MIT-forskere bruger Ferverets køleplatform til at fremme AI-forskning i nukleare materialer

AI-forskning kan støde på en fysisk begrænsning, længe før idéerne slipper op: hvor meget computerkraft et laboratorium kan forsyne med strøm og holde kølig. Ferveret oplyser, at forskere ved MIT bruger virksomhedens højtydende computerplatform til at udvikle AI-metoder til studiet af nukleare materialer og dermed anvender Adaptive Phase Cooling-teknologien til vedvarende videnskabelige arbejdsbelastninger.

Meddelelsen den 22. oktober forbinder to tekniske udfordringer. Forskere har brug for større beregningskapacitet for at forstå materialer, der udsættes for ekstreme forhold. Datacenteroperatører skal have mere nyttigt arbejde ud af en begrænset elektrisk kapacitet. Ferverets påstand er, at bedre varmeafledning kan hjælpe begge parter uden behov for en ny generation af processorer.

Derfor kræver forskning i nukleare materialer mere AI-beregningskraft

Arbejdet foregår i MIT’s Materials in Extreme Environments Lab, der ledes af Ericmoore Jossou, adjunkt i nuklearvidenskab og -teknik samt elektroteknik og datalogi. MIT’s profil af forskeren beskriver forskning, der kombinerer avanceret mikroskopi og koherent røntgenbilleddannelse for at undersøge strukturelle egenskaber og defekter i nanoskala.

Ferveret fremhæver to projekter, der bruger virksomhedens platform. Det ene udvikler AI-metoder til analyse af koherente røntgenmålinger af nukleare materialer. Det andet træner maskinlæringsbaserede interatomare potentialer, altså modeller, der forudsiger, hvordan atomer vekselvirker, og hjælper forskere med at simulere materialers opførsel under krævende forhold.

Der findes uafhængig støtte til forskningsretningen i det første projekt. MIT’s forskningsmesse i nuklearvidenskab og -teknik i 2026 har et oplæg ved DongHun Ryu med titlen »Physics-Informed Deep Generative Models for BCDI Phase Retrieval«. BCDI står for Bragg coherent diffraction imaging, en teknik, der også nævnes i Jossous forskningsbeskrivelse på fakultetsprofilen. Det skaber en konkret forbindelse til forskningen ud over kølevirksomhedens meddelelse, selvom programoversigten for arrangementet ikke vurderer Ferverets hardware.

Interatomare potentialer afhjælper en anden beregningsmæssig flaskehals. I stedet for at udføre en ressourcekrævende beregning af den elektroniske struktur på hvert trin i en simulering tilnærmer en trænet model forholdet mellem atomare arrangementer, energier og kræfter. Forskning i MIT’s arkiv beskriver, hvordan kraftfelter baseret på maskinlæring kan udvide atomistiske simuleringers tids- og længdeskalaer og samtidig bevare nøjagtigheden fra de referenceberegninger, som modellerne trænes på.

Nøjagtigheden afhænger fortsat af modellen og af, hvilke situationer den er trænet til at repræsentere. Ifølge Ferverets meddelelse sigter den forskning, som platformen understøtter, mod simuleringer med en nøjagtighed, der nærmer sig tæthedsfunktionalteoriens. Meddelelsen indeholder dog hverken en fejltabel, en offentliggjort model eller en numerisk sammenligning, der dokumenterer dette resultat for de pågældende projekter.

Sådan fjerner Adaptive Phase Cooling varme

Ferverets teknologibeskrivelse tager udgangspunkt i underafkølet kogning, en metode inspireret af forskning i varmeoverførsel i atomreaktorer. Varme ved chipoverfladen danner dampbobler, mens den omgivende væske forbliver under sit kogepunkt. Virksomheden oplyser, at de små bobler hurtigt løsriver sig og kondenserer tilbage til den køligere væske, så kontakten med den varme overflade fornyes.

Forskellen handler om, hvor dampen bevæger sig hen. I den metode med nedsænkning og mættet kogning, som Ferveret sammenligner sin løsning med, stiger boblerne op i et damprum, før de kondenseres. Ferverets metode søger at kondensere dem lokalt i væsken. Virksomheden oplyser, at dette muliggør drift ved et tryk tæt på omgivelsernes og kompakte kabinetter til individuelle servere.

Virksomhedens produktside for datacentre beskriver en rackmonteret 4U-køleenhed ved navn Lambert, en specialbygget varmeveksler og styresoftware, der regulerer driftsforholdene. Løsningen er beregnet til brug som et kølesystem i serverskala, der forbindes med anlæggets infrastruktur til varmeafledning, frem for som en stor, fælles nedsænkningstank.

For AI-operatører er formålet at holde processorer inden for deres termiske grænser under langvarige arbejdsbelastninger og samtidig reducere de ekstra omkostninger forbundet med køling. Køligere hardware kan opretholde en højere ydeevne, når varme ellers ville begrænse den. Størrelsen af gevinsten afhænger stadig af de processorer, den pågældende arbejdsbelastning, strømindstillingerne og det kølesystem, der bruges til sammenligning.

Hvad ydelsestallene på 15 % og 35 % egentlig betyder

De to hovedtal i meddelelsen beskriver forskellige målinger. Ferveret rapporterer op til 15 % mere beregningskapacitet på serverniveau sammenlignet med førende metoder til direkte køling af chippen og op til 35 % mere brugbar beregningskapacitet, når forbedringer på anlægsniveau medregnes.

En meddelelse fra Ferveret i marts uddyber det første tal. Den beskriver en benchmarktest udført sammen med UCLA’s Intelligent Connectivity Laboratory med NVIDIA H200-GPU’er og rapporterer en forbedring af beregningseffektiviteten på 15 %, målt i TFLOP pr. kilowatt servereffekt. Meddelelsen præciserer, at målet for serveren ikke medregner strømforbrugets effektivitet på anlægsniveau.

Det er nyttig kontekst, men det er stadig virksomhedens egen fremstilling af samarbejdet. Pressemeddelelsen indeholder ikke en fuldstændig benchmarkprotokol eller råresultater, der er tilstrækkelige til at genskabe sammenligningen. En forbedring på 15 % i gennemløbet af flydende kommaoperationer pr. watt dokumenterer heller ikke automatisk en forbedring på 15 % i træningstiden eller applikationens output.

Det større tal kombinerer servereffektivitet med en model for anlægget. I Ferverets gennemregnede eksempel ændres sammenligningen fra en effektivitetsfaktor for strømforbrug (PUE) på 1.20 til 1.03, hvorefter forbedringen på 15 % i servereffektivitet indregnes. PUE er anlæggets samlede strømforbrug divideret med IT-udstyrets strømforbrug; en lavere faktor betyder mindre ekstra strømforbrug i anlægget ved en given IT-belastning.

Med de angivne input er den samlede forbedring cirka 34 %: 1.15 ganget med 1.20/1.03. Ferveret beskriver resultatet som cirka 35 %. Beregningen forklarer størrelsesordenen i påstanden, men der er tale om et scenarie baseret på antagne effektivitetsniveauer for anlægget, ikke en offentliggjort måling af en hastighedsforøgelse på 35 % i MIT’s eksperimenter med nukleare materialer.

Hvor dokumentationen slutter – og mulighederne begynder

I den fremsendte meddelelse siger Jossou, at adgangen til platformen gør det muligt at bruge større modeller, gentage udviklingsforløb hurtigere og gennemføre løbende eksperimenter. Disse observationer understøtter den praktiske værdi af adgang til yderligere regnekraft. De fastslår dog ikke, hvor stor en del af forbedringen der skyldtes køling, hvor meget der skyldtes den tildelte hardware, eller hvor meget hurtigere en bestemt videnskabelig opgave blev udført.

Den samme skelnen gælder bæredygtighed. Ferveret beskriver et lukket kredsløbssystem, der kan bortlede varme via tørkølere uden fordampning af vand. Det er en påstand om køleanlæggets udformning. Den bør ikke opfattes som et udsagn om, at vandforbruget til elproduktion, fremstilling af udstyr eller alle tænkelige anlægsdesign elimineres.

Meddelelsen siger også, at fremtidige forskningspublikationer forventes at anerkende Ferverets bidrag med infrastruktur. Offentliggjorte metoder og resultater på applikationsniveau vil kunne bidrage til at fastslå, hvordan platformen påvirker rekonstruktionsnøjagtighed, simuleringernes omfang, træningstid og energiforbrug pr. gennemført eksperiment.

Indtil videre er den bedst underbyggede konklusion afgrænset: Ferveret leverer infrastruktur til et forskningsprogram med fokus på AI og nukleare materialer, hvilket MIT bekræfter, mens virksomhedens bredere påstande om effektivitet bør vurderes med blik for målingernes afgrænsning. På længere sigt er målet at få mere ud af den knappe computerkapacitet – ved at omsætte forbedringer i varmeoverførsel til mere videnskabeligt arbejde inden for det samme elbudget.