MIT-Forschende nutzen Ferverets Kühlplattform, um die KI-Forschung zu Kernmaterialien voranzubringen

KI-Forschung kann an eine physikalische Grenze stoßen, lange bevor die Ideen ausgehen: an die Menge an Rechenleistung, die ein Labor mit Strom versorgen und kühl halten kann. Ferveret zufolge nutzen Forschende am MIT die Hochleistungsrechenplattform des Unternehmens, um KI-Methoden zur Untersuchung von Kernmaterialien zu entwickeln. Dabei kommt die Technologie Adaptive Phase Cooling bei lang andauernden wissenschaftlichen Rechenlasten zum Einsatz.

Die Ankündigung vom 22. Oktober bringt zwei technische Herausforderungen miteinander in Verbindung. Forschende benötigen mehr Rechenkapazität, um Materialien zu verstehen, die extremen Bedingungen ausgesetzt sind. Rechenzentrumsbetreiber müssen aus einer begrenzten elektrischen Leistung mehr nutzbare Rechenleistung herausholen. Ferveret zufolge kann eine bessere Wärmeabfuhr beiden dabei helfen, ohne dass eine neue Prozessorgeneration erforderlich ist.

Warum die Erforschung von Kernmaterialien mehr KI-Rechenleistung erfordert

An der Arbeit ist das Labor für Materialien in extremen Umgebungen am MIT beteiligt, das von Ericmoore Jossou geleitet wird, einem Assistenzprofessor für Kernwissenschaften und -technik sowie Elektrotechnik und Informatik. Das Profil von MITs Lehrkörper beschreibt Forschung, die fortschrittliche Mikroskopie und kohärente Röntgenbildgebung kombiniert, um strukturelle Eigenschaften und Defekte mit einer Auflösung im Nanometerbereich zu untersuchen.

Ferveret nennt zwei Projekte, bei denen seine Plattform zum Einsatz kommt. Im einen werden KI-Ansätze zur Analyse kohärenter Röntgenmessungen an Kernmaterialien entwickelt. Im anderen werden interatomare Potenziale des maschinellen Lernens trainiert – Modelle, die vorhersagen, wie Atome miteinander wechselwirken, und Forschenden helfen, das Verhalten von Materialien unter anspruchsvollen Bedingungen zu simulieren.

Die Forschungsrichtung des ersten Projekts wird unabhängig bestätigt. Das Forschungsforum für Kernwissenschaften und -technik 2026 am MIT führt einen Vortrag von DongHun Ryu mit dem Titel „Physikbasierte tiefe generative Modelle zur Phasenrekonstruktion bei BCDI“ auf. BCDI steht für Bragg-kohärente Beugungsbildgebung, eine Technik, die auch in der Forschungsbeschreibung auf Jossous Fakultätsprofil genannt wird. Damit besteht ein konkreter Forschungsbezug, der über die Ankündigung des Kühlungsunternehmens hinausgeht; die Veranstaltungseintragung bewertet Ferverets Hardware jedoch nicht.

Interatomare Potenziale setzen an einem anderen Engpass bei der Rechenleistung an. Statt in jeder Phase einer Simulation eine aufwendige Elektronenstrukturrechnung durchzuführen, nähert ein trainiertes Modell den Zusammenhang zwischen Atomanordnungen, Energien und Kräften an. In MITs Archiv veröffentlichte Forschung beschreibt, wie Kraftfelder des maschinellen Lernens die Zeit- und Längenskalen atomistischer Simulationen erweitern können, während die Genauigkeit der Referenzrechnungen erhalten bleibt, mit denen sie trainiert werden.

Diese Genauigkeit hängt weiterhin vom Modell und von den Situationen ab, die es abzubilden gelernt hat. Laut Ferverets Ankündigung zielt die unterstützte Forschung auf Simulationen mit einer Genauigkeit nahe der Dichtefunktionaltheorie ab. Die Ankündigung enthält jedoch weder eine Fehlerübersicht noch ein veröffentlichtes Modell oder einen numerischen Vergleich, der dieses Ergebnis für die genannten Projekte belegt.

Wie Adaptive Phase Cooling Wärme abführt

Im Mittelpunkt von Ferverets Technologiebeschreibung steht das unterkühlte Sieden, ein Ansatz, der durch die Forschung zur Wärmeübertragung in Kernreaktoren geprägt ist. An der Oberfläche eines Chips bilden sich durch die Wärme Dampfblasen, während die umgebende Flüssigkeit unter ihrer Siedetemperatur bleibt. Das Unternehmen zufolge lösen sich kleine Blasen rasch ab und kondensieren wieder in der kühleren Flüssigkeit, die dadurch erneut mit der heißen Oberfläche in Kontakt kommt.

Der Unterschied liegt darin, wohin der Dampf gelangt. Bei der Immersionskühlung mit Sieden im gesättigten Bereich, mit der Ferveret seinen Ansatz vergleicht, steigen die Blasen in einen Dampfraum auf, bevor sie kondensieren. Ferverets Ansatz zielt darauf ab, sie direkt in der Flüssigkeit zu kondensieren. Nach Angaben des Unternehmens ermöglicht dies den Betrieb nahe dem Umgebungsdruck und kompakte Gehäuse für einzelne Server.

Auf der Produktseite für Rechenzentren beschreibt Ferveret ein in einem Rack montierbares 4U-Kühlgerät namens Lambert, einen kundenspezifischen Wärmetauscher und eine Steuersoftware, die die Betriebsbedingungen anpasst. Vorgesehen ist ein Kühlsystem in Servergröße, das an die Wärmeabfuhrinfrastruktur der Einrichtung angeschlossen wird – und kein großer gemeinsamer Immersionstank.

Für KI-Betreiber besteht das Ziel darin, Prozessoren bei längeren Rechenlasten innerhalb ihrer thermischen Grenzwerte zu halten und zugleich den kühlungsbedingten Mehraufwand zu senken. Kühlere Hardware kann dauerhaft eine höhere Leistung erbringen, wenn die Wärme andernfalls zum begrenzenden Faktor würde. Wie groß der Vorteil ist, hängt weiterhin von den verglichenen Prozessoren, Arbeitslasten, Leistungseinstellungen und Kühlsystemen ab.

Was die Leistungsangaben von 15 % und 35 % tatsächlich bedeuten

Die beiden zentralen Kennzahlen der Ankündigung beziehen sich auf unterschiedliche Messwerte. Ferveret gibt an, dass im Vergleich zu führenden Direktkühlungsverfahren am Chip bis zu 15 % mehr Rechenleistung auf Serverebene und bei Einbeziehung von Verbesserungen auf Einrichtungsebene bis zu 35 % mehr nutzbare Rechenleistung erzielt werden können.

Eine März-Ankündigung von Ferveret enthält weitere Angaben zur ersten Kennzahl. Darin werden Benchmarktests mit dem Intelligent Connectivity Laboratory der UCLA unter Verwendung von NVIDIA-H200-GPUs beschrieben. Gemessen wurde eine um 15 % höhere Recheneffizienz in TFLOPs pro Kilowatt Serverleistung. Laut der Mitteilung bleibt der Stromverbrauchs-Wirksamkeitsgrad auf Einrichtungsebene bei dieser Serverkennzahl ausdrücklich unberücksichtigt.

Das ist ein nützlicher Kontext, doch es handelt sich weiterhin um eine vom Unternehmen veröffentlichte Darstellung der Zusammenarbeit. Die Mitteilung enthält weder ein vollständiges Benchmark-Protokoll noch Rohdaten, die ausreichen würden, um den Vergleich zu reproduzieren. Eine Verbesserung des Gleitkomma-Durchsatzes pro Watt um 15 % belegt auch nicht automatisch eine Verbesserung der Trainingszeit oder der Anwendungsausgabe um 15 %.

Die höhere Zahl verbindet die Servereffizienz mit einem Modell für die Gebäudeeffizienz. In Ferverets Rechenbeispiel sinkt der Vergleichswert für die Energieeffizienz des Rechenzentrums (Power Usage Effectiveness, PUE) von 1,20 auf 1,03; anschließend wird die Verbesserung der Servereffizienz um 15 % berücksichtigt. Der PUE-Wert entspricht der Gesamtleistung des Rechenzentrums geteilt durch die Leistung der IT-Ausrüstung. Ein niedrigerer Wert bedeutet bei gleicher IT-Last einen geringeren Energieaufwand für den übrigen Betrieb des Rechenzentrums.

Mit diesen angegebenen Eingangsgrößen beträgt der kombinierte Zugewinn etwa 34 %: 1,15 multipliziert mit 1,20/1,03. Ferveret beziffert das Ergebnis auf etwa 35 %. Die Rechnung veranschaulicht die Größenordnung der Behauptung, basiert jedoch auf angenommenen Effizienzwerten für das Rechenzentrum und ist keine veröffentlichte Messung einer Beschleunigung um 35 % bei MITs Experimenten zu Kernmaterialien.

Wo die Belege enden – und die Chance beginnt

In der vorgelegten Mitteilung erklärt Jossou, der Zugang zur Plattform ermögliche größere Modelle, schnellere Iterationen und kontinuierliche Experimente. Diese Beobachtungen belegen den praktischen Nutzen eines erweiterten Zugangs zu Rechenleistung. Sie zeigen jedoch nicht, welcher Anteil der Verbesserung auf die Kühlung und welcher auf die zugewiesene Hardware zurückzuführen ist oder um wie viel schneller eine bestimmte wissenschaftliche Aufgabe ausgeführt wurde.

Dieselbe Unterscheidung gilt für die Nachhaltigkeit. Ferveret beschreibt ein geschlossenes Kreislaufsystem, das Wärme über Trockenkühler abführen kann, ohne Wasser durch Verdunstung zu verbrauchen. Diese Aussage bezieht sich auf die Kühlkonfiguration. Sie sollte nicht so verstanden werden, als beseitige sie den Wasserfußabdruck der Stromerzeugung, der Geräteproduktion oder sämtlicher denkbarer Rechenzentrumsdesigns.

Laut der Mitteilung sollen künftige Forschungspublikationen Ferverets Beitrag zur Infrastruktur würdigen. Veröffentlichte Methoden und Ergebnisse auf Anwendungsebene würden dazu beitragen zu klären, wie sich die Plattform auf die Rekonstruktionsgenauigkeit, den Umfang von Simulationen, die Trainingszeit und den Energieverbrauch pro abgeschlossenem Experiment auswirkt.

Vorerst lässt sich vor allem eine eng umrissene Schlussfolgerung ziehen: Ferveret stellt einem Forschungsprogramm Infrastruktur bereit, dessen Schwerpunkt auf KI und Kernmaterialien durch MIT bestätigt wird, während die weitergehenden Effizienzversprechen eine genaue Betrachtung der Messgrenzen erfordern. Langfristig besteht die Chance darin, begrenzte Rechenkapazitäten besser auszunutzen – indem Fortschritte bei der Wärmeübertragung innerhalb desselben Strombudgets mehr wissenschaftliche Arbeit ermöglichen.