MPI-Allreduce optimieren fuer ein Risiko-Simulations-Backend
Übersicht
Worum es bei diesem Projekt geht.
Optimiere MPI-Allreduce für ein Risiko-Backend, benchmarke auf 256 Cores und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Welcher Allreduce-Algorithmus passt am besten zum vorhandenen Muster und um wie viele Sekunden reduziert er die Wandzeit auf 256 Cores?
Earning criteria — what you'll demonstrate
- Kollektive MPI-Operationen anhand ihrer Algorithmus-Wahl bewerten
- Profiling-Daten in algorithmische Entscheidungen uebersetzen
- Ring-Allreduce und Recursive-Doubling konkret implementieren oder konfigurieren
- Skalierungseffekte der Algorithmus-Wahl auf verschiedenen Prozesszahlen messen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Parallel and Distributed Algorithms
Master · Cs Se
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Backend Engineer
Backend-Rollen, die ML-Training oder Risiko-Simulation skalieren, verlangen Kenntnis kollektiver Operationen (Allreduce kommt in NCCL, Horovod und DDP zurueck) — diese Challenge baut die Sprache und Mess-Methodik direkt auf.
Dieses Projekt schärft
- mpi
- collective-operations
- scalability-analysis
Software Engineer
HPC- und Quant-Software-Engineer-Positionen suchen aktiv nach Bewerber:innen mit messbarer MPI-Optimierungserfahrung — die hier dokumentierten Wandzeit-Reduktionen sind ein klares Portfolio-Stueck.
Dieses Projekt schärft
- mpi
- performance-analysis
- openmpi
Noch eine Sache