Arena Physica trainiert Heaviside auf dem AMD-betriebenen Lux-Supercomputer

Arena Physica teilte in seiner Ankündigung vom 12. November 2026 mit, dass das Unternehmen mit AMD zusammenarbeiten wird, um künftige Generationen seines Elektromagnetismusmodells Heaviside auf dem Lux-Supercomputer des Oak Ridge National Laboratory zu trainieren. Das Projekt baut auf Heaviside-1 auf, einem Modell mit 350 Millionen Parametern, das im September 2026 veröffentlicht wurde.

Arena Physica bezeichnet Heaviside als das erste Basismodell für Elektromagnetismus und berichtet, dass die erste Version anhand von 250.000 dreidimensionalen Feldsimulationen mit insgesamt 500 Milliarden einzelnen Feldproben trainiert wurde. Diese Zahlen bilden die Ausgangsbasis für die Arbeit mit AMD. Dabei handelt es sich um ein geplantes Trainingsprogramm und nicht um die Veröffentlichung eines auf Lux trainierten Nachfolgemodells.

Simulationsdaten treiben den Rechenbedarf in die Höhe

Jede Trainingsprobe stammt aus einer vollständigen elektromagnetischen Wellensimulation, bei der die Maxwell-Gleichungen anhand eines detaillierten 3D-Modells einer Struktur gelöst werden. Die Erstellung des Trainingskorpus ist daher ein rechenintensiver Teil der Modellentwicklung – zusätzlich zu den Rechenressourcen, die der Trainingslauf selbst benötigt.

„Diese Felder reagieren äußerst empfindlich auf die Details eines Entwurfs – von kleinen lokalen Merkmalen bis hin zur Gesamtstruktur. Um diese Komplexität zu erfassen, braucht es große Mengen hochwertiger Daten und eine eigens entwickelte Modellarchitektur“, sagte Michael Frei, Forschungsleiter bei Arena Physica.

Arena Physica stellte einen Zusammenhang zwischen diesem Bedarf und praktischen Skalierungsgesetzen her, die in einer Arbeit von Christopher M. Bryant und Hao Liu beschrieben werden. Darin wird argumentiert, dass die Skalierungsgesetze, an denen sich das moderne Modelltraining orientiert, für ein datenreiches Vortraining mit einer Epoche kalibriert wurden. Außerdem benennt die Arbeit strukturelle Einschränkungen außerhalb dieses Bereichs. Die vorgeschlagene Formulierung zerlegt den Verlust in Anteile für unzureichende Kapazität, unzureichendes Training und Überanpassung und unterscheidet dabei zwischen einzigartigen Beispielen und der Gesamtzahl der verarbeiteten Beispiele.

Nach der Kalibrierung ermöglicht die Formulierung eine kostenbewusste Ressourcenverteilung, bei der kleinere Korpora und mehr Epochen bevorzugt werden, wenn Daten teuer werden. Auf Heaviside angewandt, macht dieser Rahmen einen Zielkonflikt bei der Infrastruktur deutlich: zusätzliche einzigartige Simulationen zu erzeugen oder vorhandene Daten wiederholt für weitere Trainingsdurchläufe zu nutzen.

Lux bietet umfangreiche Kapazitäten für das Training

Die Spezifikation des Lux-Supercomputers des Oak Ridge Leadership Computing Facility nennt mehr als 4.000 AMD-MI355X-GPUs, 1,1 Petabyte Speicher mit hoher Bandbreite und eine FP8-Leistung für KI-Training von 20 ExaFLOPS. Jeder MI355X verfügt über 288 GB HBM3E-Speicher und eine Bandbreite von 8 TB/s. Zu den Zuteilungen gehört außerdem der Zugang zu Orion, dem Lustre-Dateisystem des OLCF, dessen Kapazität mehr als 600 Petabyte beträgt.

Diese Zahlen beschreiben die Kapazität von Lux, nicht einen gemessenen Leistungszuwachs bei Heaviside. Sie sind für beide Seiten der Arbeitslast relevant: für den Durchsatz der Beschleuniger beim Training sowie für den Speicher und die Datenspeicherung des Simulationskorpus, der dem Training zugrunde liegt.

Geplante Modelle sollen Chips und Kommunikation abdecken

Arena Physica plant, spätere Heaviside-Generationen auf Fernfeld-Strahlungsmuster, komplexere Geometrien und größere Frequenzbereiche auszurichten und den Maßstab auf größere Komponenten und vollständige Systeme auszuweiten. Zu den vorgesehenen Anwendungsgebieten zählen Antennen für 5G, 6G und Satellitenkommunikation, Hochfrequenzsensorik im Automobilbereich sowie Halbleitergehäuse und Signalintegrität.

Im Halbleiterbereich zählen auch Entwürfe für Hochgeschwindigkeits-SerDes zu den genannten Anwendungsgebieten. Kumaran Siva, Corporate Vice President für die KI-Unternehmensstrategie bei AMD, stellte einen Zusammenhang zwischen der Arbeit und 3D-Chipgehäusen sowie steigenden SerDes-Geschwindigkeiten von 224 auf 448 Gigabit pro Sekunde her. Er sagte, diese Entwicklungen hätten das elektromagnetische Verhalten zu einem der schwierigsten Probleme beim Halbleiterdesign gemacht.

Arena Physica zufolge ist Heaviside darauf ausgelegt, elektromagnetisches Verhalten um Größenordnungen schneller und kostengünstiger als herkömmliche Löser vorherzusagen und autonomes inverses Design zu ermöglichen. Dies sind Entwicklungsziele des Modells und keine Leistungsmessungen aus der Zusammenarbeit mit Lux.

Arena Physica plant, in den kommenden Monaten im Verlauf des Lux-Trainings über die Ergebnisse zu berichten. Diese Berichte werden die wesentliche Grundlage dafür bilden, zu beurteilen, ob ein Training im Maßstab von Lux die vom Unternehmen skizzierte breitere Abdeckung von Frequenzen und Geometrien sowie vollständigen Systemen ermöglichen kann.