Argonne National Laboratory lancerer storstilet AI-inferencetjeneste til åben videnskab

Kapløbet om at bygge større AI-modeller har domineret overskrifterne i år, men en af de største udfordringer i videnskabelig beregning er blevet stort set uløst: hvordan forskere kan bruge avancerede AI-systemer i stor skala uden at bygge deres egen dyre infrastruktur.

Dette er problemet, som Argonne National Laboratory nu søger at løse med lanceringen af, hvad de beskriver som den første storstilet AI-inferencetjeneste, der specifikt er designet til åben videnskab.

Den nye tjeneste, der er udviklet gennem Argonne Leadership Computing Facility (ALCF), giver forskere adgang til store sprogmodeller, videnskabelige grundmodeller og computersynssystemer, der kører direkte på Argonnes højtydende beregningsinfrastruktur. I stedet for at træne deres egne modeller eller styre specialiserede hardware-klynger kan videnskabsmændene benytte en fælles inferencetjeneste, der er optimeret til storstilet forskningsarbejde.

Hvorfor AI-inferens er vigtig for videnskab

Meget af AI-samtalen har centreret sig omkring modeltræning, men inferens er, hvor AI-systemer bliver praktisk nyttige. AI-inferens er scenen, hvor trænede modeller analyserer data, genererer forudsigelser, fortolker resultater eller hjælper med beslutningstagning i realtid.

For videnskabelig forskning kan inferens dramatisk accelerere eksperimenternes tempo. Kæmpestore datasæt fra partikelfysikacceleratorer, teleskoper, fusionsforsøg, genomicsprojekter og molekylær simuleringer kan overvælde traditionelle analysepipeliner. AI-inferenssystemer kan hurtigt fortolke disse datasæt og hjælpe forskere med at identificere mønstre eller anomalier, som ellers ville tage uger eller måneder at opdage.

Argonnes nye tjeneste er designet til at eliminere en stor flaskehals ved at gøre avancerede inferensmuligheder tilgængelige som en central ressource i stedet for at kræve, at hver institution selv udruller sin egen AI-stak.

Michael Papka, direktør for ALCF, beskrev initiativet som en skift fra blot at tilbyde rå beregningskraft til at tilbyde integrerede AI-aktiverede videnskabelige tjenester.

En national AI-infrastruktur for forskning

Inferencetjenesten er tæt knyttet til det amerikanske energidepartements bredere Genesis Mission, en national initiativ, der fokuserer på at accelerere videnskabelig opdagelse gennem AI-drevet infrastruktur. Missionen sigter mod at forbinde supercomputere, videnskabelige instrumenter og store datasæt til et samlet AI-økosystem, der kan understøtte næste generations forskning.

Argonnes system understøtter allerede forskere fra multiple DOE-laboratorier, herunder Brookhaven National Laboratory, Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory og Los Alamos National Laboratory. Den bredere vision er at skabe en sammenhængende national forskningsplatform, hvor AI-værktøjer, eksperimentelle data og supercomputere kan fungere sammen uden problemer.

Dette er særligt vigtigt, da videnskabelige AI-arbejdsbelastninger i stigende grad involverer agente arbejdsprocesser, hvor modeller gentagne gange interagerer med simulationsystemer, databaser og analytiske værktøjer. Disse arbejdsprocesser kan generere enorme tokenforbrug og beregningsomkostninger, når de køres på kommercielle AI-platforme. Argonnes infrastruktur er designet til at understøtte disse arbejdsprocesser internt til videnskabelige formål.

Teknologien bag platformen

Tjenesten giver adgang til multiple model-familier, herunder Googles Gemma-modeller, Metas LLaMA-familie og OpenAIs GPT-OSS-systemer samt domænespecifikke videnskabelige grundmodeller og internt udviklede systemer som AuroraGPT.

AuroraGPT er særligt bemærkelsesværdig, da det repræsenterer Argonnes bredere ambition om at bygge AI-systemer, der er trænet specifikt på videnskabelig litteratur, datasæt og multimodale forskningsindgange. Projektet har udforsket ekstremt store arkitekturer, der er optimeret til videnskabelig resonans og højtydende beregningsmiljøer.

Infrastrukturen selv kører på dedikerede ALCF-systemer, herunder Sophia og Metis, med planlagt udvidelse til NVIDIA-drevne systemer med navne som Tara og Minerva.

Beyond Chatbots: Ægte videnskabelige anvendelser

Mens den offentlige AI-diskussion ofte drejer sig om konversationsassistenter, er Argonnes fokus fast på forskningsacceleration.

I fusionsenergiforskning kan inferensmodeller overvåge plasmaadfærd i realtid og potentelt forudsige afbrydelser, før de indtræffer. I astronomi og partikelfysik kan AI-systemer analysere enorme datastrømme fra teleskoper eller collider til at identificere sjældne begivenheder mere effektivt. I kemi og materialsvidenskab kan inferenssystemer koordinere komplekse molekylær simuleringer og automatisere storstilet beregningsarbejde.

Et eksempel, som Argonne fremhæver, er ChemGraph, et AI-drevet rammeværk designet til at simplificere molekylær simuleringarbejdsprocesser. Systemet bruger gentagne AI-værktøjsinteraktioner til at koordinere simuleringer, dataanalyse og iterativ eksperimentation i en mere sammenhængende arbejdsproces.

Den bredere implikation er, at videnskabelig beregning udvikler sig fra isolerede supercomputerjob til kontinuerligt interaktive AI-assisterede forskningsmiljøer.

Argonnes voksende rolle i AI-infrastruktur

Stiftet i 1946 har Argonne National Laboratory længe været et af USA’s vigtigste videnskabelige forskningsinstitutioner, især inden for højtydende beregning, energisystemer, materialsvidenskab og kerneforskning. Laboratoriet drives under det amerikanske energidepartement og har spillet en central rol i flere generationer af amerikansk supercomputer-initiativer.

I de senere år er Argonne blevet stadig mere indflydelsesrig i AI-til-videnskab-udvikling gennem projekter knyttet til exaskala-beregning og store videnskabelige grundmodeller. ALCF selv huser nogle af nationens mest avancerede computersystemer, herunder Aurora, en af verdens hurtigste supercomputere.

Lanceringen af inferencetjenesten afspejler en større transition, der sker på tværs af både akademisk og erhvervsbaseret beregning: en skift fra selvstændige AI-modeller til integrerede AI-infrastrukturplatforme, der kan understøtte kontinuerlige, storstilet resonansarbejdsbelastninger.

For videnskabelig forskning kunne denne transition potentielt komprimere tidsrummet mellem rådata-generering og meningsfuld opdagelse.