cs.DC Arbeiten | Gist.Science

Unlocking Python's Cores: Hardware Usage and Energy Implications of Removing the GIL

Die Studie zeigt, dass das experimentelle Deaktivieren des Global Interpreter Locks (GIL) in Python 3.14.2 bei parallelisierbaren Workloads die Ausführungszeit und den Energieverbrauch signifikant senken kann, jedoch bei sequenziellen Aufgaben oder häufigen Objektzugriffen zu höherem Energieverbrauch und erhöhtem Speicherverbrauch führt, was eine sorgfältige Evaluierung der spezifischen Arbeitslast vor einer Einführung erfordert.

José Daniel Montoya Salazar2026-03-06💻 cs

The Semantic Arrow of Time, Part IV: Why Transactions Fail

Diese Arbeit zeigt, dass das FITO-Kategorienirrtum, das die semantische Zeitpfeil-Richtung durch das Fehlen einer reflektierenden Phase in Systemen wie Cloud-Synchronisation, E-Mail und menschlichem Gedächtnis verletzt, dazu führt, dass die bloße zeitliche Abfolge von Informationen fälschlicherweise als sinnvolle Integration missverstanden wird.

Paul Borrill2026-03-06💻 cs

The Semantic Arrow of Time, Part V: The Leibniz Bridge -- Toward a Unified Theory of Semantic Time

Dieser Abschlussartikel der Serie „Der semantische Zeitpfeil" stellt die „Leibniz-Brücke" vor, ein einheitliches Framework, das philosophische Grundlagen, Protokoll-Engineering und Quantenphysik durch das Prinzip der gegenseitigen Informationskonservierung verbindet, um die FITO-Fehlschlüsse zu entlarven und die scheinbare Unmöglichkeit verteilter Konsensprobleme als Artefakte fehlerhafter Annahmen aufzulösen.

Paul Borrill2026-03-06💻 cs

FluxSieve: Unifying Streaming and Analytical Data Planes for Scalable Cloud Observability

Die Arbeit stellt FluxSieve vor, eine einheitliche Architektur, die durch die Einbettung einer leichtgewichtigen Vorverarbeitungs- und Filterungsschicht direkt in den Dateningestionspfad Streaming- und Analytik-Datenpläne vereint und damit bei vernachlässigbarem Speicher- und Rechenaufwand die Abfrageleistung in skalierbaren Cloud-Observability-Plattformen um Größenordnungen verbessert.

Adriano Vogel, Sören Henning, Otmar Ertl2026-03-06💻 cs

PromptTuner: SLO-Aware Elastic System for LLM Prompt Tuning

Das Paper stellt PromptTuner vor, ein SLO-bewusstes, elastisches System für das Prompt-Tuning von Large Language Models, das durch einen Prompt-Bank und einen Workload-Scheduler SLO-Verletzungen und Ressourcenkosten im Vergleich zu bestehenden Lösungen signifikant reduziert.

Wei Gao, Peng Sun, Dmitrii Ustiugov + 2 more2026-03-06💻 cs

Leveraging Structural Knowledge for Solving Election in Anonymous Networks with Shared Randomness

Diese Arbeit liefert eine vollständige Charakterisierung der Bedingungen, unter denen ein randomisierter Wahlalgorithmus in anonymen Netzwerken mit gemeinsam genutztem Zufall existiert, und erweitert damit bestehende deterministische Ergebnisse auf verschiedene Formen strukturellen Wissens.

Jérémie Chalopin, Emmanuel Godard2026-03-06💻 cs

Scaling Real-Time Traffic Analytics on Edge-Cloud Fabrics for City-Scale Camera Networks

Die Studie stellt ein skalierbares, KI-gestütztes Verkehrsüberwachungssystem vor, das auf einer Edge-Cloud-Infrastruktur basiert und durch den Einsatz von Jetson-Orin-Geräten sowie spatio-temporalen Graph-Neural-Networks die Echtzeit-Analyse von bis zu 1000 Kamera-Streams in städtischen Umgebungen ermöglicht.

Akash Sharma, Pranjal Naman, Roopkatha Banerjee + 11 more2026-03-06💻 cs

A monitoring system for collecting and aggregating metrics from distributed clouds

Dieser Beitrag stellt ein Monitoring-System vor, das Metriken von verteilten Clouds auf Knoten-, Container- und Anwendungsebene sammelt, aggregiert und über verschiedene APIs sowie einen Streaming-Dienst für eine umfassende Systemübersicht bereitstellt.

Tamara Ranković, Mateja Rilak, Janko Rakonjac + 1 more2026-03-06💻 cs

Radiation Hydrodynamics at Scale: Comparing MPI and Asynchronous Many-Task Runtimes with FleCSI

Diese Studie vergleicht die Leistung des FleCSI-Frameworks mit MPI-, Legion- und HPX-Backends bei Strahlungshydrodynamik-Anwendungen und zeigt, dass HPX bei rechenintensiven Aufgaben auf kleineren Systemen MPI übertrifft, während die Skalierbarkeit bei Kommunikationslasten noch durch nicht optimierte Kollektivoperationen eingeschränkt ist.

Alexander Strack, Hartmut Kaiser, Dirk Pflüger2026-03-06💻 cs

Carbon-Aware Quality Adaptation for Energy-Intensive Services

Diese Arbeit stellt einen Ansatz vor, der durch die dynamische Anpassung der Antwortqualität energieintensiver Dienste an die aktuelle Kohlenstoffintensität des Stromnetzes und die Einhaltung eines jährlichen CO₂-Budgets die Emissionen von Large-Language-Model-Services um bis zu 10 % senken kann.

Philipp Wiesner, Dennis Grinwald, Philipp Weiß + 3 more2026-03-05💻 cs

Proof of Cloud: Data Center Execution Assurance for Confidential VMs

Die Arbeit stellt DCEA vor, ein System, das durch die kryptografische Verknüpfung von CVM-Attestierungen mit plattformweiten TPM-Beweisen erstmals nachweisbare Garantien für die Ausführung vertraulicher virtueller Maschinen innerhalb eines vertrauenswürdigen Rechenzentrums bietet und so komplexe Proxy-Angriffe verhindert.

Filip Rezabek, Moe Mahhouk, Andrew Miller + 3 more2026-03-05💻 cs

OSGym: Scalable Distributed Data Engine for Generalizable Computer Agents

OSGym ist eine skalierbare, verteilte Daten-Engine, die es ermöglicht, Computer-Agenten kostengünstig und effizient durch die parallele Ausführung von über tausend Betriebssystem-Instanzen für diverse Aufgaben zu trainieren.

Zengyi Qin, Jinyuan Chen, Yunze Man + 28 more2026-03-05💻 cs

Distributed Quantum Computing with Fan-Out Operations and Qudits: the Case of Distributed Global Gates

Diese Arbeit untersucht, wie sich multipartite Verschränkungsressourcen und QuDits zur effizienten Implementierung globaler Quantengatter in verteilten Quantencomputern nutzen lassen, und zieht daraus Schlussfolgerungen für die zukünftige Schaltungskomprimierung sowie das Design von Quantendatenzentren.

Seng W. Loke2026-03-05⚛️ quant-ph

Why Do AI Agents Systematically Fail at Cloud Root Cause Analysis?

Diese Studie analysiert systematisch die Ursachen für das Versagen von LLM-basierten Agenten bei der Cloud-Root-Cause-Analyse, identifiziert architekturbedingte Fallstricke wie Halluzinationen und unvollständige Exploration, und zeigt, dass Prompt-Engineering allein nicht ausreicht, während verbesserte Kommunikationsprotokolle die Fehlerquote signifikant senken können.

Taeyoon Kim, Woohyeok Park, Hoyeong Yun + 1 more2026-03-05🤖 cs.AI

SENTINEL: Stagewise Integrity Verification for Pipeline Parallel Decentralized Training

Das Paper stellt SENTINEL vor, einen leichten Verifikationsmechanismus auf Basis von Exponential Moving Averages, der die Integrität beim dezentralen Pipeline-Parallel-Training über unzuverlässige Knoten sicherstellt, ohne Berechnungen zu duplizieren, und dabei theoretische Konvergenzgarantien sowie erfolgreiche Experimente mit 4-Milliarden-Parameter-Modellen bietet.

Hadi Mohaghegh Dolatabadi, Thalaiyasingam Ajanthan, Sameera Ramasinghe + 5 more2026-03-05🤖 cs.LG

Efficient Time-Aware Partitioning of Quantum Circuits for Distributed Quantum Computing

Diese Arbeit stellt einen effizienten, zeitaufmerksamen Beam-Search-Heuristik vor, der durch inkrementelle Zuweisung von Qubits über die Zeit hinweg die Kommunikationskosten in verteilten Quantencomputern im Vergleich zu statischen Methoden und Metaheuristiken signifikant reduziert.

Raymond P. H. Wu, Chathu Ranaweera, Sutharshan Rajasegarar + 3 more2026-03-05⚛️ quant-ph

PTOPOFL: Privacy-Preserving Personalised Federated Learning via Persistent Homology

Die Arbeit stellt PTOPOFL vor, ein privatsphäreschonendes Framework für personalisiertes Federated Learning, das durch den Austausch topologischer Deskriptoren anstelle von Gradienten sowohl Daten-Rekonstruktionsangriffe verhindert als auch die Leistung bei nicht-IID-Datenverteilungen verbessert.

Kelly L Vomo-Donfack, Adryel Hoszu, Grégory Ginot + 1 more2026-03-05🤖 cs.LG

Fast and memory-efficient classical simulation of quantum machine learning via forward and backward gate fusion

Diese Arbeit stellt eine Methode zur schnellen und speichereffizienten klassischen Simulation von Quantum Machine Learning vor, die durch das Fusionieren aufeinanderfolgender Gatter in Vorwärts- und Rückwärtspfaden den Durchsatz um das 20-fache steigert und den Speicherverbrauch senkt, wodurch das Training großer Quantenmodelle auf Consumer-GPUs ermöglicht wird.

Yoshiaki Kawase2026-03-03⚛️ quant-ph

← Zurück