de estos patrones. El estudio destaca los desafíos técnicos, las mejoras de rendimiento y los detalles de implementación, proporcionando información sobre perspectivas prometedoras del acoplamiento HPC-AI. Los patrones de acoplamiento propuestos son aplicables no solo a la ciencia de los materiales sino también a otros dominios científicos, ofreciendo una valiosa orientación para futuros conjuntos de HPC-AI en el descubrimiento científico.
Publicado Originalme en export.arxiv.org El 2 de julio de 2025.
Ver Fuente Original
