AI-mallit ja alustat

Cerebras julkaisee Tungstenin kiekkotason korkean tason ohjelmointiin

Theo Nash
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatTungsten siirtää wafer-resurssien allokoinnin kääntäjälle, jotta tutkijat välttävät…
Näytä lisää
  • Tungsten siirtää wafer-resurssien allokoinnin kääntäjälle, jotta tutkijat välttävät manuaalisen deskriptorien ja laitteiston määrittämisen.
  • Koodausagentti kirjoitti kokonaisen plasma simulaation, joka ajettiin 98 %:lla Cerebras-waferista.
  • Todellinen testi on, pystyvätkö tutkijat laajentamaan Avianyn esimerkkejä omiin koodeihinsa palaamatta intrinsic-toimintoihin.

Cerebras Systems julkaisi 16. marraskuuta 2026 Tungstenin, Wafer-Scale Engine -järjestelmälle tarkoitetun korkean tason ohjelmointikielen ja kääntäjän, sekä Aviaryn, tieteellisten sovellusten ja opastusten kokoelman. Ilmoituksen mukaan koodausagentin kokonaan kirjoittama plasmasimulaatio on jo suoritettu 98 prosentilla Cerebras-kiekosta.

Julkaisulla pyritään keventämään ohjelmointityötä, eikä kyse ole itse prosessorin muuttamisesta. Aiemmissa kääntäjissä vektorien, virtojen ja tapahtumien ei-skalaarisia ominaisuuksia käytettiin intrinsiikkien kautta, mikä edellytti kehittäjiltä kuvaajien määrittämistä, tehtävien yhdistämistä tapahtumiin ja yhteyksien reitittämistä manuaalisesti. Cerebrasin tavoitteena on, että tutkijat voivat ohjelmoida kiekkoa korkean tason kielellä ilman, että heidän tarvitsee erikoistua laitteistoon tai tinkiä suorituskyvystä.

Kääntäjä hallitsee kiekon laajuisia resursseja

Cerebras kuvailee Wafer-Scale Engineä tietovirtakoneeksi, jossa on 900 000 ydintä, paikallista muistia ja kiekon sisäinen tietoliikenneverkko; saapuva data käynnistää sitä käsittelevän työn. Käyttökuviorekisterit käyvät läpi moniulotteisia taulukoita ja tietoliikenneverkon virtoja, joten osoitelaskenta ei kuluta käskyjä. Yhden käskyn operandina voi olla kokonainen silmukka, ytimet voivat kutsua toistensa funktioita tietoliikenneverkon viestien avulla, ja tapahtumapohjainen ohjausvirta korvaa kyselyn ja haarautumisen.

Tungsten sisältää arkkitehtuurimallin, joka yhdistää korkean tason koodin käyttökuviorekistereihin, tapahtumapohjaisiin tehtäviin, tietoliikenneverkon kautta tehtäviin kutsuihin ja silmukoita sisältäviin käskyihin. Ilmoituksessa esitetyssä Jacobi-stensiiliesimerkissä kukin lähdekoodirivi vastaa koko lohkon läpi kulkevaa silmukkaa ja kääntyy yhdeksi vektorikäskyksi ilman kuvaajien alustusta tai tehtävien kytkemistä toisiinsa. Merkintätavassa käytetään <+- kohteeseen kerryttämiseen, samalla tavoin kuin +=.

Kääntäjä myös jakaa käyttökuviot, silmukkamääritykset, tietoliikenneverkon liitäntäpisteet ja mikrosäikeet koko ohjelman kesken. Se käyttää kustannusmalleja ja optimointivaiheita resurssien vaihtamiseen suorituksen aikana. Cerebras vertaa lähestymistapaa suorittimen rekisterien allokointiin ja arvojen siirtämiseen rekistereistä muistiin. Kun kääntäjä tekee nämä päätökset, myöhemmät rakenteelliset muutokset voidaan toteuttaa muokkaamalla korkean tason koodia sen sijaan, että koodi kirjoitettaisiin manuaalisesti uudelleen.

Aviary kattaa opastukset ja tieteelliset sovellukset

Tungsten ja Aviary ovat saatavilla Cerebras Labsin kautta. Sovellusvalikoima ulottuu pienimuotoisista lämpöyhtälö- ja Gray–Scott-reaktio-diffuusiostensiileistä hiukkasten kuljetukseen, harvoihin yhtälönratkaisuihin, nopeisiin Fourier-muunnoksiin, molekyylidynamiikkaan, plasmasimulaatioon ja korkean kertaluvun hydrodynamiikkaan. Gray–Scott-opastus sisältää noin 50 riviä Tungsten-koodia, joten se tarjoaa uusille käyttäjille helposti lähestyttävän aloituskohdan täysimittaisten tieteellisten ohjelmistojen rinnalla. Molekyylidynamiikkasovellukset kattavat lyhyen kantaman Lennard–Jones-vuorovaikutukset ja metalliseoksille tarkoitetut taulukoihin perustuvat upotetun atomimallin potentiaalit.

Cerebrasin mukaan SNAP, deterministisen neutronisäteilyn kuljetuksen vakiomuotoinen vertailusovellus, saavuttaa yhdellä CS-4-järjestelmällä 1,6 PFLOP/s:n suorituskyvyn ja päihittää El Capitan -supertietokoneen 10 800 grafiikkasuoritinta. Harvojen työkuormien supertietokonevertailutesti HPCG puolestaan saavuttaa yhdellä järjestelmällä 1,04 PFLOP/s:n suorituskyvyn.

Monet sovellukset ovat kehittyneet yhteistyössä Sandian, Lawrence Livermoren ja Los Alamosin kansallisten laboratorioiden kanssa NNSA:n Advanced Memory Technology -ohjelmassa. Molekyylidynamiikkakoodit pohjautuvat yhteistyössä tehtyyn työhön, joka oli Gordon Bell -palkinnon finalisti vuonna 2024, mutta kyseessä ovat eri koodit; aiemmassa työssä käytettiin Tungstenin varhaista versiota.

Agentin kirjoittama plasmakoodi havainnollistaa työnkulkua

Hiukkanen-solussa-sovellus on julkaisun keskeinen esimerkki agenttiavusteisesta koodauksesta. Cerebrasin mukaan yksi tutkija ja yksi koodausagentti tuottivat sovelluksen noin kahdessa viikossa keskustelukäyttöliittymän avulla, ja agentti kirjoitti jokaisen koodirivin. Agentti hyödynsi julkaistuja algoritmeja, varmisti viitetoteutuksensa oikeellisuuden avoimen lähdekoodin XOOPIC-koodia vasten, mallinsi ongelman EMPIRE-plasmakoodin pohjalta ja tuotti testit, kuvat sekä dokumentaation samalla, kun se etsi ja korjasi omat virheensä.

Simulaatiossa hiukkaset liikkuvat sähkömagneettisten kenttien vaikutuksesta ja siirtyvät ytimien välillä, kun taas implisiittinen ratkaisija laskee kentät jaetulla laskentaverkolla hiukkasten sijaintien ja nopeuksien perusteella. Mallinnettu ongelma on argonplasmaan saapuva elektronisuihku. Cerebrasin mukaan koko suorituksessa etenemistä laskettiin 60 miljoonalle hiukkaselle 7 200 aika-askeleen sekuntivauhdilla, ja yhden järjestelmän läpimenonopeus oli 430 miljardia hiukkaspäivitystä sekunnissa.

Cerebrasin mukaan Tungstenin viitetoteutus on riittävän valmis tukemaan tätä agenttivetoista työnkulkua. Cerebrasin perustaja ja edistyneiden teknologioiden pääarkkitehti Michael James kannustaa silti käyttäjiä opettelemaan kielen itse: ”Jonkun on pidettävä agentit oikeilla raiteilla.”

Cerebrasin mukaan sama Tungsten-koodi toimii yhdellä kiekolla tai klusterissa; sen maailmanlaajuinen tsunamisimulaatio hyödynsi 64 kiekkoa osana tekoälyn käyttöönottoa, ja tällaiset käyttöönotot skaalautuvat 2 048 järjestelmään.

Cerebras kertoo, että suunnittelun optimointityökalu on tulossa eikä kuulu julkaistuun sovellusvalikoimaan. Siinä tekoälymalli yhdistettäisiin fysiikkasimulaatioon, joka toimisi sen maailmamallina. Molemmat suoritettaisiin kiekolla, jolloin tekoälymalli voisi testata suunnitelmia simulaatiota vasten.

Tungstenin käytännön merkitys piilee ilmoitetun suorituskyvyn ympärille rakennetussa ohjelmointimallissa. Ratkaisevaa on, pystyvätkö tutkijat ja agentit siirtymään Aviaryn esimerkeistä omiin ohjelmiinsa turvautumatta uudelleen intrinsiikkeihin ja käsin reititettyyn kytkentäverkkoon. Tämä kyky ratkaisisi, kuinka laajasti Cerebrasin erikoistunut laitteisto voi tukea tieteellistä laskentaa ja tekoälyn ohjaamaa suunnittelua.

Theo Nash on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa AI‑infrastruktuurin, laskennan ja laitteistojärjestelmät, jotka mahdollistavat modernin tekoälyn. Hänen työnsä keskittyy suurten AI‑työkuormien teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, tietoverkot ja ohjelmistopinot, jotka yhdistävät ne yhteen.

Analyyttisesta ja tekniikkavetoisesta näkökulmasta Theo tarkastelee, miten GPU:iden, räätälöidyn piisirun, muistirakenteiden ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uudet AI‑mallien sukupolvet. Hän kiinnittää erityistä huomiota suorituskyvyn kompromisseihin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoitteisiin, jotka muovaavat AI‑infrastruktuurin todellista käyttöönottoa.

Theo Nashin kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä AI‑laskentaympäristössä.