Benchmarking the Performance of Scientific Applications with - - PowerPoint PPT Presentation

Benchmarking the Performance of Scientific Applications with
 Irregular I/O at the Extreme Scale

Stephen ¡Herbein, ¡University ¡of ¡Delaware ¡ Sco4 ¡Klasky, ¡Oak ¡Ridge ¡Na<onal ¡Laboratory ¡ Michela ¡Taufer, ¡University ¡of ¡Delaware ¡ ¡

Mo<va<on ¡

Let’s ¡consider ¡an ¡applica<on ¡with ¡ irregular ¡I/O ¡such ¡as ¡QMCPack: ¡

• I/O ¡overhead ¡can ¡take ¡up ¡to ¡

30% ¡regardless ¡of ¡I/O ¡library ¡

• Full ¡scale ¡overhead ¡is ¡

projected ¡to ¡be ¡50% ¡or ¡higher ¡

ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 H D F 5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 H D F 5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 H D F 5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 H D F 5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 H D F 5 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Time (%)

I/O Time Execution Time n cores=8192 n cores=16384 n cores=32768 n cores=65536 n cores=131072

QMCPack time – execution vs. I/O on Titan

• S. ¡Herbein, ¡et ¡al. ¡Performance ¡Impact ¡of ¡I/O ¡on ¡QMCPack ¡

Simula<ons ¡at ¡the ¡Petascale ¡and ¡Beyond. ¡CSE ¡2013. ¡

1

What ¡are ¡the ¡factors ¡impac<ng ¡ the ¡I/O ¡performance? ¡ ¡ Could ¡irregular ¡I/O ¡be ¡causing ¡ the ¡increasing ¡I/O ¡overhead? ¡

¡ ¡ ¡ ¡512 ¡ ¡ ¡ ¡ ¡ ¡ ¡1K ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡2K ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡4K ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡8K ¡ ¡

Nodes ¡

Outline ¡

• QMCPack ¡and ¡ADIOS ¡

– Overview ¡of ¡the ¡codes ¡

• I/O ¡kernels ¡

– From ¡real ¡to ¡synthe<c ¡

• ADIOS ¡phases ¡

– In-­‑depth ¡overview ¡of ¡the ¡I/O ¡library ¡and ¡phases ¡

• Understanding ¡I/O ¡impact ¡

– Does ¡the ¡irregular ¡I/O ¡indeed ¡impact ¡performance? ¡

• Conclusion ¡and ¡future ¡work ¡

2

Outline ¡

• QMCPack ¡and ¡ADIOS ¡

– Overview ¡of ¡the ¡codes ¡

• I/O ¡kernels ¡

– From ¡real ¡to ¡synthe<c ¡

• ADIOS ¡phases ¡

– In-­‑depth ¡overview ¡of ¡the ¡I/O ¡library ¡and ¡phases ¡

• Understanding ¡I/O ¡impact ¡

– Does ¡the ¡irregular ¡I/O ¡indeed ¡impact ¡performance? ¡

• Conclusion ¡and ¡future ¡work ¡

3

QMCPack ¡

• QMCPack ¡is ¡a ¡Quantum ¡Monte ¡

Carlo ¡applica<on ¡

• Use ¡loosely ¡coupled ¡algorithm: ¡ ¡

§ Each ¡process ¡runs ¡n ¡independent ¡ walkers ¡ ¡ § Walkers ¡are ¡generated ¡randomly ¡ and ¡evolve ¡over ¡a ¡series ¡of ¡steps ¡ towards ¡a ¡higher ¡energy ¡level ¡ § Walker ¡evolu<on ¡results ¡in ¡a ¡ unbalanced ¡load ¡across ¡nodes ¡ ¡

4

In ¡theory, ¡QMCPack ¡is ¡the ¡ perfect ¡exascale ¡applica<on ¡

Write in

• utput

Write in

• utput

block ¡ step ¡ step ¡ block ¡ step ¡ step ¡ w0 ¡ w1 ¡ w2 ¡ w0 ¡ w1 ¡ p0 ¡ p1 ¡ Kim, et al. Hybrid algorithms in quantum Monte

• Carlo. J. of Physics: Conference Series, 2012.

Scien<fic ¡Data: ¡From ¡Single ¡Sta<s<cs ¡To ¡Traces ¡

5

avg ¡ avg ¡ avg ¡ avg ¡ Walker ¡1 ¡ Walker ¡2 ¡ Walker ¡3 ¡ Walker ¡1 ¡ Walker ¡2 ¡ Walker ¡3 ¡ Walker ¡1 ¡ Walker ¡2 ¡ Walker ¡3 ¡ Process ¡1 ¡ Process ¡2 ¡ Process ¡3 ¡ Walker ¡1 ¡ Walker ¡2 ¡ Walker ¡3 ¡ Walker ¡1 ¡ Walker ¡2 ¡ Walker ¡3 ¡ Walker ¡1 ¡ Walker ¡2 ¡ Walker ¡3 ¡ Process ¡1 ¡ Process ¡2 ¡ Process ¡3 ¡ I/O ¡Method ¡

Old ¡QMCPack ¡– ¡single ¡sta9s9cs ¡ ¡ New ¡QMCPack ¡– ¡par9cle ¡traces ¡

ADIOS ¡

• Includes ¡suite ¡of ¡simple, ¡easy-­‑to-­‑

use ¡APIs ¡ ¡and ¡metadata ¡stored ¡in ¡ external ¡XML ¡file ¡

• Allow ¡flexible ¡selec<on ¡of ¡most ¡

effec<ve ¡I/O ¡method ¡

– Different ¡I/O ¡transport ¡methods ¡ – Different ¡supercomputers ¡ – Li4le ¡code ¡modifica<on ¡

• Provide ¡both ¡high ¡performance, ¡

reliability, ¡and ¡usability ¡

6

Lofstead ¡et ¡al. ¡ADIOS: ¡Adaptable, ¡Metadata ¡Rich ¡I/O ¡ Methods ¡for ¡Portable ¡High ¡Performance ¡I/O. ¡PDSW ¡2008 ¡

ADIOS components and supported methods

QMCPack

I/O ¡Methods ¡

7

HDF ¡ ADIOS-­‑POSIX ¡

In POSIX each writer creates a file on the file system.

ADIOS-­‑AGGR ¡

Each process group is a collection of writers, one of which is the aggregator Process Group

QMCPack ¡I/O ¡Performance ¡

8

ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 HDF5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 HDF5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 HDF5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 HDF5 ADIOS AGGR 2to1 ADIOS AGGR 4to1 ADIOS AGGR 8to1 HDF5 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Time (%)

I/O Time Execution Time

n cores=8192 n cores=16384 n cores=32768 n cores=65536 n cores=131072

¡ ¡ ¡ ¡ ¡512 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡1K ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡2K ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡4K ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡8K ¡ ¡

Nodes ¡

Are ¡we ¡at ¡the ¡Peak ¡I/O ¡Performance? ¡

• Max ¡I/O ¡bandwidth ¡achieved ¡in ¡QMCPack ¡runs ¡

¡16 ¡GB/s ¡= ¡29% ¡I/O ¡Overhead ¡

• Theore<cal ¡peak ¡of ¡ORNL’s ¡filesystem ¡at ¡the ¡<me ¡

¡80 ¡GB/s ¡= ¡7.5% ¡I/O ¡Overhead ¡

9

Irregular ¡I/O ¡Pa4ern ¡= ¡Poor ¡Performance? ¡ ¡

¡

• We ¡hypothesized ¡that ¡the ¡irregular ¡I/O ¡pa4ern ¡of ¡QMCPack ¡

was ¡causing ¡I/O ¡imbalance ¡which ¡in ¡turn ¡was ¡causing ¡a ¡ slowdown ¡

• To ¡test ¡this ¡hypothesis, ¡we ¡sta<s<cally ¡modeled ¡the ¡I/O ¡

pa4ern ¡of ¡QMCPack ¡and ¡other ¡scien<fic ¡applica<ons ¡

• We ¡benchmarked ¡and ¡profiled ¡I/O ¡kernels ¡generated ¡from ¡

these ¡models ¡

10

What ¡is ¡the ¡key ¡factor ¡affec<ng ¡the ¡performance ¡of ¡QMCPack? ¡

Outline ¡

• QMCPack ¡and ¡ADIOS ¡

– Overview ¡of ¡the ¡codes ¡

• I/O ¡kernels ¡

– From ¡real ¡to ¡synthe<c ¡

• ADIOS ¡phases ¡

– In-­‑depth ¡overview ¡of ¡the ¡I/O ¡library ¡and ¡phases ¡

• Understanding ¡I/O ¡impact ¡

– Does ¡the ¡irregular ¡I/O ¡indeed ¡impact ¡performance? ¡

• Conclusion ¡and ¡future ¡work ¡

11

I/O ¡Kernels ¡

• I/O ¡kernels ¡used ¡to ¡mimic ¡I/O ¡of ¡real ¡applica<ons ¡

– Include ¡a ¡broader ¡range ¡of ¡I/O ¡pa4erns ¡

• Advantages ¡of ¡I/O ¡kernels ¡

– Faster ¡to ¡run ¡and ¡profile ¡ – Easier ¡to ¡understand ¡ – Safer ¡to ¡distribute ¡

• State ¡of ¡the ¡prac<ce ¡

– Manual ¡extract ¡of ¡I/O ¡rou<nes ¡from ¡large ¡applica<ons ¡ – Automa<c ¡genera<on ¡from ¡I/O ¡pa4erns ¡

¡

12

I/O ¡Kernels ¡

• I/O ¡kernels ¡used ¡to ¡mimic ¡I/O ¡of ¡real ¡applica<ons ¡

– Include ¡a ¡broader ¡range ¡of ¡I/O ¡pa4erns ¡

• Advantages ¡of ¡I/O ¡kernels ¡

– Faster ¡to ¡run ¡and ¡profile ¡ – Easier ¡to ¡understand ¡ – Safer ¡to ¡distribute ¡

• State ¡of ¡the ¡prac<ce ¡

– Manual ¡extract ¡of ¡I/O ¡rou<nes ¡from ¡large ¡applica<ons ¡ – Automa9c ¡genera9on ¡from ¡I/O ¡paCerns ¡

¡

13

Flavors ¡of ¡Real ¡I/O ¡Pa4erns ¡

14

B B B B B B B B B B B B B B B 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 10000 20000 30000 40000 50000 60000 70000 Data size (KBytes) Number of write steps B B B B B B B B B B B B B B B 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 5 10 15 20 25 30 35 40 45 Number of walkers Number of write steps

QMCPack 256 processes (2 per node) ENZO 256 processes (2 per node) Profiles ¡of ¡the ¡number ¡of ¡walkers ¡per ¡ process ¡for ¡15 ¡steps ¡of ¡a ¡QMCPack ¡ simula<on ¡studying ¡a ¡4x4x2 ¡graphite ¡on ¡ 256 ¡nodes ¡on ¡Titan ¡ Profiles ¡of ¡the ¡data ¡wri4en ¡per ¡process ¡ for ¡15 ¡steps ¡of ¡an ¡ENZO ¡simula<on ¡ studying ¡the ¡NFW ¡Cool-­‑Core ¡Cluster ¡test ¡

• n ¡256 ¡nodes ¡of ¡Titan ¡

QMCPack-­‑like ¡Applica<ons: ¡Normal ¡Distribu<on ¡

• Mimic ¡the ¡I/O ¡of ¡applica<ons ¡with ¡QMCPack-­‑like ¡behavior ¡

<0 [0,10) [10,20) [20,30) [30,40) [40,50) [50,60) [60,70) ≥70 50 100 150 200 250 300 Number of processes Number of records

Sta<s<cal ¡model ¡of ¡the ¡I/O ¡pa4ern ¡ mimicking ¡a ¡normal ¡distribu<on ¡ Example ¡of ¡I/O ¡pa4ern ¡generated ¡with ¡ the ¡sta<s<cal ¡model ¡

15

• Mimic ¡the ¡I/O ¡of ¡applica<ons ¡with ¡ENZO-­‑like ¡behavior ¡

¡ ¡

ENZO-­‑like ¡Applica<ons: ¡Exponen<al ¡Distribu<on ¡

<0 [0,20) [20,40) [40,60) [60,80) [80,100) [100,120) [120,140) [140,160) [160,180) [180,200) ≥200 50 100 150 200 250 300 Number of processes Number of records

Example ¡of ¡I/O ¡pa4ern ¡generated ¡with ¡ the ¡sta<s<cal ¡model ¡ Sta<s<cal ¡model ¡of ¡the ¡I/O ¡pa4ern ¡ mimicking ¡an ¡exponen<al ¡distribu<on ¡

16

• Mimic ¡the ¡I/O ¡of ¡applica<ons ¡with ¡S3D-­‑like ¡behavior ¡

17

Regular ¡Applica<ons: ¡Uniform ¡Distribu<on ¡

<0 [0,5) [5,10) [10,15) [15,20) [20,25) [25,30) [30,35) ≥35 50 100 150 200 250 300 Number of processes Number of records

Sta<s<cal ¡model ¡of ¡the ¡I/O ¡pa4ern ¡ mimicking ¡a ¡uniform ¡distribu<on ¡ Example ¡of ¡I/O ¡pa4ern ¡generated ¡with ¡ the ¡sta<s<cal ¡model ¡

18

Genera<ng ¡the ¡I/O ¡Kernels ¡

Sta<s<cal ¡ I/O ¡ Model ¡ ADIOS ¡ XML ¡

Skel ¡

Executable ¡ I/O ¡Kernel ¡

• J. ¡Logan, ¡et ¡al. ¡Skel: ¡Genera<ve ¡Sokware ¡for ¡Producing ¡

Skeletal ¡I/O ¡Applica<ons. ¡e-­‑Science ¡Workshops ¡2011. ¡

Outline ¡

• QMCPack ¡and ¡ADIOS ¡

– Overview ¡of ¡the ¡codes ¡

• I/O ¡kernels ¡

– From ¡real ¡to ¡synthe<c ¡

• ADIOS ¡phases ¡

– In-­‑depth ¡overview ¡of ¡the ¡I/O ¡library ¡and ¡phases ¡

• Understanding ¡I/O ¡impact ¡

– Does ¡the ¡irregular ¡I/O ¡indeed ¡impact ¡performance? ¡

• Conclusion ¡and ¡future ¡work ¡

19

ADIOS ¡Times ¡

20

Open ¡ Write ¡ Close ¡

p ¡

ADIOS ¡Times: ¡Open ¡

21

Node ¡1 ¡ Writer ¡ 1 ¡ Writer ¡ 2 ¡ Node ¡2 ¡ Writer ¡ 3 ¡ Writer ¡ 4 ¡ Node ¡3 ¡ Writer ¡ 5 ¡ Writer ¡ 6 ¡ Node ¡4 ¡ Writer ¡ 7 ¡ Writer ¡ 8 ¡ OST ¡1 ¡ OST ¡2 ¡ OST ¡3 ¡ OSS ¡1 ¡ OST ¡4 ¡ OST ¡5 ¡ OST ¡6 ¡ OSS ¡2 ¡ Process Group Process Group MDS ¡

p ¡

ADIOS ¡Times: ¡Write ¡

22

Node ¡1 ¡ Writer ¡ 1 ¡ Writer ¡ 2 ¡ Node ¡2 ¡ Writer ¡ 3 ¡ Writer ¡ 4 ¡ Node ¡3 ¡ Writer ¡ 5 ¡ Writer ¡ 6 ¡ Node ¡4 ¡ Writer ¡ 7 ¡ Writer ¡ 8 ¡ OST ¡1 ¡ OST ¡2 ¡ OST ¡3 ¡ OSS ¡1 ¡ OST ¡4 ¡ OST ¡5 ¡ OST ¡6 ¡ OSS ¡2 ¡ Process Group Process Group

p ¡

ADIOS ¡Times: ¡Simple ¡Close ¡

23

Node ¡1 ¡ Writer ¡ 1 ¡ Writer ¡ 2 ¡ Node ¡2 ¡ Writer ¡ 3 ¡ Writer ¡ 4 ¡ Node ¡3 ¡ Writer ¡ 5 ¡ Writer ¡ 6 ¡ Node ¡4 ¡ Writer ¡ 7 ¡ Writer ¡ 8 ¡ OST ¡1 ¡ OST ¡2 ¡ OST ¡3 ¡ OSS ¡1 ¡ OST ¡4 ¡ OST ¡5 ¡ OST ¡6 ¡ OSS ¡2 ¡ Process Group Process Group

p ¡

ADIOS ¡Times: ¡Brigade ¡Close ¡

24

Node ¡1 ¡ Writer ¡ 1 ¡ Writer ¡ 2 ¡ Node ¡2 ¡ Writer ¡ 3 ¡ Writer ¡ 4 ¡ Node ¡3 ¡ Writer ¡ 5 ¡ Writer ¡ 6 ¡ Node ¡4 ¡ Writer ¡ 7 ¡ Writer ¡ 8 ¡ OST ¡1 ¡ OST ¡2 ¡ OST ¡3 ¡ OSS ¡1 ¡ OST ¡4 ¡ OST ¡5 ¡ OST ¡6 ¡ OSS ¡2 ¡ Process Group Process Group

Outline ¡

• QMCPack ¡and ¡ADIOS ¡

– Overview ¡of ¡the ¡codes ¡

• I/O ¡kernels ¡

– From ¡real ¡to ¡synthe<c ¡

• ADIOS ¡phases ¡

– In-­‑depth ¡overview ¡of ¡the ¡I/O ¡library ¡and ¡phases ¡

• Understanding ¡I/O ¡impact ¡

– Does ¡the ¡irregular ¡I/O ¡indeed ¡impact ¡performance? ¡

• Conclusion ¡and ¡future ¡work ¡

25

Test ¡Setup ¡

• Oak ¡Ridge ¡Na<onal ¡Lab’s ¡Titan ¡

– 80GB/s ¡Lustre ¡Filesystem ¡ – 2048 ¡& ¡4096 ¡writers ¡ – 2 ¡writers ¡per ¡node ¡

• Medium ¡and ¡large ¡data ¡sizes ¡

– 2.4MB ¡and ¡24MB ¡per ¡writer ¡

• 3 ¡distribu<ons: ¡uniform, ¡normal, ¡and ¡exponen<al ¡
• 15 ¡itera<ons ¡of ¡I/O ¡with ¡unique ¡values ¡for ¡each ¡itera<on ¡
• 3 ¡samples ¡for ¡each ¡run ¡(1 ¡per ¡filesystem) ¡

– Same ¡traces ¡used ¡for ¡each ¡sample ¡

26

List ¡of ¡Results ¡

• No ¡threading ¡vs. ¡threading ¡

– Threading ¡is ¡be4er ¡because ¡it ¡eliminates ¡the ¡cost ¡of ¡the ¡open ¡phase ¡

• Type ¡of ¡aggrega<on: ¡All-­‑gather ¡vs. ¡brigade ¡

– Similar ¡performance ¡but ¡brigade ¡has ¡a ¡smaller ¡memory ¡footprint ¡

• Data ¡size ¡and ¡I/O ¡pa4ern ¡

– Dealing ¡with ¡irregular ¡I/O ¡at ¡large ¡sizes ¡is ¡a ¡whole ¡different ¡ballgame ¡

• Variable ¡number ¡of ¡aggregators ¡and ¡OSTs ¡

– Varying ¡the ¡number ¡of ¡aggregators ¡has ¡a ¡greater ¡impact ¡than ¡OSTs ¡

27

List ¡of ¡Results ¡

• No ¡threading ¡vs. ¡threading ¡

– Threading ¡is ¡be4er ¡because ¡it ¡eliminates ¡the ¡cost ¡of ¡the ¡open ¡phase ¡

• Type ¡of ¡aggrega<on: ¡All-­‑gather ¡vs. ¡brigade ¡

– Similar ¡performance ¡but ¡brigade ¡has ¡a ¡smaller ¡memory ¡footprint ¡

• Data ¡size ¡and ¡I/O ¡pa4ern ¡

– Dealing ¡with ¡irregular ¡I/O ¡at ¡large ¡sizes ¡is ¡a ¡whole ¡different ¡ballgame ¡

• Variable ¡number ¡of ¡aggregators ¡and ¡OSTs ¡

– Varying ¡the ¡number ¡of ¡aggregators ¡has ¡a ¡greater ¡impact ¡than ¡OSTs ¡

28

Small ¡(2.4MB) ¡ Large ¡(24MB) ¡

Uniform ¡ Exponen9al ¡

29

From ¡Small ¡to ¡Large ¡Data ¡

4 ¡to ¡1 ¡ 16 ¡to ¡1 ¡

Uniform ¡ Exponen9al ¡

30

Variable ¡Aggrega<on ¡Ra<o ¡for ¡Large ¡Data ¡

4 ¡to ¡1 ¡ 16 ¡to ¡1 ¡

Uniform ¡ Exponen9al ¡

31

Variable ¡Aggrega<on ¡Ra<o ¡for ¡Large ¡Data ¡

Lessons ¡Learned ¡

• I/O ¡kernels ¡can ¡be ¡an ¡effec<ve ¡tool ¡in ¡profiling ¡I/O ¡

performance ¡

• Dealing ¡with ¡irregular ¡I/O ¡is ¡a ¡different ¡ballgame ¡

– I/O ¡pa4ern ¡must ¡be ¡considered ¡when ¡running ¡simula<ons ¡at ¡ ¡the ¡large ¡ scale ¡

• Op<mal ¡I/O ¡parameters ¡for ¡one ¡I/O ¡pa4ern ¡are ¡not ¡

performing ¡similarly ¡for ¡other ¡I/O ¡pa4erns ¡

• Searching ¡for ¡op<mal ¡parameter ¡is ¡<me ¡demanding ¡and ¡

imperfect ¡if ¡done ¡manually ¡ ¡

32

Work ¡in ¡Progress ¡

33

• M. ¡Matheny, ¡S. ¡Herbein ¡et ¡al. ¡Using ¡

Surrogate-­‑based ¡Modeling ¡to ¡ Predict ¡Op<mal ¡I/O ¡Parameters ¡of ¡ Applica<ons ¡at ¡the ¡Extreme ¡Scale. ¡ In ¡Proceedings ¡of ¡the ¡20th ¡IEEE ¡ Interna4onal ¡Conference ¡on ¡ Parallel ¡and ¡Distributed ¡Systems ¡ (ICPADS ¡2014). ¡Hsinchu, ¡Taiwan, ¡ December ¡16 ¡– ¡19, ¡2014 ¡

How ¡do ¡we ¡select ¡the ¡op<mal ¡ parameter ¡values? ¡

Acknowledgments ¡ ¡

• GCLab ¡members: ¡

– Michael ¡Matheny ¡ – Ma4hew ¡Wezowicz ¡

• Collaborators: ¡

– Jeremy ¡Logan ¡ – Norbert ¡Podhorszki ¡ – Jaron ¡Krogel ¡ – Jeongnim ¡Kim ¡

• Advisors: ¡

– Michela ¡Taufer ¡ – Sco4 ¡Klasky ¡

34

Sponsors: