研究组一项工作（EMO）被SC 2026接收
2026-07-20
7月2日，SC（The International Conference for High Performance Computing, Networking, Storage, and Analysis）公布了2026年论文入选结果。研究组一篇论文EMO: Energy Efficiency Modeling and Optimization for AI Workloads成功入选。
EMO关注日益增长的 AI 训练与推理能耗。GPU 工作负载中异步执行会产生“空隙”，使得部分非关键计算可以降频而不影响端到端进度。EMO不依赖特定模型结构，而是在 CUDA Kernel、NCCL 通信和 CPU 事件等低层执行原语上构建依赖图，用 what-if 分析识别真正可利用的细粒度空隙。为避免逐 kernel 建模带来的高开销，EMO 提出依赖感知的 kernel packing，将细粒度机会压缩成适合 DVFS 控制的建模单元。最终，EMO 将图分析、能耗建模和频率策略搜索结合起来，为多种 AI 并行形态提供通用、轻量的能效优化框架。