Machine Learning-Based Runtime Prediction and Energy Optimization for HPC Job Scheduling Using the NREL Eagle Supercomputer Dataset

Resumen

7.3 millones de trabajos del superordenador Eagle de NREL: los usuarios usan una mediana de solo 6.7 % del tiempo que reservan, y ajustar los límites con aprendizaje automático ahorra 64.8 % de energía, unos 7.25 millones de kWh al año.