与许多传统的数据分析方法相比，神经网络具有更快、更准确地模拟宇宙学数据的潜力。巴黎大学利用IPU加速了两个宇宙学深度学习的用例，使用了变分自编码器 (VAE)、确定性神经网络和贝叶斯神经网络。

“现在我们拥有的许多数据模拟都是基于非常简单的星系模型。借助神经网络，您还可以学习更复杂的星系形状。这对生成更逼真的星系图像也是非常有趣的。如果用户想要动态生成数据来训练神经网络，我建议使用IPU。”

Bastien Arcelin，巴黎大学研究员

IPU系统让物理研究人员可以运行更复杂的算法，并探索人工智能在粒子物理学中的潜力。布里斯托大学在欧洲核子研究中心的大型强子对撞机优势实验的研究中受益于IPU的高度并行计算，其生成对抗网络 (GAN) 应用程序的性能提高了5.4 倍。

“我们展示的功能和性能提升展示了IPU独特架构的多功能性。而且我们从Graphcore获得的支持至关重要，在我们正在进行的探索 IPU处理粒子物理学庞大且快速增长的数据集的能力的项目中也是如此。”

Jonas Rademacker，布里斯托大学物理学教授

在模型的规模和复杂性不断增长的时代，稀疏计算提供了一个引人注目的解决方案。Graphcore的技术旨在实现稀疏性。IPU 硬件可以独立、并行地执行稀疏计算所必需的许多不同计算，并在软件层面上集成了稀疏内核和库。

Graphcore加入了为期三年的欧洲SparCity项目，该项目旨在创建一个超级计算框架，目标是将稀疏计算用于新的人工智能应用程序。Simula研究实验室是SparCity的另一个主要参与者：

“Graphcore用于构建和执行下一代大型机器学习模型的节能技术给我们留下了深刻的印象，预计我们在医学成像和心脏模拟方面的几个以人工智能为导向的研究项目将获得显著的性能提升。”

Are Magnus Bruaset，Simula研究实验室研究总监

了解更多

“毫无疑问，创建和维护用于量子计算机的固态是很复杂的。调整它们并让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。

我们使用的先进人工智能模型已经在测试当今加速器的极限。我们与Graphcore IPU开展的早期合作带来了巨大的性能提升，这要归功于它的原始计算能力，以及它管理稀疏性等经典人工智能挑战的方式。

我们对Graphcore宣布下一代IPU技术以及相关计算能力感到非常兴奋，这将推动我们进一步更快地进入量子计算的未来。”

Andrew Briggs教授，牛津大学材料系