¿Qué es la supercomputación de próxima generación?

El enfoque de la supercomputación está pasando gradualmente de simplemente aumentar la potencia informática a la integración profunda de diversos paradigmas de computación. Como impulsor clave en la industria, NVIDIA ha presentado su plataforma de computación científica de próxima generación construida en torno a Simulation, AI (Artificial Intelligence) y Quantum Computing. Mediante soluciones innovadoras como la CPU Vera, la tecnología patentada de interconexión óptica de alta velocidad y el modelo físico preentrenado Apollo, NVIDIA se esfuerza por crear un marco de computación unificado que equilibre el rendimiento, la eficiencia energética y la escalabilidad, proporcionando nuevo soporte de infraestructura para la investigación científica futura y las aplicaciones de IA a gran escala.

Los tres principales paradigmas de computación están convergiendo

Durante las últimas décadas, el desarrollo de la supercomputación se ha basado principalmente en la simulación numérica para impulsar la investigación científica y la innovación en ingeniería mediante la resolución de ecuaciones físicas complejas. Sin embargo, los rápidos avances en inteligencia artificial y computación cuántica significan que las futuras plataformas de supercomputación se están alejando de las arquitecturas de computación únicas hacia otras más diversas y convergentes.

Una de las cosas más importantes para la informática de alto rendimiento es la simulación científica. La simulación numérica tradicional todavía se utiliza para cálculos importantes en áreas como la predicción climática, la investigación y el desarrollo de materiales, y el análisis de dinámica de fluidos. Pero la IA puede mejorar mucho las cosas. Puede hacer las cosas mucho más rápido que antes. Puede hacer cosas que antes tardaban mucho tiempo.

Al mismo tiempo, la inteligencia artificial se está convirtiendo en una herramienta de productividad vital en la investigación científica. Desde la IA generativa hasta la IA para la ciencia, un número cada vez mayor de instituciones de investigación aprovechan la IA para procesar cantidades masivas de datos experimentales, ayudar con el entrenamiento de modelos y acelerar la validación de los hallazgos de investigación. La IA ya no es meramente una tecnología a nivel de aplicación, sino que se está integrando gradualmente en todo el flujo de trabajo de la computación científica.

La computación cuántica representa otra vía de desarrollo digna de atención. Aunque aún se encuentra en las primeras etapas de comercialización, las “arquitecturas híbridas cuántico-clásicas”—en las que la computación cuántica funciona en conjunto con la computación tradicional de alto rendimiento—se han convertido en un área clave de exploración para la industria. En el futuro, ciertos tipos de problemas complejos podrán acelerarse mediante la computación cuántica, mientras que las plataformas de computación tradicionales seguirán encargándose de tareas de computación de propósito general a gran escala.

A juzgar por las tendencias actuales, los futuros superordenadores ya no se limitarán a apilar potencia computacional; en cambio, construirán una nueva generación de plataformas de computación más eficientes e inteligentes mediante la integración sinérgica de la simulación científica, la inteligencia artificial y la computación cuántica.

La IA para la ciencia avanza rápidamente hacia aplicaciones prácticas

En el pasado, la investigación científica se basaba principalmente en simulaciones numéricas para reconstruir y predecir el mundo físico. Sin embargo, a medida que los volúmenes de datos siguen creciendo, los métodos computacionales tradicionales por sí solos son cada vez menos capaces de satisfacer las demandas de la investigación científica. Hoy en día, la IA está evolucionando gradualmente de una herramienta de apoyo a un método de investigación central, no solo transformando la forma en que se resuelven los problemas científicos, sino también impulsando muchos hallazgos de investigación hacia aplicaciones prácticas.

En la investigación climática, la combinación de IA y computación de alto rendimiento ya ha demostrado notables mejoras de eficiencia. Por ejemplo, la plataforma de simulación climática de próxima generación basada en el proyecto Earth-2 puede modelar el clima global con una resolución de 1 kilómetro y acortar significativamente los ciclos de simulación. Las tareas computacionales que antes requerían un tiempo considerable para completarse ahora generan predicciones mucho más rápido, proporcionando un apoyo de datos más oportuno para las alertas de fenómenos meteorológicos extremos y la investigación climática.

La dinámica de fluidos también es uno de los campos donde la aceleración por IA es más evidente. Las simulaciones CFD tradicionales suelen tardar horas o incluso más. Sin embargo, con la ayuda de modelos sustitutos de IA y el marco Physics-NeMo, algunos cálculos complejos de campos de flujo se han comprimido a solo unos segundos manteniendo una alta precisión. Esta ganancia de eficiencia tiene un valor significativo para la industria aeroespacial, el diseño automotriz y la fabricación industrial.

En la investigación de la fusión nuclear, la tecnología de gemelos digitales es un nuevo desarrollo. Al combinar Omniverse con modelos de IA, los investigadores pueden crear réplicas digitales de reactores de fusión en tiempo real y predecir cambios en el estado del plasma muy rápidamente. Esto ayuda a que los experimentos sean más eficientes y crea una nueva forma de explorar la futura comercialización de la energía de fusión.

La tecnología de IA también se utiliza ampliamente para predecir terremotos y tsunamis. Al utilizar información sobre la actividad sísmica pasada, los grandes modelos de IA pueden identificar rápidamente posibles riesgos y estimar la probabilidad de un tsunami en el momento. Este método proporciona alertas tempranas, que dan a las personas tiempo para prevenir o reducir el impacto de un desastre.

Al mismo tiempo, “AI for Science” está impulsando mejoras en la infraestructura mundial de investigación científica. Un número cada vez mayor de instituciones nacionales de investigación está construyendo nuevas plataformas de supercomputación diseñadas para la IA. Por ejemplo, RIKEN de Japón está implementando un sistema de próxima generación basado en la arquitectura NVIDIA Blackwell. Mediante el funcionamiento coordinado de clústeres de GPU, redes InfiniBand de alta velocidad y marcos de computación de IA, este sistema proporciona una plataforma de computación unificada para la computación científica, la investigación cuántica y el entrenamiento de IA.

Desde predecir el tiempo hasta generar energía mediante fusión, y desde probar cómo funcionan las industrias hasta advertir a las personas sobre desastres naturales, la IA se utiliza cada vez más en todas las áreas de la investigación científica. En lugar de simplemente hacer que las computadoras sean más rápidas, es más importante cambiar cómo descubren los científicos. Permite a los investigadores abordar problemas complejos de manera más económica y rápida, y llevar nuevas ideas científicas a la industria con mayor rapidez.

La arquitectura de hardware está cambiando

Para respaldar la próxima generación de computación científica, NVIDIA también ha realizado varios ajustes en su arquitectura de hardware subyacente. A juzgar por el prototipo de supercomputación de próxima generación presentado en SC25, los sistemas futuros ya no serán simples combinaciones de CPU y GPU. Aun así, evolucionarán gradualmente hacia plataformas complejas que integran interfaces cuánticas, interconexiones ópticas de alta velocidad y capacidades de computación heterogénea.

CPU de desarrollo propio: núcleos Vera y Olympus

La nueva CPU Vera utiliza el diseño especial de núcleo Olympus de NVIDIA, lo que la hace casi el doble de rápida que la antigua plataforma Grace. Además, Vera introduce un sistema de memoria LPDDR5X diseñado para entornos de centros de datos. Este sistema está optimizado para el uso del ancho de banda y la eficiencia energética, proporcionando capacidades mejoradas de procesamiento de datos para el entrenamiento de IA, simulaciones científicas y tareas de computación híbrida.

CPO: redefiniendo la interconexión de centros de datos

A medida que los clústeres de IA continúan expandiéndose, los módulos ópticos conectables tradicionales se enfrentan a desafíos cada vez mayores en términos de consumo de energía, mantenimiento y tasas de fallos. En respuesta, NVIDIA ha elegido una vía de desarrollo diferente—integrar el motor óptico directamente en el mismo paquete que el chip de conmutación.

CPO (Co-Packaged Optics) es mucho más que simplemente cambiar la forma de los módulos ópticos. Es una nueva forma de diseñar el sistema en su conjunto. CPO lo consigue acortando la ruta de transmisión de la señal eléctrica. Esto reduce el consumo de energía y mejora la eficiencia de la interconexión. En general, esto proporciona una infraestructura de red que puede escalarse para futuros clústeres de IA a hiperescala.

Según los planes anunciados por NVIDIA’s, TACC, Lambda y CoreWeave estarán entre los primeros en desplegar la plataforma Quantum-X Photonics y serán los primeros en aplicar esta tecnología a la infraestructura de IA y computación de alto rendimiento.

NVLink: Permite que cientos de GPU funcionen como una sola unidad

La mejora significativa en el rendimiento de inferencia lograda por la arquitectura Blackwell no se debe únicamente a las optimizaciones de precisión FP4. Un factor aún más importante es la evolución continua de la tecnología de interconexión NVLink.

Con la última generación de NVLink, se pueden conectar hasta 576 GPU en un dominio informático unificado de memoria compartida, lo que les permite trabajar juntas más como un único gran sistema informático que como una simple colección de cientos de nodos independientes.

Para el entrenamiento y la inferencia de modelos grandes, la eficiencia del intercambio de datos entre GPU suele determinar el límite superior del rendimiento general. A medida que los tamaños de los modelos siguen creciendo, el ancho de banda de la red se vuelve tan importante como la propia potencia de cálculo. Por esta razón, NVLink se ha convertido en una de las tecnologías clave que sustentan la infraestructura de IA a gran escala.

Apollo: Los modelos de física de IA entran en la era del preentrenamiento

Además de las actualizaciones de hardware, el ecosistema de software también evoluciona en paralelo.

En la conferencia SC25, NVIDIA lanzó oficialmente la serie Apollo de modelos de física de IA, que abarca múltiples campos de la computación científica, incluida la dinámica de fluidos y la mecánica estructural. La introducción de Apollo significa que la simulación de ingeniería está pasando gradualmente del enfoque tradicional de “modelado desde cero” a un modelo de “preentrenamiento + ajuste fino” similar al de los grandes modelos de lenguaje.

Apollo incorpora clave Física de IA avances, incluidos operadores neuronales, arquitecturas Transformer y modelos de difusión. También utiliza amplios conocimientos previos de física durante el entrenamiento.

Los desarrolladores no solo pueden utilizar directamente los modelos preentrenados proporcionados oficialmente, sino también realizar entrenamiento secundario y desarrollo personalizado en función de sus propios escenarios, lo que reduce significativamente la barrera para crear modelos de computación científica y acelera la transición de los resultados de la investigación científica del laboratorio a aplicaciones prácticas.

En cierto sentido, Apollo está llevando la computación científica a una fase de desarrollo similar a la de la IA generativa—los investigadores ya no necesitan crear modelos desde cero cada vez. Aun así, pueden hacerlo. Aun así, pueden iterar e innovar rápidamente construyendo sobre bases existentes.

Computación cuántica: la integración heterogénea puede convertirse en el paradigma informático de próxima generación

En lo que respecta a la computación cuántica, el enfoque de NVIDIA’s no es reemplazar las plataformas de computación tradicionales por sistemas cuánticos, sino hacer que los procesadores cuánticos trabajen en conjunto con las GPU como un componente clave de las futuras arquitecturas de supercomputación.

Computación colaborativa de GPU y QPU

Según NVIDIA, la QPU (unidad de procesador cuántico) actúa como un acelerador especializado que complementa a la GPU. A través de la plataforma de software unificada CUDA-Q, los desarrolladores pueden programar tareas de computación cuántica y clásica en el mismo entorno de desarrollo, lo que permite que estos dos tipos de recursos informáticos trabajen juntos en tareas complejas.

Esto significa que los investigadores no necesitan mantener dos sistemas de desarrollo separados: pueden diseñar algoritmos cuánticos, realizar verificación mediante simulación y ejecutar simulaciones dentro de un marco unificado. Esto facilita mucho que las personas se involucren en la computación cuántica.

NVQLink: Un puente que conecta la computación cuántica y clásica

Para facilitar que los procesadores cuánticos y las GPU trabajen juntos, NVIDIA ha creado NVQLink, que conecta ambos. Esta tecnología es esencial para conectar QPU y GPU, y admite flujos de trabajo de computación cuántica a gran escala impulsados por CUDA-Q.

En pruebas conjuntas con el procesador cuántico Helios de próxima generación de Quantinuum, NVQLink logró una interconexión de baja latencia entre la GPU y la QPU y validó con éxito la primera decodificación en tiempo real del mundo de códigos cuánticos qLDPC escalables de corrección de errores.

Los resultados de las pruebas muestran que, con mecanismos de corrección de errores implementados, la fidelidad del sistema puede mantenerse alrededor del 99%, lo que es mejor que el 95% sin corrección de errores. Esto demuestra que la tecnología de corrección de errores cuánticos es realmente útil en la práctica y que la computación cuántica puede utilizarse junto con la computación tradicional de alto rendimiento.

Dada la etapa actual de desarrollo, la computación cuántica aún tiene un largo camino por recorrer antes de poder aplicarse de forma independiente a escala; sin embargo, ya ha comenzado a demostrar valor práctico como coprocesador de las GPU en tareas complejas de computación científica. Es probable que los futuros sistemas de supercomputación ya no sean una competencia entre arquitecturas individuales, sino plataformas convergentes heterogéneas compuestas por CPU, GPU y QPU.

Conclusión

En el futuro, las supercomputadoras se construirán utilizando una combinación de diseños basados en CPU y GPU, así como sistemas híbridos que combinen simulación científica, inteligencia artificial y computación cuántica. Tecnologías como Vera CPU, la interconexión óptica CPO, la arquitectura Blackwell y NVLink/NVQLink ayudan a aumentar el ancho de banda, reducir la latencia y facilitar que los recursos trabajen juntos. Al mismo tiempo, las plataformas de IA orientadas a la ciencia como Apollo están cambiando la forma en que hacemos las cosas. Utilizan modelos físicos que ya han sido entrenados para ayudar con los métodos tradicionales.