Computación cuántica
Sistema Cerebras CS-1 Integrado en la Supercomputadora Lassen
Añade Unite.AI a tus fuentes preferidas en Google
Un nuevo estudio de caso realizado por Cerebras (CBRS ) en colaboración con Laboratorio Nacional Lawrence Livermore (LLNL) detalla cómo el sistema Cerebras CS-1 se integró en la supercomputadora Lassen de LLNL para permitir avances en simulaciones de fusión nuclear.
LLNL es una instalación de investigación federal en Livermore, California, y está principalmente financiada por la Administración Nacional de Seguridad Nuclear del Departamento de Energía de los EE. UU. (NNSA). Según LLNL, su misión es fortalecer la seguridad de los EE. UU. desarrollando y aplicando ciencia, tecnología y ingeniería de clase mundial.
El laboratorio contiene el National Ignition Facility (NIF), que realiza investigaciones de fusión nuclear con el láser más poderoso del mundo. Con eso dicho, algunos de los principales obstáculos incluyen experimentos de confinamiento inercial costosos y que consumen mucho tiempo, por lo que el laboratorio ejecuta experimentos simulados con un paquete de software de física múltiple llamado HYDRA en la supercomputadora Lassen. Los modelos HYDRA se validan a través de datos del mundo real del NIF, lo que permite que los modelos sean más precisos al predecir el resultado de experimentos del mundo real.
Parte de los modelos HYDRA es la cinética atómica y la radiación, y esta parte se llama CRETIN. Predice cómo se comportará un átomo bajo ciertas condiciones, y CRETIN puede representar decenas de por ciento de la carga de cómputo total para HYDRA.
Al reemplazar CRETIN con un modelo de red neural profunda (DNN), o el CRETIN-sustituto, los investigadores de LLNL pueden reducir la intensidad computacional.
Sistema Cerebras CS-1
El sistema Cerebras CS-1 fue elegido por LLNL para realizar su inferencia CRETIN-sustituto. El sistema se integró con la supercomputadora Lassen, y la instalación tardó menos de 20 horas. Los técnicos de Cerebras también instalaron un “caparazón de enfriamiento” y los rieles y hardware de soporte mecánico.
Los ingenieros de software de aprendizaje automático trabajaron con los colegas de LLNL para escribir una API en C++ que permite que el código HYDRA llame al modelo CRETIN-sustituto. El modelo depende de un autoencoder para comprimir los datos de entrada en representaciones de dimensiones más bajas, y estas se procesan mediante un modelo predictivo construido con DJINN, que es un algoritmo de red neural profunda novedoso. Este algoritmo elige automáticamente una arquitectura de red neural adecuada para los datos dados, y no requiere que el usuario ajuste manualmente la configuración.
Resultados del Estudio de Caso
Los resultados iniciales demostraron que la combinación del sistema Lassen con el acelerador Cerebras es extremadamente eficiente. Al conectar el sistema CS-1 a la red InfiniBand de Lassen, se pudo lograr una banda de 1,2 terabits por segundo hacia el sistema CS-1.
Debido a sus 19 GB de memoria SRAM acoplada a 400.000 núcleos de cómputo de IA, el sistema CS-1 pudo ejecutar muchas instancias del modelo DNN relativamente compacto en paralelo. A través de la combinación de ancho de banda y potencia de procesamiento, HYDRA pudo realizar inferencia en 18 millones de muestras por segundo.
Todo esto significa que LLNL ahora puede ejecutar experimentos que anteriormente eran computacionalmente inmanejables con el sistema Cerebras, y solo implica una integración sencilla y una fracción del costo.
La investigación ahora se centrará en dirigir la simulación y proporcionar información sobre la simulación mientras se ejecuta, lo que permite a los investigadores supervisar y detener la ejecución si la simulación no funciona bien. Los resultados de cada ejecución se convierten en parte del conjunto de entrenamiento del modelo, por lo que se puede entrenar continuamente. Se puede crear un modelo de “aprendizaje activo” y podría optimizar las ejecuciones futuras seleccionando los parámetros y la condición de límite inicial para el próximo experimento.
