巴黎大学的宇宙学研究人员使用IPU训练用于宇宙学应用的特定神经网络，训练速度提高了4倍。

天体粒子和宇宙学实验室的一名研究人员研究了两个深度学习用例：从经过训练的VAE潜在空间生成星系图像，以及使用确定性深度神经网络和贝叶斯神经网络（BNN）进行星系形状估计。

“我们今天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。生成更逼真的星系图像也非常有趣。如果用户想要即时生成数据来训练神经网络，我建议使用IPU。”

巴黎大学研究员Bastien Arcelin

布里斯托大学和CERN的物理学家正在通过IPU以一种新的方式应对粒子物理学中的挑战，使用生成式对抗网络（GAN）实现超过5倍的性能提升。

“我们研究了Graphcore IPU对粒子物理学中发现的几个计算问题的适用性，这些计算问题对于我们在CERN进行的LHCb实验的研究至关重要。我们所展示的功能和性能提升表明了IPU独特架构的多功能性。此外，我们从Graphcore获得的支持至关重要，并且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数据集的能力的项目中仍然如此。”

布里斯托大学物理学教授Jonas Rademacker

加州大学伯克利分校和谷歌大脑使用IPU对具有本地更新的深度神经网络进行并行训练。他们发现局部并行性在高计算状态下特别有效。

“我们与Graphcore在具有本地更新的深度网络并行训练方面所做的工作说明了IPU截然不同的处理器架构是如何帮助实现分布式计算的新方法和更大模型训练。这表明Graphcore的技术不仅在吞吐量和时延等指标上提供数量上更优的性能，还从根本上开辟了应对计算挑战的新方法，以应对那些可能会阻碍人工智能发展的计算挑战。”

加州大学伯克利分校Pieter Abbeel教授

马萨诸塞大学在IPU上使用近似贝叶斯计算加速了Covid-19建模，并实现了速度提升：与CPU相比实现了30倍的速度提升；与GPU相比实现了7.5倍的速度提升。

牛津大学的研究人员正在使用IPU推动我们更快、更深入地进入量子计算的未来。

“创建和维护用于量子计算机的固态量子位无疑是复杂的。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Graphcore IPU开展的工作带来了巨大的性能提升，这要归功于它的原始计算能力，以及它管理如稀疏性等经典人工智能挑战的方式。我们对Graphcore下一代IPU技术以及相关计算能力感到非常兴奋，它将推动我们更快、更深入地进入量子计算的未来。”

牛津大学材料科学系Andrew Briggs教授