Qu’est-ce que le calcul intensif de nouvelle génération ?

L’accent du calcul intensif se déplace progressivement du simple accroissement de la puissance de calcul vers l’intégration profonde de divers paradigmes de calcul. En tant que moteur clé du secteur, NVIDIA a dévoilé sa plateforme de calcul scientifique de nouvelle génération, construite autour de la simulation, de l’IA (intelligence artificielle) et de l’informatique quantique. Grâce à des solutions innovantes telles que le CPU Vera, une technologie propriétaire d’interconnexion optique haut débit et le modèle physique pré-entraîné Apollo, NVIDIA s’efforce de créer un cadre de calcul unifié qui concilie performances, efficacité énergétique et évolutivité, fournissant un nouveau support d’infrastructure pour la recherche scientifique future et les applications d’IA à grande échelle.

Les trois grands paradigmes de calcul convergent

Au cours des dernières décennies, le développement du calcul intensif s’est principalement appuyé sur la simulation numérique pour faire progresser la recherche scientifique et l’innovation en ingénierie en résolvant des équations physiques complexes. Cependant, les avancées rapides de l’intelligence artificielle et de l’informatique quantique signifient que les futures plateformes de calcul intensif s’éloignent des architectures de calcul uniques au profit d’architectures plus diverses et convergentes.

L’une des choses les plus importantes pour le calcul haute performance est la simulation scientifique. La simulation numérique traditionnelle est encore utilisée pour des calculs importants dans des domaines tels que les prévisions climatiques, la recherche et le développement de matériaux, ainsi que l’analyse de la dynamique des fluides. Mais l’IA peut améliorer considérablement les choses. Elle peut effectuer des tâches beaucoup plus rapidement qu’auparavant. Elle peut réaliser des tâches qui prenaient autrefois beaucoup de temps.

Dans le même temps, l’intelligence artificielle devient un outil de productivité essentiel dans la recherche scientifique. De l’IA générative à l’IA pour la science, un nombre croissant d’institutions de recherche exploitent l’IA pour traiter d’énormes volumes de données expérimentales, aider à l’entraînement des modèles et accélérer la validation des résultats de recherche. L’IA n’est plus simplement une technologie au niveau applicatif, mais s’intègre progressivement à l’ensemble du flux de travail du calcul scientifique.

L’informatique quantique représente une autre voie de développement digne d’attention. Bien qu’elle en soit encore aux premiers stades de la commercialisation, les “architectures hybrides quantique-classique”—dans lesquelles l’informatique quantique fonctionne de concert avec le calcul haute performance traditionnel—sont devenues un domaine d’exploration clé pour l’industrie. À l’avenir, certains types de problèmes complexes pourront être accélérés par l’informatique quantique, tandis que les plateformes informatiques traditionnelles continueront de traiter les tâches de calcul généralistes à grande échelle.

À en juger par les tendances actuelles, les futurs supercalculateurs n’accumuleront plus simplement de la puissance de calcul ; ils bâtiront plutôt une nouvelle génération de plateformes de calcul plus efficaces et intelligentes grâce à l’intégration synergique de la simulation scientifique, de l’intelligence artificielle et du calcul quantique.

L’IA pour la science évolue rapidement vers des applications pratiques

Par le passé, la recherche scientifique s’appuyait principalement sur des simulations numériques pour reconstituer et prédire le monde physique. Cependant, à mesure que les volumes de données continuent de croître, les méthodes de calcul traditionnelles seules sont de moins en moins capables de répondre aux exigences de la recherche scientifique. Aujourd’hui, l’IA évolue progressivement d’un outil d’appoint vers une méthode de recherche centrale, transformant non seulement la manière dont les problèmes scientifiques sont résolus, mais orientant aussi de nombreux résultats de recherche vers des applications pratiques.

Dans la recherche climatique, la combinaison de l’IA et du calcul haute performance a déjà démontré des gains d’efficacité remarquables. Par exemple, la plateforme de simulation climatique de nouvelle génération basée sur le projet Earth-2 peut modéliser le climat mondial avec une résolution de 1 kilomètre et raccourcir considérablement les cycles de simulation. Les tâches de calcul qui nécessitaient autrefois un temps considérable pour être accomplies produisent désormais des prévisions beaucoup plus rapidement, fournissant un soutien en données plus opportun pour les alertes météorologiques extrêmes et la recherche climatique.

La dynamique des fluides est également l’un des domaines où l’accélération par l’IA est la plus évidente. Les simulations CFD traditionnelles prennent souvent des heures, voire plus longtemps. Toutefois, avec l’aide de modèles de substitution d’IA et du framework Physics-NeMo, certains calculs complexes de champs d’écoulement ont été réduits à seulement quelques secondes tout en conservant une grande précision. Ce gain d’efficacité est d’une valeur significative pour l’aérospatiale, la conception automobile et la fabrication industrielle.

Dans la recherche sur la fusion nucléaire, la technologie du jumeau numérique est un nouveau développement. En combinant Omniverse avec des modèles d’IA, les chercheurs peuvent créer des répliques numériques de réacteurs à fusion en temps réel et prédire très rapidement les changements d’état du plasma. Cela contribue à rendre les expériences plus efficaces et crée une nouvelle façon d’explorer la future commercialisation de l’énergie de fusion.

La technologie de l’IA est également largement utilisée pour prévoir les séismes et les tsunamis. En utilisant les informations sur l’activité sismique passée, les grands modèles d’IA peuvent identifier rapidement les risques potentiels et estimer la probabilité d’un tsunami au moment présent. Cette méthode fournit des alertes précoces, qui donnent aux personnes le temps de prévenir ou de réduire l’impact d’une catastrophe.

Dans le même temps, “l’IA pour la science” favorise la modernisation de l’infrastructure mondiale de recherche scientifique. Un nombre croissant d’institutions nationales de recherche construisent de nouvelles plateformes de supercalcul conçues pour l’IA. Par exemple, le RIKEN au Japon déploie un système de nouvelle génération basé sur l’architecture NVIDIA Blackwell. Grâce au fonctionnement coordonné de clusters GPU, de réseaux InfiniBand à haut débit et de frameworks de calcul IA, ce système fournit une plateforme de calcul unifiée pour le calcul scientifique, la recherche quantique et l’entraînement de l’IA.

De la prévision météorologique à la production d'énergie par fusion, et de l'évaluation du fonctionnement des industries à l'alerte des populations face aux catastrophes naturelles, l'IA est de plus en plus utilisée dans tous les domaines de la recherche scientifique. Au lieu de simplement rendre les ordinateurs plus rapides, il est plus important de changer la façon dont les scientifiques font des découvertes. Elle permet aux chercheurs de résoudre des problèmes complexes à moindre coût et plus rapidement, et de transférer plus vite de nouvelles idées scientifiques vers l'industrie.

L’architecture matérielle évolue

Pour prendre en charge la prochaine génération de calcul scientifique, NVIDIA a également apporté plusieurs ajustements à son architecture matérielle sous-jacente. À en juger par le prototype de supercalcul de nouvelle génération présenté au SC25, les futurs systèmes ne seront plus de simples combinaisons de CPU et de GPU. Ils évolueront néanmoins progressivement vers des plateformes complexes intégrant des interfaces quantiques, des interconnexions optiques à haut débit et des capacités de calcul hétérogène.

CPU développé en interne : cœurs Vera et Olympus

Le nouveau processeur Vera utilise la conception de cœur Olympus spéciale de NVIDIA, ce qui le rend presque deux fois plus rapide que l'ancienne plateforme Grace. De plus, Vera introduit un système de mémoire LPDDR5X conçu pour les environnements de centres de données. Ce système est optimisé pour l'utilisation de la bande passante et l'efficacité énergétique, offrant des capacités de traitement des données améliorées pour l'entraînement de l'IA, les simulations scientifiques et les tâches de calcul hybride.

CPO : redéfinir l’interconnexion des centres de données

Alors que les clusters d’IA continuent de se développer, les modules optiques enfichables traditionnels sont confrontés à des défis croissants en matière de consommation d’énergie, de maintenance et de taux de défaillance. En réponse, NVIDIA a choisi une voie de développement différente—intégrer le moteur optique directement dans le même boîtier que la puce de commutation.

CPO (Co-Packaged Optics) ne se résume pas à changer la forme des modules optiques. C'est une nouvelle façon de concevoir le système dans son ensemble. CPO y parvient en raccourcissant le chemin de transmission du signal électrique. Cela réduit la consommation d'énergie et améliore l'efficacité des interconnexions. Globalement, cela fournit une infrastructure réseau pouvant être mise à l'échelle pour les futurs clusters d'IA hyperscale.

Selon les plans annoncés par NVIDIA, TACC, Lambda et CoreWeave seront parmi les premiers à déployer la plateforme Quantum-X Photonics et seront les premiers à appliquer cette technologie à l’IA et à l’infrastructure de calcul haute performance.

NVLink : permettre à des centaines de GPU de fonctionner comme une seule unité

L’amélioration significative des performances d’inférence obtenue par l’architecture Blackwell n’est pas uniquement due aux optimisations de précision FP4. Un facteur encore plus important est l’évolution continue de la technologie d’interconnexion NVLink.

Avec la dernière génération de NVLink, jusqu’à 576 GPU peuvent être connectés dans un domaine de calcul unifié à mémoire partagée, ce qui leur permet de fonctionner davantage comme un seul grand système de calcul que comme une simple collection de centaines de nœuds indépendants.

Pour l’entraînement et l’inférence de grands modèles, l’efficacité de l’échange de données entre les GPU détermine souvent la limite supérieure des performances globales. À mesure que la taille des modèles continue d’augmenter, la bande passante réseau devient tout aussi importante que la puissance de calcul elle-même. C’est pourquoi NVLink est devenu l’une des technologies clés qui sous-tendent l’infrastructure d’IA à grande échelle.

Apollo : les modèles de physique IA entrent dans l’ère du pré-entraînement

En plus des mises à niveau matérielles, l’écosystème logiciel évolue également en parallèle.

Lors de la conférence SC25, NVIDIA a officiellement lancé la série Apollo de modèles de physique IA, couvrant plusieurs domaines du calcul scientifique, notamment la dynamique des fluides et la mécanique des structures. L’introduction d’Apollo signifie que la simulation d’ingénierie passe progressivement de l’approche traditionnelle de “modélisation à partir de zéro” à un modèle de “pré-entraînement + ajustement fin” similaire à celui des grands modèles de langage.

Apollo intègre des éléments clés Physique de l'IA des avancées, notamment les opérateurs neuronaux, les architectures Transformer et les modèles de diffusion. Il utilise également de nombreuses connaissances physiques préalables lors de l’entraînement.

Les développeurs peuvent non seulement utiliser directement les modèles pré-entraînés fournis officiellement, mais aussi effectuer un entraînement secondaire et un développement personnalisé en fonction de leurs propres scénarios, ce qui abaisse considérablement la barrière à la création de modèles de calcul scientifique et accélère la transition des résultats de la recherche scientifique du laboratoire vers des applications pratiques.

En un sens, Apollo fait entrer le calcul scientifique dans une phase de développement similaire à celle de l’IA générative—les chercheurs n’ont plus besoin de créer des modèles à partir de zéro à chaque fois. Pourtant, ils le peuvent. Ils peuvent aussi rapidement itérer et innover en s’appuyant sur des fondations existantes.

Informatique quantique : l’intégration hétérogène pourrait devenir le paradigme informatique de prochaine génération

En ce qui concerne l’informatique quantique, l’approche de NVIDIA’ ne consiste pas à remplacer les plateformes informatiques traditionnelles par des systèmes quantiques, mais plutôt à faire fonctionner les processeurs quantiques en tandem avec les GPU, en tant que composant clé des futures architectures de calcul intensif.

Calcul collaboratif GPU et QPU

Selon NVIDIA, la QPU (unité de processeur quantique) agit comme un accélérateur spécialisé qui complète le GPU. Grâce à la plateforme logicielle unifiée CUDA-Q, les développeurs peuvent planifier des tâches de calcul quantique et classique dans le même environnement de développement, permettant à ces deux types de ressources informatiques de travailler ensemble sur des tâches complexes.

Cela signifie que les chercheurs n’ont pas besoin de maintenir deux systèmes de développement distincts : ils peuvent concevoir des algorithmes quantiques, effectuer une vérification par simulation et exécuter des simulations au sein d’un cadre unifié. Cela permet aux personnes de s’impliquer beaucoup plus facilement dans l’informatique quantique.

NVQLink : un pont reliant l’informatique quantique et l’informatique classique

Pour faciliter la collaboration entre les processeurs quantiques et les GPU, NVIDIA a créé NVQLink, qui connecte les deux. Cette technologie est essentielle pour connecter les QPU et les GPU, et prend en charge les flux de travail de calcul quantique à grande échelle pilotés par CUDA-Q.

Lors d’essais conjoints avec le processeur quantique Helios de nouvelle génération de Quantinuum, NVQLink a réalisé une interconnexion à faible latence entre le GPU et le QPU et a validé avec succès le premier décodage en temps réel au monde de codes quantiques de correction d’erreurs qLDPC évolutifs.

Les résultats des tests montrent qu’avec des mécanismes de correction d’erreurs en place, la fidélité du système peut être maintenue autour de 99%, ce qui est mieux que 95% sans correction d’erreurs. Cela montre que la technologie de correction d’erreurs quantiques est réellement utile en pratique et que l’informatique quantique peut être utilisée aux côtés du calcul haute performance traditionnel.

Compte tenu du stade actuel de développement, l’informatique quantique a encore un long chemin à parcourir avant de pouvoir être appliquée indépendamment à grande échelle ; cependant, elle a déjà commencé à démontrer une valeur pratique en tant que coprocesseur des GPU dans des tâches complexes de calcul scientifique. Les futurs systèmes de supercalcul ne seront probablement plus une compétition entre architectures uniques, mais plutôt des plateformes convergées hétérogènes composées de CPU, de GPU et de QPU.

Conclusion

À l’avenir, les supercalculateurs seront construits à l’aide d’un mélange de conceptions basées sur CPU et GPU, ainsi que de systèmes hybrides combinant simulation scientifique, intelligence artificielle et informatique quantique. Des technologies telles que le CPU Vera, l’interconnexion optique CPO, l’architecture Blackwell et NVLink/NVQLink contribuent à augmenter la bande passante, à réduire la latence et à faciliter la collaboration entre les ressources. Dans le même temps, les plateformes d’IA orientées vers la science comme Apollo changent notre façon de faire. Elles utilisent des modèles physiques déjà entraînés pour compléter les méthodes traditionnelles.