메뉴 건너뛰기
소속 기관 / 학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 / 회원가입
고객센터 ENG
주제분류
인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG
학술저널
오류 신고하기해당 페이지 내 제목·저자·목차·페이지
정보가 잘못된 경우 알려주세요!

논문 기본 정보

저자정보
(Korea Institute of Science and Technology Information) (Korea Institute of Science and Technology Information) (Korea Institute of Science and Technology Information) (Korea Institute of Science and Technology Information)
저널정보
Korean Institute of Information Scientists and Engineers Journal of Computing Science and Engineering Journal of Computing Science and Engineering Vol.19 No.3
오류 신고하기
표지

피인용 0

검색

    초록·키워드

    As large-scale artificial intelligence (AI) models such as GPT-4 and Gemini demand increasingly complex computations, optimizing graph processing performance in high-performance computing (HPC) systems has become essential. Unlike traditional benchmarks focusing on numerical operations, graph-based workloads emphasize connectivity and traversal efficiency, which are critical for AI training, data analytics, and large-scale knowledge modeling. This study develops an XGBoost-based performance prediction model using the Graph500 benchmark dataset to identify and optimize the factors affecting GTEPS (giga-traversed edges per second). By analyzing key system variables—such as memory size, problem scale, and node-core allocation—the model predicts graph processing performance with high accuracy (R² = 0.96). The results demonstrate that memory capacity and problem scale have the most significant influence, suggesting that balanced resource allocation can yield substantial performance gains without hardware expansion. This research contributes to the field by introducing a machine learning-driven approach for HPC optimization, enhancing both performance prediction accuracy and operational efficiency. The findings provide a practical framework for data-driven HPCresource management in future AI and graph analytics environments.
    #Graph500 #HPC #AI computing #LLM #XGBoost

    본문·목차

    최근 본 자료 전체보기

      260915_DBpiaAI2학기
      261017_Citeasy Update
      260917_DBpiaAI뷰어2
      260604_KRpiaAI
      UCI(KEPA) : I410-151-26-02-095621797