Che cos'è il supercalcolo di nuova generazione?

Il focus del supercalcolo si sta gradualmente spostando dal semplice aumento della potenza di calcolo alla profonda integrazione di vari paradigmi di calcolo. In qualità di attore chiave del settore, NVIDIA ha presentato la sua piattaforma di calcolo scientifico di nuova generazione, costruita attorno a Simulation, AI (Artificial Intelligence) e Quantum Computing. Attraverso soluzioni innovative come la Vera CPU, la tecnologia proprietaria di interconnessione ottica ad alta velocità e il modello fisico pre-addestrato Apollo, NVIDIA si sta impegnando per creare un framework di calcolo unificato che bilanci prestazioni, efficienza energetica e scalabilità, fornendo un nuovo supporto infrastrutturale per la ricerca scientifica futura e le applicazioni AI su larga scala.

I tre principali paradigmi di calcolo stanno convergendo

Negli ultimi decenni, lo sviluppo del supercalcolo si è basato principalmente sulla simulazione numerica per promuovere la ricerca scientifica e l'innovazione ingegneristica risolvendo equazioni fisiche complesse. Tuttavia, i rapidi progressi nell'intelligenza artificiale e nel calcolo quantistico indicano che le future piattaforme di supercalcolo si stanno allontanando dalle architetture di calcolo singole verso architetture più diversificate e convergenti.

Una delle cose più importanti per il calcolo ad alte prestazioni è la simulazione scientifica. La simulazione numerica tradizionale è ancora utilizzata per calcoli importanti in aree come le previsioni climatiche, la ricerca e lo sviluppo dei materiali e l'analisi della fluidodinamica. Ma l'IA può migliorare notevolmente le cose. Può fare le cose molto più velocemente di prima. Può fare cose che prima richiedevano molto tempo.

Allo stesso tempo, l'intelligenza artificiale sta diventando uno strumento di produttività fondamentale nella ricerca scientifica. Dall'IA generativa all'IA per la scienza, un numero crescente di istituzioni di ricerca sfrutta l'IA per elaborare enormi quantità di dati sperimentali, assistere nell'addestramento dei modelli e accelerare la convalida dei risultati della ricerca. L'IA non è più soltanto una tecnologia a livello applicativo, ma viene gradualmente integrata nell'intero flusso di lavoro del calcolo scientifico.

Il calcolo quantistico rappresenta un altro percorso di sviluppo degno di attenzione. Sebbene sia ancora nelle prime fasi di commercializzazione, le “architetture ibride quantistico-classiche”—in cui il calcolo quantistico opera in tandem con il calcolo tradizionale ad alte prestazioni—sono diventate un'area chiave di esplorazione per il settore. In futuro, alcuni tipi di problemi complessi potranno essere accelerati dal calcolo quantistico, mentre le piattaforme di calcolo tradizionali continueranno a gestire attività di calcolo generico su larga scala.

A giudicare dalle tendenze attuali, i futuri supercomputer non si limiteranno più ad accumulare potenza di calcolo; invece, costruiranno una nuova generazione di piattaforme di calcolo più efficienti e intelligenti attraverso l'integrazione sinergica di simulazione scientifica, intelligenza artificiale e calcolo quantistico.

L'AI per la scienza si sta rapidamente orientando verso applicazioni pratiche

In passato, la ricerca scientifica si basava principalmente su simulazioni numeriche per ricostruire e prevedere il mondo fisico. Tuttavia, poiché i volumi di dati continuano a crescere, i metodi computazionali tradizionali da soli sono sempre più incapaci di soddisfare le esigenze della ricerca scientifica. Oggi, l'AI si sta gradualmente evolvendo da strumento di supporto a metodo di ricerca centrale, trasformando non solo il modo in cui vengono risolti i problemi scientifici, ma anche spingendo molti risultati della ricerca verso applicazioni pratiche.

Nella ricerca sul clima, la combinazione di IA e calcolo ad alte prestazioni ha già dimostrato notevoli miglioramenti in termini di efficienza. Ad esempio, la piattaforma di simulazione climatica di nuova generazione basata sul progetto Earth-2 può modellare il clima globale con una risoluzione di 1 chilometro e abbreviare significativamente i cicli di simulazione. Le attività di calcolo che un tempo richiedevano molto tempo per essere completate ora producono previsioni molto più rapidamente, fornendo un supporto dati più tempestivo per gli avvisi di eventi meteorologici estremi e per la ricerca sul clima.

La fluidodinamica è anche uno dei campi in cui l'accelerazione dell'AI è più evidente. Le simulazioni CFD tradizionali richiedono spesso ore o anche di più. Tuttavia, con l'aiuto dei modelli surrogati di AI e del framework Physics-NeMo, alcuni calcoli complessi dei campi di flusso sono stati compressi a pochi secondi, mantenendo al contempo un'elevata accuratezza. Questo guadagno di efficienza è di notevole valore per l'aerospaziale, la progettazione automobilistica e la produzione industriale.

Nella ricerca sulla fusione nucleare, la tecnologia del gemello digitale è un nuovo sviluppo. Combinando Omniverse con modelli di IA, i ricercatori possono creare repliche digitali dei reattori a fusione in tempo reale e prevedere molto rapidamente i cambiamenti dello stato del plasma. Questo aiuta a rendere gli esperimenti più efficienti e crea un nuovo modo per esplorare la futura commercializzazione dell'energia da fusione.

La tecnologia IA è anche ampiamente utilizzata per prevedere terremoti e tsunami. Utilizzando informazioni sull'attività sismica passata, i grandi modelli di IA possono identificare rapidamente i rischi potenziali e stimare la probabilità di uno tsunami sul momento. Questo metodo fornisce allerte precoci, che danno alle persone il tempo di prevenire o ridurre l'impatto di un disastro.

Allo stesso tempo, “AI for Science” sta guidando gli aggiornamenti dell'infrastruttura globale per la ricerca scientifica. Un numero crescente di istituti di ricerca nazionali sta costruendo nuove piattaforme di supercalcolo progettate per l'IA. Ad esempio, il RIKEN giapponese sta implementando un sistema di nuova generazione basato sull'architettura NVIDIA Blackwell. Attraverso il funzionamento coordinato di cluster GPU, reti InfiniBand ad alta velocità e framework di calcolo IA, questo sistema fornisce una piattaforma di calcolo unificata per il calcolo scientifico, la ricerca quantistica e l'addestramento dell'IA.

Dalla previsione del tempo alla generazione di energia da fusione, e dal test del funzionamento delle industrie all'avviso alle persone sui disastri naturali, l'AI è sempre più utilizzata in tutte le aree della ricerca scientifica. Invece di limitarsi a rendere i computer più veloci, è più importante cambiare il modo in cui gli scienziati scoprono. Consente ai ricercatori di affrontare problemi complessi in modo più economico e rapido, e di portare più velocemente nuove idee scientifiche nell'industria.

L'architettura hardware sta cambiando

Per supportare la prossima generazione di calcolo scientifico, NVIDIA ha inoltre apportato diverse modifiche alla sua architettura hardware sottostante. A giudicare dal prototipo di supercalcolo di nuova generazione presentato a SC25, i sistemi futuri non saranno più semplici combinazioni di CPU e GPU. Tuttavia, si evolveranno gradualmente in piattaforme complesse che integrano interfacce quantistiche, interconnessioni ottiche ad alta velocità e capacità di calcolo eterogenee.

CPU sviluppata internamente: core Vera e Olympus

La nuova CPU Vera utilizza lo speciale design del core Olympus di NVIDIA, che la rende quasi due volte più veloce della vecchia piattaforma Grace. Inoltre, Vera introduce un sistema di memoria LPDDR5X progettato per ambienti di data center. Questo sistema è ottimizzato per l'utilizzo della larghezza di banda e l'efficienza energetica, offrendo capacità di elaborazione dati migliorate per l'addestramento dell'IA, le simulazioni scientifiche e le attività di calcolo ibrido.

CPO: ridefinire l'interconnessione dei data center

Poiché i cluster AI continuano a espandersi, i moduli ottici collegabili tradizionali affrontano sfide crescenti in termini di consumo energetico, manutenzione e tassi di guasto. In risposta, NVIDIA ha scelto un percorso di sviluppo diverso—integrando il motore ottico direttamente nello stesso package del chip switch.

CPO (Co-Packaged Optics) riguarda molto più del semplice cambiamento della forma dei moduli ottici. È un nuovo modo di progettare il sistema nel suo complesso. CPO lo fa accorciando il percorso di trasmissione del segnale elettrico. Ciò riduce il consumo energetico e migliora l'efficienza dell'interconnessione. Nel complesso, questo fornisce un'infrastruttura di rete che può essere scalata per futuri cluster AI hyperscale.

Secondo i piani annunciati da NVIDIA, TACC, Lambda e CoreWeave saranno tra i primi a implementare la piattaforma Quantum-X Photonics e saranno i primi ad applicare questa tecnologia all'infrastruttura di AI e calcolo ad alte prestazioni.

NVLink: consente a centinaia di GPU di funzionare come una singola unità

Il significativo miglioramento delle prestazioni di inferenza ottenuto dall'architettura Blackwell non è dovuto esclusivamente alle ottimizzazioni della precisione FP4. Un fattore ancora più importante è la continua evoluzione della tecnologia di interconnessione NVLink.

Con l'ultima generazione di NVLink, fino a 576 GPU possono essere collegate in un dominio di calcolo unificato a memoria condivisa, consentendo loro di lavorare insieme più come un unico grande sistema di calcolo che come una semplice raccolta di centinaia di nodi indipendenti.

Per l'addestramento e l'inferenza di modelli di grandi dimensioni, l'efficienza dello scambio di dati tra GPU determina spesso il limite massimo delle prestazioni complessive. Poiché le dimensioni dei modelli continuano a crescere, la larghezza di banda della rete diventa importante quanto la potenza di calcolo stessa. Per questo motivo, NVLink è diventata una delle tecnologie chiave alla base dell'infrastruttura AI su larga scala.

Apollo: i modelli di fisica AI entrano nell'era del pre-addestramento

Oltre agli aggiornamenti hardware, anche l'ecosistema software si sta evolvendo in parallelo.

Alla conferenza SC25, NVIDIA ha lanciato ufficialmente la serie Apollo di modelli di fisica AI, che copre diversi campi del calcolo scientifico, tra cui la dinamica dei fluidi e la meccanica strutturale. L'introduzione di Apollo indica che la simulazione ingegneristica si sta gradualmente spostando dall'approccio tradizionale “modellazione da zero” a un modello di “pre-training + fine-tuning” simile a quello dei grandi modelli linguistici.

Apollo incorpora chiave Fisica dell'IA progressi, tra cui operatori neurali, architetture Transformer e modelli di diffusione. Utilizza inoltre un'ampia conoscenza fisica pregressa durante l'addestramento.

Gli sviluppatori possono non solo utilizzare direttamente i modelli pre-addestrati forniti ufficialmente, ma anche eseguire addestramento secondario e sviluppo personalizzato in base ai propri scenari, abbassando significativamente la barriera alla creazione di modelli di calcolo scientifico e accelerando il passaggio dei risultati della ricerca scientifica dal laboratorio alle applicazioni pratiche.

In un certo senso, Apollo sta introducendo il calcolo scientifico in una fase di sviluppo simile a quella dell'IA generativa—i ricercatori non hanno più bisogno di costruire modelli da zero ogni volta. Tuttavia, possono ancora farlo. Possono invece iterare e innovare rapidamente basandosi su fondamenta esistenti.

Quantum Computing: l'integrazione eterogenea potrebbe diventare il paradigma di calcolo di prossima generazione

Quando si tratta di quantum computing, l’approccio di NVIDIA non è sostituire le piattaforme di calcolo tradizionali con sistemi quantistici, ma piuttosto far lavorare i processori quantistici in tandem con le GPU come componente chiave delle future architetture di supercalcolo.

Calcolo collaborativo GPU e QPU

Secondo NVIDIA, la QPU (unità di elaborazione quantistica) agisce come un acceleratore specializzato che integra la GPU. Attraverso la piattaforma software unificata CUDA-Q, gli sviluppatori possono pianificare attività di calcolo quantistico e classico nello stesso ambiente di sviluppo, consentendo a questi due tipi di risorse di calcolo di collaborare su attività complesse.

Ciò significa che i ricercatori non devono mantenere due sistemi di sviluppo separati: possono progettare algoritmi quantistici, eseguire la verifica tramite simulazione ed eseguire simulazioni all'interno di un framework unificato. Questo rende molto più facile per le persone avvicinarsi al calcolo quantistico.

NVQLink: un ponte che collega il calcolo quantistico e quello classico

Per facilitare la collaborazione tra processori quantistici e GPU, NVIDIA ha creato NVQLink, che li collega. Questa tecnologia è essenziale per collegare QPU e GPU e supporta flussi di lavoro di calcolo quantistico su larga scala guidati da CUDA-Q.

In test congiunti con il processore quantistico Helios di nuova generazione di Quantinuum, NVQLink ha ottenuto un'interconnessione a bassa latenza tra GPU e QPU e ha convalidato con successo la prima decodifica in tempo reale al mondo di codici quantistici scalabili qLDPC per la correzione degli errori.

I risultati dei test mostrano che, con meccanismi di correzione degli errori in atto, la fedeltà del sistema può essere mantenuta intorno al 99%, un valore migliore del 95% senza correzione degli errori. Ciò dimostra che la tecnologia di correzione degli errori quantistici è effettivamente utile nella pratica e che il calcolo quantistico può essere utilizzato insieme al tradizionale calcolo ad alte prestazioni.

Dato l'attuale stadio di sviluppo, il calcolo quantistico ha ancora molta strada da fare prima di poter essere applicato autonomamente su larga scala; tuttavia, ha già iniziato a dimostrare valore pratico come coprocessore per le GPU in complesse attività di calcolo scientifico. I futuri sistemi di supercalcolo probabilmente non saranno più una competizione tra singole architetture, ma piuttosto piattaforme convergenti eterogenee composte da CPU, GPU e QPU.

Conclusione

In futuro, i supercomputer saranno costruiti utilizzando una combinazione di progetti basati su CPU e GPU, nonché sistemi ibridi che combinano simulazione scientifica, intelligenza artificiale e calcolo quantistico. Tecnologie come la CPU Vera, l'interconnessione ottica CPO, l'architettura Blackwell e NVLink/NVQLink aiutano ad aumentare la larghezza di banda, ridurre la latenza e rendere più facile la collaborazione tra le risorse. Allo stesso tempo, piattaforme di IA orientate alla scienza come Apollo stanno cambiando il modo in cui facciamo le cose. Utilizzano modelli fisici già addestrati per supportare i metodi tradizionali.