Arena Physica skal træne Heaviside på den AMD-drevne Lux-supercomputer

Arena Physica meddelte i sin annoncering den 12. november 2026, at virksomheden vil samarbejde med AMD om at træne fremtidige generationer af sin elektromagnetismemodel Heaviside på Lux-supercomputeren ved Oak Ridge National Laboratory. Projektet bygger videre på Heaviside-1, en model med 350 millioner parametre, der blev lanceret i september 2026.

Arena Physica beskriver Heaviside som den første grundmodel for elektromagnetisme og oplyser, at den første version blev trænet på 250.000 tredimensionelle feltsimuleringer, der omfattede 500 milliarder individuelle feltprøver. Tallene udgør udgangspunktet for AMD-samarbejdet, som er et planlagt træningsprogram og ikke lanceringen af en efterfølger trænet på Lux.

Simuleringsdata driver behovet for regnekraft

Hver træningsprøve stammer fra en fuldbølge-elektromagnetisk simulering, hvor Maxwells ligninger løses på tværs af en detaljeret 3D-model af en struktur. Det er derfor en beregningskrævende del af modeludviklingen at fremstille træningsdatasættet, ud over den regnekraft, der kræves til selve træningskørslen.

»Disse felter er meget følsomme over for detaljerne i et design, fra små lokale træk til strukturen som helhed. Det kræver store mængder data med høj nøjagtighed og en specialudviklet modelarkitektur at indfange denne kompleksitet,« sagde Michael Frei, forskningschef hos Arena Physica.

Arena Physica knyttede dette behov til Praktiske skalalove, en artikel af Christopher M. Bryant og Hao Liu. Artiklen argumenterer for, at de skalalove, der styrer moderne modeltræning, blev kalibreret til fortræning med store datamængder og én epoke, og påpeger strukturelle begrænsninger uden for dette område. Den foreslåede formulering opdeler tabet i termer for utilstrækkelig modelkapacitet, undertræning og overtilpasning, samtidig med at der skelnes mellem unikke eksempler og det samlede antal eksempler, modellen har set.

Når modellen først er kalibreret, understøtter denne formulering en omkostningsbevidst fordeling af ressourcerne, der bevæger sig i retning af mindre datasæt og flere epoker, efterhånden som data bliver dyrere. Anvendt på Heaviside viser denne ramme et kompromis i infrastrukturen mellem at generere flere unikke simuleringer og at gennemføre gentagne træningspassager på eksisterende data.

Lux leverer træningskapacitet i stor skala

Specifikationen for Lux fra Oak Ridge Leadership Computing Facility angiver mere end 4.000 AMD MI355X-GPU’er, 1,1 petabyte hukommelse med høj båndbredde og en AI-træningsydelse på 20 exaFLOPS ved FP8. Hver MI355X har 288 GB HBM3E-hukommelse og en båndbredde på 8 TB/s. Tildelingerne omfatter også adgang til Orion, OLCF’s Lustre-filsystem, som har en kapacitet på mere end 600 petabyte.

Tallene beskriver Lux’ kapacitet, ikke en målt hastighedsforbedring for Heaviside. De er relevante for begge dele af arbejdsbelastningen: acceleratorernes gennemløb under træningen samt hukommelsen og lagerpladsen til simuleringsdatasættet, der leverer data til den.

Planlagte modeller retter sig mod chips og kommunikation

Arena Physica planlægger, at senere Heaviside-generationer skal dække fjernfeltsstrålingsmønstre, mere komplekse geometrier og bredere frekvensområder og kunne skaleres op til større komponenter og komplette systemer. De planlagte anvendelser omfatter antenner til 5G-, 6G- og satellitkommunikation, radiofrekvensbaseret registrering i biler samt halvlederindkapsling og signalintegritet.

De angivne anvendelser inden for halvledere omfatter design af højhastigheds-SerDes. Kumaran Siva, AMD’s koncerndirektør for AI-strategi for erhvervslivet, knyttede arbejdet til 3D-indkapsling af chips og SerDes-hastigheder, der stiger fra 224 til 448 gigabit pr. sekund. Han sagde, at disse tendenser har gjort elektromagnetisk adfærd til et af de vanskeligste problemer inden for halvlederdesign.

Arena Physica oplyser, at Heaviside er udviklet til at forudsige elektromagnetisk adfærd flere størrelsesordener hurtigere og billigere end traditionelle løsere og til at muliggøre autonomt invers design. Dette er mål for modellens videreudvikling, ikke præstationsmålinger fra samarbejdet om Lux.

Arena Physica planlægger at dele resultater, efterhånden som træningen på Lux skrider frem i de kommende måneder. Disse rapporter vil udgøre det konkrete grundlag for at vurdere, om træning i Lux-skala kan levere den bredere dækning af frekvenser, geometrier og komplette systemer, som virksomheden har skitseret.