学术计划简介
Graphcore为推动人工智能创新构建工具与技术。我们的学术计划旨在为在学习或教学中使用IPU进行研究并发布研究成果的教授、研究人员、主要研究者、博士后、博士和硕士生提供支持。

优先研究领域
我们积极寻求下述领域内的项目和建议,以开放的心态听取关于使用IPU的创新想法。
- 随机学习优化
- 用于深度学习和计算图网络的新型高效模型
- 稀疏训练
- 平行训练的新方向
- 本地平行性
- 多模型训练
- 有条件的稀疏计算
益处
加入该学术计划的大学可以享受:
免费在云端测试和使用IPU硬件的机会
拨款和资助计划的支持信函
访问包括Poplar®和PopART®在内的Graphcore最新软件工具
Graphcore内部研究人员和工程人员的支持和定期沟通
大学合作





加州大学伯克利分校
加州大学伯克利分校的研究人员和谷歌大脑团队成员使用IPU对具有本地更新的深度神经网络进行并行训练。他们发现本地并行性在高计算方案中特别有效。
“我们与Graphcore合作,对具有本地更新的深度网络进行并行训练。该研究表明,IPU截然不同的处理器架构能够帮助实现新的分布式计算和更大模型训练的方法。它表明Graphcore的技术不仅在吞吐量和时延等指标上提供数量上更优化的性能,还从根本上开启了新的方法,以应对那些阻碍AI发展的潜在的计算挑战。”
加州大学伯克利分校Pieter Abbeel教授
牛津大学
“毫无疑问,创建和维护用于量子计算机的固态量子位是很复杂的。调整它们并使它们保持稳定需要实时分析和控制许多敏感变量。这是一个完美的机器学习问题。我们使用的高级AI模型已经在测试当今加速器的极限。我们在早期的研究中使用Graphcore的IPU之后,实现了显著的性能提升,这得益于IPU原始的计算能力以及其应对稀疏性等经典AI挑战的方式。Graphcore发布的下一代IPU技术以及相关的计算能力将推动我们进一步、更快地步入量子计算的未来,我们对此感到非常兴奋。”
牛津大学Andrew Biggs教授
想要加入我们的学术计划?
获取最新的GRAPHCORE资讯
在下方注册以获取最新的资讯和更新: