Investigadores del MIT utilizan la plataforma de refrigeración de Ferveret para impulsar la investigación sobre materiales nucleares mediante IA

La investigación con IA puede topar con un límite físico mucho antes de quedarse sin ideas: la capacidad de cómputo que un laboratorio puede alimentar y mantener refrigerada. Ferveret afirma que investigadores del MIT utilizan su plataforma de computación de alto rendimiento para desarrollar métodos de IA destinados al estudio de materiales nucleares y aplicar su tecnología Adaptive Phase Cooling a cargas de trabajo científicas sostenidas.

El anuncio del 22 de octubre vincula dos desafíos de ingeniería. Los investigadores necesitan más capacidad de cómputo para comprender materiales expuestos a condiciones extremas. Los operadores de centros de datos necesitan obtener más trabajo útil de una capacidad eléctrica limitada. La propuesta de Ferveret es que una mejor disipación del calor puede ayudar a ambos, sin necesidad de una nueva generación de procesadores.

Por qué la investigación sobre materiales nucleares necesita más capacidad de cómputo para IA

El trabajo se lleva a cabo en el Laboratorio de Materiales en Entornos Extremos del MIT, dirigido por Ericmoore Jossou, profesor adjunto de Ciencia e Ingeniería Nuclear e Ingeniería Eléctrica y Ciencias de la Computación. El perfil docente del MIT describe una investigación que combina microscopía avanzada e imágenes de rayos X coherentes para examinar propiedades estructurales y defectos con resolución nanométrica.

Ferveret identifica dos proyectos que utilizan su plataforma. Uno desarrolla métodos de IA para analizar mediciones coherentes de rayos X de materiales nucleares. El otro entrena potenciales interatómicos de aprendizaje automático, modelos que predicen cómo interactúan los átomos y ayudan a los investigadores a simular el comportamiento de los materiales en condiciones exigentes.

La orientación de investigación del primer proyecto cuenta con respaldo independiente. La Exposición de Investigación de Ciencia e Ingeniería Nuclear del MIT de 2026 incluye una presentación de DongHun Ryu titulada «Modelos generativos profundos informados por la física para la recuperación de fase BCDI». BCDI son las siglas en inglés de imágenes de difracción coherente de Bragg, una técnica también mencionada en la descripción de la investigación de Jossou en su perfil docente. Esto establece una conexión concreta con la investigación que va más allá del anuncio de la empresa de refrigeración, aunque la ficha del evento no evalúa el hardware de Ferveret.

Los potenciales interatómicos abordan otro cuello de botella computacional. En vez de realizar un costoso cálculo de estructura electrónica en cada etapa de una simulación, un modelo entrenado aproxima la relación entre las configuraciones atómicas, las energías y las fuerzas. La investigación alojada en el repositorio del MIT explica cómo los campos de fuerza de aprendizaje automático pueden ampliar las escalas temporales y espaciales de las simulaciones atomísticas y, al mismo tiempo, conservar la precisión de los cálculos de referencia con los que se entrenan.

Esa precisión sigue dependiendo del modelo y de las situaciones que ha aprendido a representar. El anuncio de Ferveret señala que la investigación respaldada aspira a realizar simulaciones que se aproximen a la precisión de la teoría del funcional de la densidad; no proporciona una tabla de errores, un modelo publicado ni una comparación numérica que demuestre ese resultado para estos proyectos.

Cómo Adaptive Phase Cooling disipa el calor

La descripción de la tecnología de Ferveret se centra en la ebullición subenfriada, un enfoque basado en investigaciones sobre transferencia de calor en reactores nucleares. El calor en la superficie de un chip forma burbujas de vapor, pero el líquido que lo rodea permanece por debajo de su temperatura de ebullición. La empresa afirma que las burbujas pequeñas se desprenden rápidamente y se condensan de nuevo en ese líquido más frío, renovando el contacto con la superficie caliente.

La diferencia está en adónde va el vapor. En el método de inmersión con ebullición saturada con el que Ferveret compara su enfoque, las burbujas ascienden hasta un espacio de vapor antes de condensarse. Su método busca condensarlas localmente dentro del líquido. La empresa afirma que esto permite funcionar cerca de la presión ambiente y utilizar recintos compactos destinados a servidores individuales.

La página de productos para centros de datos describe una unidad de refrigeración 4U montada en bastidor, denominada Lambert, un intercambiador de calor personalizado y un software de control que ajusta las condiciones de funcionamiento. La implementación prevista consiste en un sistema de refrigeración a escala de servidor conectado a la infraestructura de disipación de calor de las instalaciones, en lugar de un gran tanque de inmersión compartido.

Para los operadores de sistemas de IA, el objetivo es mantener los procesadores dentro de sus límites térmicos durante cargas de trabajo prolongadas y reducir, al mismo tiempo, los gastos generales relacionados con la refrigeración. Un hardware más frío puede mantener un mayor rendimiento operativo cuando, de otro modo, el calor lo limitaría. La magnitud del beneficio sigue dependiendo de los procesadores, la carga de trabajo, la configuración de energía y el sistema de refrigeración utilizados para la comparación.

Qué significan realmente las cifras de rendimiento del 15 % y el 35 %

Las dos cifras principales del anuncio describen mediciones distintas. Ferveret informa de hasta un 15 % más de capacidad de cómputo a nivel de servidor en comparación con los principales métodos de refrigeración directa al chip, y de hasta un 35 % más de capacidad de cómputo utilizable al incluir mejoras a nivel de las instalaciones.

Un anuncio de Ferveret de marzo ofrece más detalles sobre la primera cifra. Describe pruebas comparativas realizadas con el Laboratorio de Conectividad Inteligente de UCLA, utilizando GPU NVIDIA H200, que arrojaron una mejora del 15 % en la eficiencia computacional, medida en TFLOP por kilovatio de potencia del servidor. El comunicado excluye explícitamente de esa métrica del servidor la eficacia del uso de energía a nivel de las instalaciones.

Ese es un contexto útil, pero sigue siendo una versión de la colaboración ofrecida por la propia empresa. El comunicado no proporciona un protocolo de evaluación comparativa completo ni resultados sin procesar suficientes para reproducir la comparación. Tampoco demuestra automáticamente que una mejora del 15 % en el rendimiento de coma flotante por vatio se traduzca en una mejora del 15 % en el tiempo de entrenamiento o en los resultados de las aplicaciones.

La cifra más alta combina la eficiencia del servidor con un modelo de las instalaciones. En el ejemplo práctico de Ferveret, la comparación pasa de una efectividad en el uso de la energía, o PUE, de 1.20 a 1.03 y, después, aplica la mejora del 15 % en la eficiencia del servidor. El PUE se calcula dividiendo la potencia total de las instalaciones por la potencia de los equipos informáticos; cuanto menor es la proporción, menor es la energía adicional que requieren las instalaciones para una carga informática determinada.

Con esos datos indicados, la ganancia combinada es de aproximadamente el 34 %: 1.15 multiplicado por 1.20/1.03. Ferveret describe el resultado como aproximadamente un 35 %. El cálculo explica la magnitud de la afirmación, pero se trata de un escenario basado en eficiencias supuestas de las instalaciones, no de una medición publicada de una aceleración del 35 % en los experimentos de MIT sobre materiales nucleares.

Dónde termina la evidencia y comienza la oportunidad

En el comunicado proporcionado, Jossou afirma que el acceso a la plataforma permite utilizar modelos más grandes, iterar más rápido y realizar experimentos de forma continua. Esas observaciones respaldan el valor práctico de disponer de más capacidad de cálculo. Sin embargo, no permiten determinar qué parte de la mejora se debió a la refrigeración, cuál a la asignación de hardware ni cuánto más rápido se llevó a cabo una tarea científica concreta.

La misma distinción se aplica a la sostenibilidad. Ferveret describe un sistema de circuito cerrado que puede disipar el calor mediante enfriadores secos sin consumir agua por evaporación. Se trata de una afirmación sobre la configuración de refrigeración. No debe interpretarse como si eliminara la huella hídrica de la generación de electricidad, la fabricación de equipos o cualquier posible diseño de instalaciones.

El comunicado también señala que se espera que las futuras publicaciones de investigación reconozcan la contribución de Ferveret en materia de infraestructura. La publicación de métodos y resultados a nivel de aplicación ayudaría a establecer cómo afecta la plataforma a la precisión de las reconstrucciones, la escala de las simulaciones, el tiempo de entrenamiento y la energía consumida por experimento completado.

Por ahora, la conclusión más sólida es concreta: Ferveret proporciona infraestructura para un programa de investigación cuyo enfoque en la IA y los materiales nucleares está corroborado por MIT, mientras que sus afirmaciones más amplias sobre eficiencia exigen prestar atención a los límites de las mediciones. La oportunidad a largo plazo consiste en aprovechar mejor una capacidad de cálculo escasa: convertir las mejoras en la transferencia de calor en más trabajo científico con el mismo presupuesto eléctrico.