Výzkumníci z MIT využívají chladicí platformu Ferveret k pokroku ve výzkumu jaderných materiálů pomocí AI

Výzkum s využitím AI může narazit na fyzické omezení dlouho předtím, než dojdou nápady: na množství výpočetního výkonu, které může laboratoř napájet a chladit. Ferveret uvádí, že výzkumníci z MIT využívají jeho vysoce výkonnou výpočetní platformu k vývoji metod AI pro studium jaderných materiálů a při dlouhodobých vědeckých výpočtech pracují s technologií Adaptive Phase Cooling.

Oznámení z 22. října propojuje dvě technické výzvy. Výzkumníci potřebují vyšší výpočetní kapacitu, aby porozuměli materiálům vystaveným extrémním podmínkám. Provozovatelé datových center potřebují z omezené elektrické kapacity získat více užitečného výkonu. Ferveret tvrdí, že účinnější odvádění tepla může pomoci oběma stranám, aniž by bylo nutné přejít na novou generaci procesorů.

Proč výzkum jaderných materiálů potřebuje vyšší výpočetní výkon pro AI

Na výzkumu se podílí laboratoř MIT Materials in Extreme Environments Lab, kterou vede Ericmoore Jossou, odborný asistent v oborech jaderné vědy a inženýrství a elektrotechniky, informatiky a počítačového inženýrství. Profil člena akademického sboru MIT popisuje výzkum, který kombinuje pokročilou mikroskopii a koherentní rentgenové zobrazování, aby zkoumal strukturní vlastnosti a defekty v nanometrovém rozlišení.

Ferveret uvádí dva projekty, které využívají jeho platformu. Jeden vyvíjí metody AI pro analýzu koherentních rentgenových měření jaderných materiálů. Druhý trénuje meziatomové potenciály strojového učení, tedy modely, které předpovídají vzájemné působení atomů a pomáhají výzkumníkům simulovat chování materiálů v náročných podmínkách.

Směr výzkumu prvního projektu dokládají také nezávislé informace. Program výzkumného sympozia MIT v oboru jaderné vědy a inženýrství pro rok 2026 uvádí prezentaci DongHuna Ryua nazvanou „Physics-Informed Deep Generative Models for BCDI Phase Retrieval“. Zkratka BCDI označuje Braggovo koherentní difrakční zobrazování, techniku, která je zmíněna také v popisu Jossouova výzkumu na profilu člena akademického sboru. Jde o konkrétní spojitost s výzkumem nad rámec oznámení chladicí společnosti, program akce však hardware Ferveret nehodnotí.

Meziatomové potenciály řeší jiné úzké místo výpočtů. Namísto nákladného výpočtu elektronové struktury v každé fázi simulace model, který prošel trénováním, přibližuje vztah mezi uspořádáním atomů, energiemi a silami. Výzkum zveřejněný v repozitáři MIT popisuje, jak mohou silová pole založená na strojovém učení rozšířit časové i prostorové měřítko atomistických simulací a zároveň zachovat přesnost referenčních výpočtů, na kterých jsou natrénována.

Tato přesnost je i nadále podmíněna modelem a situacemi, které se naučil reprezentovat. Podle oznámení Ferveret mají podporované výzkumné projekty za cíl dosáhnout při simulacích přesnosti blížící se teorii funkcionálu hustoty; oznámení však neuvádí tabulku chyb, publikovaný model ani číselné srovnání, které by tento výsledek u daných projektů potvrzovalo.

Jak technologie Adaptive Phase Cooling odvádí teplo

Popis technologie Ferveret se zaměřuje na podchlazený var, jehož princip vychází z výzkumu přenosu tepla v jaderných reaktorech. Teplo na povrchu čipu vytváří bubliny páry, okolní kapalina však zůstává pod bodem varu. Společnost uvádí, že se drobné bubliny rychle oddělují a kondenzují zpět v chladnější kapalině, která tak znovu přichází do kontaktu s horkým povrchem.

Rozdíl spočívá v tom, kam pára směřuje. Při ponořovacím chlazení s nasyceným varem, s nímž Ferveret svůj přístup srovnává, stoupají bubliny do prostoru s párou, kde následně kondenzují. Jejich přístup se snaží kondenzovat bubliny přímo v kapalině. Podle společnosti to umožňuje provoz téměř za okolního tlaku a v kompaktních skříních určených pro jednotlivé servery.

Stránka produktů pro datová centra popisuje chladicí jednotku Lambert montovanou do racku, která zabírá výšku 4U, vlastní výměník tepla a řídicí software upravující provozní podmínky. Zamýšleným řešením je chladicí systém pro servery propojený s infrastrukturou zařízení pro odvod tepla, nikoli velká společná nádrž pro ponorné chlazení.

Pro provozovatele systémů AI je cílem udržet procesory při dlouhodobém zatížení v rámci teplotních limitů a zároveň snížit režijní náklady spojené s chlazením. Chladnější hardware může udržet vyšší provozní výkon, který by jinak omezovalo teplo. Rozsah přínosu nadále závisí na procesorech, typu zátěže, nastavení napájení a použitém chladicím systému, se kterým se provádí srovnání.

Co údaje o výkonu 15 % a 35 % skutečně znamenají

Dvě hlavní číselné hodnoty v oznámení popisují různé způsoby měření. Ferveret uvádí až o 15 % vyšší výpočetní výkon na úrovni serveru ve srovnání s předními metodami přímého chlazení čipu a až o 35 % vyšší využitelný výpočetní výkon při započtení vylepšení na úrovni zařízení.

Oznámení společnosti Ferveret z března přináší k prvnímu údaji další podrobnosti. Popisuje srovnávací testy s laboratoří Intelligent Connectivity Laboratory na UCLA, které využívaly GPU NVIDIA H200; uvádí zlepšení výpočetní účinnosti o 15 %, měřené v TFLOP na kilowatt příkonu serveru. Oznámení výslovně uvádí, že tento údaj za server nezahrnuje účinnost využití energie na úrovni zařízení.

To je užitečný kontext, stále však jde o popis spolupráce zveřejněný samotnou společností. Oznámení neobsahuje úplný protokol benchmarku ani nezpracované výsledky v rozsahu potřebném k zopakování srovnání. Zlepšení propustnosti výpočtů s plovoucí desetinnou čárkou na watt o 15 % také automaticky neznamená zkrácení doby trénování o 15 % ani stejně velké zvýšení výkonu aplikace.

Vyšší hodnota kombinuje efektivitu serverů s modelem provozu celého zařízení. V propočítaném příkladu společnosti Ferveret se srovnává hodnota účinnosti využití energie, tedy PUE, nejprve 1,20 a poté 1,03, a následně se započítává 15% zlepšení efektivity serverů. PUE je poměr celkové spotřeby energie zařízení ke spotřebě energie IT vybavení; nižší poměr znamená menší režijní spotřebu zařízení při stejném zatížení IT.

Při použití uvedených vstupních hodnot činí kombinovaný přínos přibližně 34 %: 1,15 vynásobeno 1,20/1,03. Ferveret výsledek popisuje jako přibližně 35 %. Výpočet objasňuje řád uváděného přínosu, jde však o scénář založený na předpokládané efektivitě zařízení, nikoli o zveřejněné měření 35% zrychlení experimentů MIT s jadernými materiály.

Kde končí důkazy – a začíná příležitost

V poskytnutém oznámení Jossou uvádí, že přístup k platformě umožňuje používat větší modely, rychleji opakovat postupy a provádět experimenty průběžně. Tato pozorování dokládají praktickou hodnotu přístupu k většímu výpočetnímu výkonu. Neumožňují však určit, jak velká část zlepšení pocházela z chlazení, jak velká z přiděleného hardwaru ani o kolik rychleji proběhl konkrétní vědecký úkol.

Stejné rozlišení platí i pro udržitelnost. Ferveret popisuje uzavřený systém, který odvádí teplo pomocí suchých chladičů bez spotřeby vody odpařováním. Jde o tvrzení týkající se konfigurace chlazení. Nelze je chápat tak, že se tím eliminuje vodní stopa výroby elektřiny, výroby zařízení nebo jakéhokoli jiného možného uspořádání zařízení.

V oznámení se také uvádí, že se očekává, že budoucí vědecké publikace ocení příspěvek společnosti Ferveret v podobě infrastruktury. Zveřejněné metody a výsledky na úrovni aplikací by pomohly objasnit, jak platforma ovlivňuje přesnost rekonstrukce, rozsah simulací, dobu trénování a spotřebu energie na dokončený experiment.

Nejpevnější závěr je zatím úzce vymezený: Ferveret poskytuje infrastrukturu pro výzkumný program zaměřený na AI a jaderné materiály, jak potvrzuje i MIT, zatímco širší tvrzení o efektivitě je třeba posuzovat s ohledem na hranice měření. Dlouhodobou příležitostí je lépe využít omezené výpočetní kapacity – proměnit zlepšení přenosu tepla ve více vědecké práce při stejném rozpočtu elektrické energie.