Morpho, Inc. hat die Deep Learning Inferenz-Engine SoftNeuro für ein von der Universität Tokio, der Tohoku Universität und der Kobe Universität gefördertes Projekt zur Verfügung gestellt, um hochauflösende Galaxienbildungssimulationen mit Deep Learning auf dem Supercomputer Fugaku zu beschleunigen. Das Ergebnis ist eine ca. 19,2-mal schnellere Inferenzzeit und eine ca.

93%ige Reduzierung des Stromverbrauchs. Über Bedingungen und gemessene Werte: SoftNeuro wird für 3D-Unet-Inferenz auf Fugaku verwendet. Vergleich der Inferenzgeschwindigkeit mit TensorFlow (standardmäßig auf Fugaku verfügbar) und mit SoftNeuro, das für Fugaku optimiert wurde.

Jeder Fugaku verwendet 1 Knoten (48 Kerne). Morpho wird die weitere Beschleunigung von 3D-Simulationen (Galaxienbildungssimulationen) mit Deep Learning auf Fugaku durch das Projekt und die Zusammenarbeit unterstützen. Darüber hinaus wird Morpho den Komfort und die technischen Möglichkeiten von oSoftNeuroo weiter verbessern und die Technologie auf globaler Ebene weiterentwickeln, um durch die Bereitstellung verschiedener Dienste und Lösungen eine fruchtbare Kultur zu realisieren.