AMD og Cornelis udvider HPC-partnerskabet, mens GWDG tager EMMY P4 i brug

AMD og Cornelis udvider deres partnerskab inden for højtydende databehandling ved at kombinere AMD-processorer og -acceleratorer med Cornelis-netværksudstyr. Målet er at hjælpe forskningsinstitutioner med at sætte større videnskabelige arbejdsopgaver i produktion. En installation hos tyske GWDG er et konkret eksempel: Supercomputeren EMMY P4 kombinerer cirka 300 noder med to AMD EPYC 9745-processorer i hver med Cornelis CN5000 Omni-Path-netværk.

Samarbejdet rækker videre end salg af kompatible komponenter. Virksomhederne etablerer et fælles program for markedsintroduktion, der omfatter systemdesign, benchmarking af applikationer, validering, accepttest og produktionsimplementering gennem eksisterende producenter og systemintegratorer. Kunderne kan også afprøve deres egne applikationer hos AMD’s HPC Center of Excellence i München, før de beslutter sig for en konfiguration.

Denne tilgang tager fat på et vedvarende problem inden for supercomputing: Flere processorer er ingen garanti for, at forskningen går tilsvarende hurtigere. Applikationerne skal kunne flytte data hurtigt nok mellem processorerne til, at de hele tiden kan arbejde.

Derfor er netværket lige så vigtigt som beregningskraften

Videnskabelige simuleringer fordeler ofte et stort problem på mange servere. Hver server beregner en del af resultatet og udveksler derefter information med de andre. Beregningsbaseret strømningsmekanik kræver for eksempel, at naboområder i en simuleret strømning deler opdaterede tilstandsdata, efterhånden som beregningen skrider frem.

Disse udvekslinger betyder, at netværksforsinkelse, kapacitet til meddelelseshåndtering og overbelastning får betydning. En processor, der venter på data fra en anden node, udfører kun få nyttige beregninger, uanset hvor hurtigt den kan regne. Message Passing Interface, eller MPI, er en udbredt softwaregrænseflade til koordinering af dette distribuerede arbejde.

Cornelis leverer det sammenkoblingsnetværk, der forbinder noderne, mens AMD leverer beregningskraften. Det udvidede program skal validere komponenterne samlet i forhold til applikationer i stedet for at behandle netværksbåndbredde og processorspecifikationer som tilstrækkeligt bevis på systemets ydeevne.

Cornelis’ administrerende direktør, Lisa Spelman, sagde, at hver ny EPYC-generation øger antallet af kerner, der skal have adgang til netværket. Hendes pointe er, at øget beregningskapacitet kan efterlade dyre ressourcer i venteposition, hvis kommunikationen ikke kan følge med. Derfor er validering med specifikke arbejdsopgaver afgørende.

Hvad GWDG’s EMMY P4 bidrager med

GWDG, organisationen for videnskabelig databehandling i Göttingen, understøtter NHR@Göttingen, et af Tysklands ni nationale centre for højtydende databehandling. Brugerne kører applikationer inden for blandt andet biovidenskab, fysik, kvanteforskning, AI og humaniora. Ifølge Cornelis håndterer det bredere miljø cirka 3,5 millioner HPC-job om året.

AMD’s specifikationer for EPYC 9745 angiver 128 fysiske kerner pr. processor, hvilket giver 256 kerner i hver node med to processorsokler. Når så mange kerner skal udnyttes effektivt på tværs af hundredvis af noder, bliver kommunikationseffektivitet et anliggende for hele systemet.

GWDG’s dokumentation for installationen beskriver en indledende gruppe på 252 noder, hver med 768 GiB DDR5-hukommelse og 3,8 TiB lokal NVMe-lagerplads, forbundet via CN5000-adaptere med 200G-forbindelser. I meddelelsen beskrives den større EMMY P4-installation som bestående af cirka 300 noder.

Det er vigtigt at skelne mellem denne CPU-installation og partnerskabets GPU-arbejde. EMMY P4 viser, hvordan EPYC-processorer og Cornelis-netværk bruges i et miljø for videnskabelig databehandling; det betyder ikke, at de annoncerede CPU-noder indeholder AMD Instinct-acceleratorer.

Applikationstest går videre end kompatibilitet

Ifølge Cornelis er CN5000 godkendt til produktionsbrug sammen med AMD EPYC 9005-processorer på tværs af mere end 25 validerede platformskonfigurationer i Nordamerika og Europa. Virksomhederne har også udvidet CN5000-godkendelsen til AMD Instinct MI350X Series-acceleratorer.

Applikationstest kan hjælpe købere med at afgøre, om en arkitektur passer til det arbejde, der faktisk udføres i deres organisation. En stor simulering med hyppig synkronisering kan opføre sig anderledes end en AI-arbejdsopgave, der bruger mere tid i acceleratorens kerner. Hukommelseskapacitet, softwarebiblioteker, nodekonfiguration og netværksadfærd påvirker alle resultatet.

Cornelis oplyser, at en udvalgt gruppe på 132 CONVERGE-arbejdsopgaver inden for beregningsbaseret strømningsmekanik opnåede 20 % højere gennemsnitlig gennemstrømning på fire noder end i en sammenligning med NVIDIA NDR InfiniBand. Virksomheden oplyser også, at en STAR-CCM+-arbejdsopgave på EPYC 9755-processorer skalerede næsten nidobbelt fra én til otte noder.

Dette er applikationsresultater, som leverandøren har rapporteret for bestemte testkonfigurationer. De tilhørende tekniske whitepapers fra Cornelis er den relevante kilde til testbetingelserne; tallene dokumenterer ikke den samme fordel for alle programmer eller klynger. Den praktiske værdi af testprogrammet i München er, at kunderne kan vurdere deres egne arbejdsopgaver på den baggrund.

En køreplan for større CPU- og GPU-systemer

Virksomhederne forbereder sig også på endnu en hardwaregeneration. Cornelis bygger sin kommende CN6000 op omkring en 800G-adapter og et PCIe 6.0 x16-interface. OEM-systemer, der kombinerer CN6000 og AMD EPYC 9006-processorer, forventes i første kvartal af 2027. Disse systemer er en del af køreplanen og adskiller sig fra den installerede EMMY P4-infrastruktur baseret på CN5000.

AMD’s strategi for acceleratorer omfatter også softwarestakken ROCm, som leverer værktøjer og biblioteker til GPU-beregninger. For at understøtte videnskabelig AI er dette softwarelag nødvendigt sammen med processorerne og netværket: Forskere har brug for applikationer, matematiske biblioteker og kommunikationssoftware, der fungerer sammen.

Traditionel videnskabelig databehandling lægger også stor vægt på dobbeltpræcisionsaritmetik, også kaldet FP64. Det adskiller sig fra beregninger med lavere præcision, som anvendes i mange AI-arbejdsbelastninger, så en platforms egnethed afhænger af mere end dens fremhævede AI-ydeevne.

Det udvidede partnerskab mellem AMD og Cornelis skal i sidste ende gøre det lettere at evaluere og implementere komplette forskningssystemer. GWDG leverer et eksempel fra produktionsmiljøet på kombinationen af CPU og netværk, mens fælles test af applikationer og fremtidig understøttelse af acceleratorer udvider de potentielle anvendelsesområder. For forskningscentre er det afgørende mål, hvor hurtigt et valideret system kan udføre nyttigt arbejde – ikke hvor mange processorer det indeholder.