مشخصات مقاله | |
ترجمه عنوان مقاله | زیرساخت های محاسباتی مبتنی بر SoC برای برنامه های کاربردی علمی و خدمات تجاری: ارزیابی های اقتصادی و کارایی |
عنوان انگلیسی مقاله | SoC-based computing infrastructures for scientific applications and commercial services: Performance and economic evaluations |
انتشار | مقاله سال 2019 |
تعداد صفحات مقاله انگلیسی | 12 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
مقاله بیس | این مقاله بیس نمیباشد |
نمایه (index) | scopus – master journals – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
5.341 در سال 2017 |
شاخص H_index | 85 در سال 2019 |
شاخص SJR | 0.844 در سال 2017 |
شناسه ISSN | 0167-739X |
شاخص Quartile (چارک) | Q1 در سال 2017 |
رشته های مرتبط | مهندسی کامپیوتر |
گرایش های مرتبط | الگوریتم و محاسبات – معماری سیستمهای کامپیوتری |
نوع ارائه مقاله |
ژورنال |
مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
دانشگاه | Institute for Applied Mathematics and Information Technologies “E. Magenes”, National Research Council of Italy, Genoa, Italy |
کلمات کلیدی | سیستمهای مبتنی بر تراشه قدرت پایین، معیار N-body، یادگیری عمیق، توالی نسل بعدی، ارزیابی های اقتصادی و کارایی |
کلمات کلیدی انگلیسی | Low power Systems-on-Chip, N-body benchmark, Deep learning, Next-Generation Sequencing, Performance and economic evaluations |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2019.01.024 |
کد محصول | E12059 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Outline Highlights Abstract Keywords 1. Introduction 2. Materials and methods 3. The N-body application 4. The deep learning application 5. The NGS application 6. Conclusions and future works Acknowledgments References |
بخشی از متن مقاله: |
Abstract Energy consumption represents one of the most relevant issues by now in operating computing infrastructures, from traditional High Performance Computing Centers to Cloud Data Centers. Low power System-on-Chip (SoC) architectures, originally developed in the context of mobile and embedded technologies, are becoming attractive also for scientific and industrial applications given their increasing computing performances, coupled with relatively low costs and power demands. In this paper, we investigate the performance of the most representative SoCs for a computational intensive N-body benchmark, a simple deep learning based application and a real-life application taken from the field of molecular biology. The goal is to assess the trade-off among time-to-solution, energy-to-solution and economical aspects for both scientific and commercial purposes they are able to achieve in comparison to traditional server-grade architectures adopted in present infrastructures. |