本研究提出了一种可扩展的运行时架构，旨在提高传统高性能计算与现代机器学习结合的执行效率。该架构增强了RADICAL-Pilot，支持AI驱动的高性能计算工作流，有效管理并行机器学习模型的执行，为大规模数据驱动工作流应用奠定基础。

本文探讨了串行和并行组合模型的部分共享对象及其推理和学习算法，分析了计算复杂度和节点数。研究表明，部分共享在某些情况下可实现线性时间推理，尤其在并行计算机上表现优越。此外，提出了动态属性因子强化学习框架和改进的物体中心化架构，以提高对象表示和分类的效率。