在高性能计算中优化地球物理工作负载：利用机器学习和变压器模型增强并行性和处理器分配

高性能计算（HPC）在处理复杂模型方面至关重要，尤其在地球物理成像中更为突出。它相较于个人计算的优势在于能够通过将工作负载分配到超级计算机集群中来实现并行计算。然而，用户在为特定计算任务选择最有效的机器配置时常常面临挑战，这对于优化速度和效率至关重要。本文解决了这个问题，并提出了一种专门针对地球物理工作负载的基于机器学习的工具包作为解决方案。该领域的重点确保了工具包的建议与该领域的应用高度相关。该工具包主动评估各种机器配置，为用户的地球物理计算任务提供个性化的建议。我们的处理器分类器网络的显著结果证明了该工具包的有效性。它的总体准确率达到70％，平均精度、召回率和F1得分分别为0.73、0.70和0.64。在AMD EPYC 7773X 64核和多款Intel(R) Xeon(R)模型等处理器上观察到了显著的性能表现，其中一些实现了完美的精度和召回率得分。这个工具包专注于地球物理工作负载，使用户能够做出明智的决策，大大提高了为地球物理成像及相关应用选择最佳HPC配置的效率。