Что такое суперкомпьютинг нового поколения?

Фокус суперкомпьютерных технологий постепенно смещается от простого увеличения вычислительной мощности к глубокой интеграции различных вычислительных парадигм. Являясь одним из ключевых двигателей отрасли, NVIDIA представила научно-вычислительную платформу следующего поколения, построенную на основе Simulation, AI (Artificial Intelligence) и Quantum Computing. Благодаря инновационным решениям, таким как процессор Vera, фирменная высокоскоростная технология оптического межсоединения и предварительно обученная физическая модель Apollo, NVIDIA стремится создать унифицированную вычислительную среду, которая обеспечивает баланс производительности, энергоэффективности и масштабируемости, предоставляя новую инфраструктурную основу для будущих научных исследований и крупномасштабных приложений AI.

Три основные вычислительные парадигмы сходятся

На протяжении последних нескольких десятилетий развитие суперкомпьютеров в основном опиралось на численное моделирование, способствуя развитию научных исследований и инженерных инноваций за счёт решения сложных физических уравнений. Однако стремительное развитие искусственного интеллекта и квантовых вычислений означает, что суперкомпьютерные платформы будущего переходят от архитектур с единым типом вычислений к более разнообразным и конвергентным архитектурам.

Одной из наиболее важных задач для высокопроизводительных вычислений является научное моделирование. Традиционное численное моделирование по-прежнему используется для важных расчетов в таких областях, как прогнозирование климата, исследование и разработка материалов, а также анализ динамики жидкостей. Но ИИ может значительно улучшить этот процесс. Он может выполнять задачи намного быстрее, чем раньше. Он может выполнять задачи, которые прежде занимали много времени.

В то же время искусственный интеллект становится важным инструментом повышения производительности в научных исследованиях. От генеративного ИИ до ИИ для науки: всё больше исследовательских учреждений используют ИИ для обработки огромных объёмов экспериментальных данных, содействия обучению моделей и ускорения проверки результатов исследований. ИИ больше не является лишь технологией прикладного уровня, а постепенно интегрируется во весь рабочий процесс научных вычислений.

Квантовые вычисления представляют собой еще одно направление развития, заслуживающее внимания. Хотя коммерциализация этой технологии все еще находится на ранней стадии, “гибридные квантово-классические архитектуры”—в которых квантовые вычисления работают совместно с традиционными высокопроизводительными вычислениями—стали ключевой областью исследований для отрасли. В будущем квантовые вычисления смогут ускорить решение некоторых типов сложных задач, тогда как традиционные вычислительные платформы продолжат выполнять крупномасштабные вычисления общего назначения.

Судя по текущим тенденциям, суперкомпьютеры будущего больше не будут просто наращивать вычислительную мощность; вместо этого они будут создавать новое поколение более эффективных и интеллектуальных вычислительных платформ за счёт синергетической интеграции научного моделирования, искусственного интеллекта и квантовых вычислений.

ИИ для науки стремительно переходит к практическому применению

В прошлом научные исследования в основном полагались на численное моделирование для реконструкции и прогнозирования физического мира. Однако по мере роста объемов данных одних только традиционных вычислительных методов становится все недостаточно для удовлетворения потребностей научных исследований. Сегодня ИИ постепенно превращается из вспомогательного инструмента в основной метод исследований, не только меняя способы решения научных задач, но и способствуя практическому применению многих результатов исследований.

В исследовании климата сочетание AI и высокопроизводительных вычислений уже продемонстрировало значительный прирост эффективности. Например, климатическая платформа нового поколения, основанная на проекте Earth-2, может моделировать глобальный климат с разрешением 1-kilometer и существенно сокращать продолжительность циклов моделирования. Вычислительные задачи, выполнение которых раньше занимало значительное время, теперь позволяют получать прогнозы гораздо быстрее, обеспечивая более своевременную информационную поддержку предупреждений об экстремальных погодных явлениях и климатических исследований.

Гидродинамика также является одной из областей, где ускорение с помощью ИИ проявляется наиболее явно. Традиционное моделирование методом вычислительной гидродинамики часто занимает несколько часов или даже больше. Однако с помощью суррогатных моделей ИИ и фреймворка Physics-NeMo некоторые сложные расчёты полей течения удалось сократить до нескольких секунд при сохранении высокой точности. Это повышение эффективности имеет большое значение для аэрокосмической отрасли, проектирования автомобилей и промышленного производства.

В исследованиях ядерного синтеза технология цифровых двойников является новым направлением. Объединяя Omniverse с моделями ИИ, исследователи могут в реальном времени создавать цифровые копии термоядерных реакторов и очень быстро прогнозировать изменения состояния плазмы. Это помогает повысить эффективность экспериментов и открывает новый способ изучения будущей коммерциализации термоядерной энергии.

Технология AI также широко используется для прогнозирования землетрясений и цунами. Используя информацию о прошлой сейсмической активности, крупные модели AI могут быстро выявлять потенциальные риски и оценивать вероятность возникновения цунами в данный момент. Этот метод обеспечивает раннее предупреждение, благодаря чему у людей появляется время, чтобы предотвратить или уменьшить последствия стихийного бедствия.

В то же время «AI for Science» стимулирует модернизацию глобальной инфраструктуры научных исследований. Всё больше национальных исследовательских учреждений создают новые суперкомпьютерные платформы, предназначенные для ИИ. Например, японский институт RIKEN развёртывает систему следующего поколения на базе архитектуры NVIDIA Blackwell. Благодаря скоординированной работе кластеров GPU, высокоскоростных сетей InfiniBand и фреймворков вычислений ИИ эта система предоставляет единую вычислительную платформу для научных вычислений, квантовых исследований и обучения ИИ.

От прогнозирования погоды до получения энергии в результате термоядерного синтеза и от изучения работы отраслей до предупреждения людей о стихийных бедствиях — ИИ все чаще используется во всех областях научных исследований. Важно не просто сделать компьютеры быстрее, а изменить подход ученых к открытиям. ИИ позволяет исследователям решать сложные задачи дешевле и быстрее, а также ускоряет внедрение новых научных идей в промышленность.

HaАрхитектура rdware меняется

Для поддержки следующего поколения научных вычислений NVIDIA также внесла несколько изменений в базовую аппаратную архитектуру. Судя по представленному на SC25 прототипу суперкомпьютера следующего поколения, будущие системы больше не будут простыми сочетаниями CPU и GPU. Вместо этого они постепенно превратятся в сложные платформы, объединяющие квантовые интерфейсы, высокоскоростные оптические соединения и возможности гетерогенных вычислений.

Самостоятельно разработанный CPU: ядра Vera и Olympus

В новом процессоре Vera используется специальная разработка ядра Olympus от NVIDIA, благодаря чему он почти вдвое быстрее старой платформы Grace. Кроме того, Vera оснащен системой памяти LPDDR5X, разработанной для сред центров обработки данных. Эта система оптимизирована для использования пропускной способности и энергоэффективности, обеспечивая расширенные возможности обработки данных для обучения ИИ, научного моделирования и гибридных вычислительных задач.

CPO: переосмысление межсоединений в центрах обработки данных

По мере расширения кластеров ИИ традиционные подключаемые оптические модули сталкиваются со всё большими проблемами, связанными с энергопотреблением, обслуживанием и частотой отказов. В ответ NVIDIA выбрала иной путь развития— интеграцию оптического движка непосредственно в один корпус с микросхемой коммутатора.

CPO (Оптика с совместным корпусированием) — это нечто большее, чем просто изменение формы оптических модулей. Это новый способ проектирования системы в целом. CPO сокращает длину пути передачи электрического сигнала. Это снижает энергопотребление и повышает эффективность межсоединений. В целом это обеспечивает сетевую инфраструктуру, которую можно масштабировать для будущих гипермасштабируемых кластеров ИИ.

Согласно объявленным NVIDIA’ планам, TACC, Lambda и CoreWeave войдут в число первых организаций, внедривших платформу Quantum-X Photonics, и первыми применят эту технологию в инфраструктуре для ИИ и высокопроизводительных вычислений.

NVLink: объединение сотен графических процессоров в единый блок

Значительное повышение производительности инференса, достигнутое благодаря архитектуре Blackwell, обусловлено не только оптимизацией точности FP4. Еще более важным фактором является постоянное развитие технологии межсоединений NVLink.

Благодаря новейшему поколению NVLink до 576 GPU можно объединить в единую вычислительную область с общей памятью, что позволяет им работать скорее как одна большая вычислительная система, а не как простая совокупность сотен независимых узлов.

При обучении и выполнении вывода моделей большого размера эффективность обмена данными между GPU часто определяет верхний предел общей производительности. По мере увеличения размеров моделей пропускная способность сети становится столь же важной, как и вычислительная мощность. По этой причине NVLink стал одной из ключевых технологий, лежащих в основе крупномасштабной инфраструктуры ИИ.

Apollo: физические модели ИИ вступают в эру предварительного обучения

Помимо модернизации оборудования, программная экосистема также развивается параллельно.

На конференции SC25 NVIDIA официально представила серию физических моделей ИИ Apollo, охватывающих несколько областей научных вычислений, включая гидродинамику и строительную механику. Представление Apollo свидетельствует о том, что инженерное моделирование постепенно переходит от традиционного подхода «моделирования с нуля» к модели «предварительное обучение + дообучение», аналогичной той, что используется для больших языковых моделей.

Apollo включает ключ Физика ИИ достижения, включая нейронные операторы, архитектуры Transformer и диффузионные модели. При обучении также широко используются априорные физические знания.

Разработчики могут не только напрямую использовать официально предоставленные предварительно обученные модели, но и выполнять их дополнительное обучение и адаптированную разработку с учётом собственных сценариев, что значительно снижает порог входа при создании моделей для научных вычислений и ускоряет переход результатов научных исследований из лаборатории к практическому применению.

В некотором смысле Apollo переводит научные вычисления на этап развития, аналогичный этапу развития генеративного ИИ: исследователям больше не нужно каждый раз создавать модели с нуля. Однако они по-прежнему могут это делать. Вместо этого они могут быстро выполнять итерации и внедрять инновации, опираясь на существующие основы.

Квантовые вычисления: гетерогенная интеграция может стать вычислительной парадигмой следующего поколения

Что касается квантовых вычислений, подход NVIDIA’ заключается не в замене традиционных вычислительных платформ квантовыми системами, а в совместной работе квантовых процессоров с GPU в качестве ключевого компонента будущих архитектур суперкомпьютеров.

Совместные вычисления GPU и QPU

По данным NVIDIA, QPU (квантовый процессор) действует как специализированный ускоритель, дополняющий GPU. Благодаря унифицированной программной платформе CUDA-Q разработчики могут планировать задачи квантовых и классических вычислений в одной среде разработки, позволяя этим двум типам вычислительных ресурсов совместно работать над сложными задачами.

Это означает, что исследователям не нужно поддерживать две отдельные системы разработки: они могут проектировать квантовые алгоритмы, выполнять проверку с помощью моделирования и запускать симуляции в рамках единой среды. Благодаря этому людям гораздо проще начать заниматься квантовыми вычислениями.

NVQLink: мост, соединяющий квантовые и классические вычисления

Чтобы упростить совместную работу квантовых процессоров и GPU, NVIDIA создала NVQLink, соединяющий их. Эта технология необходима для подключения QPU и GPU и поддерживает крупномасштабные рабочие процессы квантовых вычислений на базе CUDA-Q.

В ходе совместного тестирования с квантовым процессором нового поколения Helios компании Quantinuum’s NVQLink обеспечил межсоединение между GPU и QPU с низкой задержкой и успешно подтвердил первую в мире декодировку в реальном времени масштабируемых кодов коррекции квантовых ошибок qLDPC.

Результаты испытаний показывают, что при наличии механизмов коррекции ошибок точность системы можно поддерживать на уровне около 99%, что лучше, чем 95% без коррекции ошибок. Это показывает, что технология коррекции квантовых ошибок действительно полезна на практике и что квантовые вычисления можно использовать совместно с традиционными высокопроизводительными вычислениями.

Учитывая текущий этап развития, квантовым вычислениям еще предстоит пройти долгий путь, прежде чем они смогут самостоятельно применяться в больших масштабах; однако они уже начали демонстрировать практическую ценность в качестве сопроцессора для GPU в сложных задачах научных вычислений. Будущие суперкомпьютерные системы, вероятно, больше не будут результатом конкуренции между отдельными архитектурами, а станут гетерогенными объединенными платформами, состоящими из CPU, GPU и QPU.

Заключение

В будущем суперкомпьютеры будут создаваться с использованием сочетания конструкций на базе CPU и GPU, а также гибридных систем, объединяющих научное моделирование, искусственный интеллект и квантовые вычисления. Такие технологии, как CPU Vera, оптическое соединение CPO, архитектура Blackwell и NVLink/NVQLink, помогают увеличить пропускную способность, снизить задержку и упростить совместную работу ресурсов. В то же время ориентированные на науку платформы ИИ, такие как Apollo, меняют наш подход к работе. Они используют уже обученные физические модели для поддержки традиционных методов.