'accelerator' 검색 결과

Statically analyze a Simulink model for Rapid Accelerator (raccel) mode incompatibilities. Identifies unsupported blocks (Interpreted MATLAB Function, Level-2 S-Functions without TLC), configuration issues, and data type restrictions that prevent code generation. Classifies each issue as BLOCKER (build error) or WARNING (build warning). Use BEFORE calling sim() in rapid-accelerator mode, when buildRapidAcceleratorTarget fails, or when the user asks "why won't my model run in raccel?" TRIGGER: any request explicitly involving rapid accelerator mode, raccel, raccel build errors, or buildRapidAcceleratorTarget failures.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

투자자 설명 자료, 재무 모델, 자금 사용 계획표와 지원서를 작성하고 갱신합니다. 여러 자료의 사업 실적, 수익 가정, 투자 유치 금액과 팀 정보가 일치하는지 확인합니다.

• 투자자 설명 자료 작성과 개정
• 투자자용 요약 자료와 메모 작성
• 수익 예측과 자금 사용 계획표 작성

When the user wants to apply to startup accelerators, incubators, or fellowship programs. Also use when the user mentions "YC application", "Techstars", "accelerator", or "apply to programs".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Think and work like an expert Accelerator Physicist. Use when a task calls for Accelerator Physicist judgment. Reasons from beam optics, RF cavities, emittance budgets, and loss maps while treating halo and impedance-driven instabilities as first-class failure modes.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Write accelerator applications. TRIGGERS - Use when user needs help with accelerator-application related tasks.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Accelerator Application Specialist. Use to shortlist startup programs, draft applications, prepare founder videos, and rehearse accelerator interviews with a disciplined founder narrative.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Write accelerator applications. TRIGGERS - Use when user needs help with accelerator-application related tasks.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

사업의 매력, 성과, 경쟁 우위와 투자 유치 내용을 정리해 투자자용 HTML 슬라이드를 만듭니다. 발표자 노트가 포함된 자료로 완성합니다.

• Demo Day 투자 유치 자료를 만듭니다
• 투자자에게 성과와 경쟁 우위를 설명합니다
• 발표자 노트가 있는 HTML 자료를 만듭니다

Review Zoom meetings, calls, recordings, and transcripts to catch up on discussions and extract decisions, action items, and owners. Use Zoom's official connections to manage meetings and access supported chat, document, task, and whiteboard features.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Catch up on a missed meeting from recordings or transcripts
• Extract decisions, action items, and owners
• Create, update, or delete Zoom meetings

Inspect CPU, memory, disk, and accelerator information alongside container and scheduler limits. Produce a JSON snapshot with identifying details removed and conservative worker and memory estimates for planning local workloads, without running stress tests.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing worker counts before a large local job
• Checking CPU and memory limits inside a container
• Comparing resource snapshots before and after changes

Finds the base image needed to create a custom GKE node image. It translates requirements such as GKE version, operating system, processor architecture, accelerators, and sandbox settings into a matching image name.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Finding a base image for custom GKE nodes
• Looking up images for GPU or TPU configurations
• Matching images to COS, Ubuntu, ARM64, or X86_64

Use this skill when the user is doing hands-on DOCA DPA host-side work on a BlueField — creating the `doca_dpa` Core context, loading a DPACC-compiled DPA app image (`doca_dpa_app`), creating DPA threads, launching kernels via `doca_dpa_kernel_launch_update_*`, draining `doca_dpa_completion`, running `doca_dpa_cap_*` discovery, choosing between the DPA comm component (inter-DPA messaging) and the DPA verbs component (in-kernel RDMA), or debugging `DOCA_ERROR_*` from `doca_dpa_*`. Trigger even without "DOCA DPA" or "Data-Path Accelerator": "run compute on the DPA from my host", "DPA kernel hangs, no completion", "DOCA_ERROR_DRIVER on launch", "DOCA/DPACC version skew", or "does this BlueField expose a DPA". Route elsewhere for DPA-side kernel programming itself, DPACC compiler internals, host↔DPU messaging (doca-comch), host-side RDMA (doca-rdma), and GPU-initiated networking (doca-gpunetio).

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Expert-level particle physics knowledge. Use when working with the Standard Model, quarks, leptons, bosons, fundamental forces, Feynman diagrams, quantum field theory, particle accelerators, or particle detectors. Also use when the user mentions 'Standard Model', 'quark', 'lepton', 'boson', 'Higgs', 'gluon', 'neutrino', 'antimatter', 'Feynman diagram', 'QCD', 'QED', 'electroweak', 'LHC', or 'particle accelerator'.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Add a Keyboard Shortcuts help window (Ctrl+question) listing all app accelerators, plus the standard GNOME accelerator set. Use when wiring keyboard shortcuts or the Keyboard Shortcuts menu item.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

투자 유치를 위한 첫 이메일, 소개 요청, 후속 연락과 미팅 후 보고를 작성합니다. 투자 방향과 구체적 사업 성과를 반영해 짧고 다음 행동이 명확한 문안으로 다듬습니다.

• 투자자에게 보낼 첫 이메일 작성
• 전달용 소개문을 첨부한 소개 요청
• 답장이 없을 때의 후속 연락 계획

대량 데이터 수집, 과거 데이터 보충, 변환, 동기화의 지연을 단계별로 조사합니다. 처리 방식을 비교해 속도를 높이고 행 수, 파일 수, 시각의 일치 여부를 확인합니다.

• 대량 데이터 수집과 내보내기 가속
• 과거 데이터 보충 시간 단축
• 배치 크기와 병렬 작업 수 비교

기존 PyTorch 학습 코드를 적은 수정으로 여러 GPU나 컴퓨터에 맞게 구성합니다. 혼합 정밀도, 메모리 절약 설정과 학습 실행 방법을 안내합니다.

• 단일 GPU 학습을 여러 GPU로 옮깁니다
• 혼합 정밀도 학습을 설정합니다
• DeepSpeed나 FSDP로 메모리를 절약합니다

Adapt PyTorch training scripts for multiple GPUs or machines with Accelerate. This skill guides code changes, configuration, and launch commands, including mixed precision, which combines numerical formats, and DeepSpeed or FSDP integration for distributed training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Moving single-GPU training to multiple GPUs
• Configuring mixed precision training
• Setting up DeepSpeed or FSDP

Reduce LLM weight usage through pruning, which removes selected model parameters. Explore Wanda and SparseGPT for compression without retraining, choose hardware-friendly patterns for faster inference, and compare the compressed model's accuracy with the original.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Compressing an LLM without retraining
• Comparing pruning methods
• Exploring faster inference on supported hardware

Investigate slow TPU training on GKE by comparing diagnostic events with one-minute monitoring metrics. Separate memory or CPU bottlenecks from hardware and network issues, and identify the appropriate next steps.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigating slower TPU training without pod crashes
• Checking PERFORMANCE_DEGRADATION events
• Separating resource bottlenecks from infrastructure issues

Configure GKE ComputeClasses, which define preferred computing resources for workloads. Set fallback options between Spot and on-demand VMs, target GPUs or machine families, control class usage, and investigate pods waiting for suitable nodes.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Configuring fallback from Spot VMs to on-demand capacity
• Selecting GPUs, TPUs, or machine families
• Restricting ComputeClass editing and workload usage

Plan and troubleshoot large language and vision model training and inference. This guide uses hardware measurements to identify bottlenecks, address memory shortages and unstable training, and improve checkpointing, recovery, and performance across multiple GPUs and machines.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Diagnosing slow training and GPU memory shortages
• Investigating loss spikes and invalid numerical values
• Debugging communication hangs across GPUs and machines

Guides LLM compression through pruning, which removes selected model weights. Covers Wanda and SparseGPT methods without retraining, accuracy comparisons, and structured weight patterns that can accelerate inference on compatible hardware.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Trying model compression without retraining
• Comparing accuracy before and after pruning
• Choosing between Wanda and SparseGPT

Compare computing devices for a defined AI model workload using memory capacity, computing speed, data transfer, energy use, and cost. Build a comparison that separates predicted performance from measurements and identifies the constraints that determine the choice.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing hardware for a specific AI model
• Checking whether a model fits in device memory
• Explaining gaps between advertised and measured performance