The Doppler Quarterly (DEUTSCHE) Sommer 2016 | Page 81

Tool im Rahmen seiner Machine Learning-­ Arbeiten und hat es als generische Open-Source- Analyseplattform, die auf viele verschiedene Domänen und Problemstellungen angewendet werden kann, zur Verfügung gestellt. • TPU – Ziel von Google war es, die Tensor Pro- cessing Units (TPU) in seinen Rechenzentren zu entwerfen und implementieren, um die Machine Learning-Workloads zu beschleuni- gen. Eine TPU ist ein kundenspezifischer ASIC, der speziell für Machine Learning optimiert wurde. Google baut weiterhin sein Partner-Ökosystem aus, wobei einige Partner ihren Schwerpunkt auf HPC gesetzt haben. Einer der zentralen Partner ist Cycle- Azure bezeichnet HPC-orientierte Workloads als Big Compute. Dies dient der Unterscheidung zwischen prozessor- und verbindungsintensiven HPC- Workloads und Big Data-Workloads, die im Vergleich zu HPC sehr unterschiedliche Kommunikationsmus- ter aufweisen. Die Azure Big Compute-Funktionalität deckt mehrere spezifische Bereiche ab. Computing, der eine Lösung anbietet, mit der die Verarbeitung von HPC-Workloads auf einer Vielzahl von Cloud-Provider-Lösungen wie Google mit ent- sprechender einfacher zeitlicher Planung ausgeführt werden können. Während AWS und Azure umfassende IaaS-Funktio- nalität bieten, die durch HPC-spezifische Technolo- gien ergänzt wird, hat Google mit Google Genomics und Google Machine Learning den PaaS-Weg (Plat- form as a Service) eingeschlagen. Auf diese Weise können Unternehmen große, komplexe Datensätze analysieren, ohne IaaS-Services bereitstellen, konfi- gurieren und verwalten zu müssen. Der Ansatz von Google ist einzigartig und wird definitiv auf weitere Bereiche ausgeweitet werden. • Konstruktionsentwurf und -simulation Simulationen, einschließlich Finite-Elemen- te-Analyse, Strukturanalyse und numerische Strömungssimulation, die üblicherweise Pro- duktdesign und -validierung unterstützen. SOMMER 2016 | THE DOPPLER | 79