MIT:n tutkijat edistävät ydinmateriaalien tekoälytutkimusta Ferveretin jäähdytysalustalla

Tekoälytutkimuksen esteeksi voi tulla fyysinen rajoite jo kauan ennen ideoiden loppumista: se, kuinka paljon laskentatehoa laboratorio pystyy tuottamaan ja pitämään viileänä. Ferveret kertoo, että MIT:n tutkijat käyttävät sen suurteholaskenta-alustaa tekoälymenetelmien kehittämiseen ydinmateriaalien tutkimusta varten ja hyödyntävät Adaptive Phase Cooling -teknologiaansa pitkäkestoisissa tieteellisissä laskentatehtävissä.

Lokakuun 22. päivän tiedote yhdistää kaksi teknistä haastetta. Tutkijat tarvitsevat lisää laskentakapasiteettia ymmärtääkseen äärimmäisille olosuhteille altistuvia materiaaleja. Konesalien ylläpitäjien on saatava rajallisesta sähkökapasiteetista enemmän hyödyllistä laskentatehoa. Ferveretin mukaan tehokkaampi lämmönpoisto voi auttaa molemmissa ilman uuden prosessorisukupolven tarvetta.

Miksi ydinmateriaalien tutkimus tarvitsee lisää tekoälyn laskentatehoa

Työ tehdään MIT:n Materials in Extreme Environments Labissa, jota johtaa Ericmoore Jossou, ydintieteen ja -tekniikan sekä sähkötekniikan ja tietojenkäsittelytieteen apulaisprofessori. MIT:n tiedekunnan profiilissa kerrotaan tutkimuksesta, jossa yhdistetään edistynyttä mikroskopiaa ja koherenttia röntgenkuvantamista rakenteellisten ominaisuuksien ja vikojen tutkimiseen nanometrin tarkkuudella.

Ferveret nimeää kaksi hanketta, joissa sen alustaa käytetään. Toisessa kehitetään tekoälymenetelmiä ydinmateriaalien koherenttien röntgenmittausten analysointiin. Toisessa koulutetaan koneoppimiseen perustuvia atomienvälisiä potentiaaleja eli malleja, jotka ennustavat atomien vuorovaikutusta ja auttavat tutkijoita simuloimaan materiaalien käyttäytymistä vaativissa olosuhteissa.

Ensimmäisen hankkeen tutkimussuunnalle löytyy riippumatonta tukea. MIT:n vuoden 2026 ydintieteen ja -tekniikan tutkimusnäyttelyssä on DongHun Ryun esitys nimeltä ”Fysiikkatietoiset syvät generatiiviset mallit BCDI-vaiheen palauttamiseen”. BCDI on lyhenne sanoista Bragg coherent diffraction imaging eli Braggin koherentti diffraktiokuvantaminen, joka mainitaan myös Jossoun tiedekuntaprofiilin tutkimuskuvauksessa. Tämä osoittaa konkreettisen yhteyden tutkimukseen Ferveretin jäähdytysyhtiön tiedotteen ulkopuolellakin, vaikka tapahtuman esittelyssä ei arvioida Ferveretin laitteistoa.

Atomienväliset potentiaalit auttavat ratkaisemaan toisenlaisen laskennan pullonkaulan. Sen sijaan, että simulaation jokaisessa vaiheessa tehtäisiin raskas elektronirakennelaskenta, koulutettu malli arvioi atomijärjestelyjen, energioiden ja voimien välisiä suhteita. MIT:n arkistossa oleva tutkimus kuvaa, kuinka koneoppimiseen perustuvat voimakentät voivat laajentaa atomitason simulaatioiden aika- ja pituusasteikkoja säilyttäen samalla niiden vertailulaskelmien tarkkuuden, joiden perusteella ne on koulutettu.

Tarkkuus riippuu kuitenkin edelleen mallista ja niistä tilanteista, joita se on oppinut kuvaamaan. Ferveretin tiedotteen mukaan tuettavassa tutkimuksessa pyritään simulaatioihin, joiden tarkkuus lähestyy tiheysfunktionaaliteorian tarkkuutta. Tiedotteessa ei kuitenkaan esitetä virhetaulukkoa, julkaistua mallia eikä numeerista vertailua, joka osoittaisi tämän tuloksen toteutuvan näissä hankkeissa.

Näin Adaptive Phase Cooling poistaa lämpöä

Ferveretin teknologiakuvauksen ytimessä on alijäähdytetty kiehuminen, jonka kehittämiseen ovat vaikuttaneet ydinreaktorien lämmönsiirtoa koskevat tutkimukset. Sirun pinnalle syntyy lämmön vaikutuksesta höyrykuplia, mutta ympäröivä neste pysyy kiehumispistettään viileämpänä. Yhtiön mukaan pienet kuplat irtoavat nopeasti ja tiivistyvät takaisin viileämpään nesteeseen, jolloin neste pääsee jälleen kosketuksiin kuuman pinnan kanssa.

Ero on siinä, minne höyry kulkeutuu. Ferveretin vertailukohteena käyttämässä kylläisen kiehumisen upotusjäähdytyksessä kuplat nousevat höyrytilaan ennen tiivistymistään. Ferveretin menetelmässä ne pyritään tiivistämään paikallisesti nesteen sisällä. Yhtiön mukaan tämä mahdollistaa käytön lähellä ympäristön painetta sekä kompaktit kotelot, jotka palvelevat yksittäisiä palvelimia.

Sen konesalituotesivulla esitellään Lambert-niminen räkkiasennettava 4U-jäähdytysyksikkö, räätälöity lämmönvaihdin sekä käyttöolosuhteita säätävä ohjausohjelmisto. Suunniteltu käyttötapa on palvelimen kokoluokan jäähdytysjärjestelmä, joka liitetään kiinteistön lämmönpoistojärjestelmään, ei suuriin yhteisiin upotussäiliöihin perustuva ratkaisu.

Tekoälylaskentaa käyttävien tavoitteena on pitää prosessorit lämpörajojen sisällä pitkäkestoisten laskentatehtävien aikana ja samalla vähentää jäähdytyksen aiheuttamaa lisäkuormaa. Viileämpänä pysyvä laitteisto voi ylläpitää suurempaa suorituskykyä silloin, kun lämpö muutoin rajoittaisi sitä. Hyödyn suuruus riippuu kuitenkin edelleen vertailussa käytettävistä prosessoreista, laskentatehtävästä, tehoasetuksista ja jäähdytysjärjestelmästä.

Mitä suorituskykyluvut 15 % ja 35 % oikeastaan tarkoittavat

Tiedotteen kaksi keskeistä lukua kuvaavat eri mittareita. Ferveret raportoi palvelintasolla jopa 15 % enemmän laskentatehoa kuin johtavilla suoraan sirulle kohdistuvilla jäähdytysmenetelmillä ja jopa 35 % enemmän käyttökelpoista laskentatehoa, kun mukaan lasketaan kiinteistötason parannukset.

Ferveretin maaliskuisessa tiedotteessa annetaan lisätietoja ensimmäisestä luvusta. Siinä kuvataan UCLA:n Intelligent Connectivity Laboratoryn kanssa tehtyä vertailutestausta NVIDIA H200 -grafiikkasuorittimilla. Tuloksena raportoidaan 15 %:n parannus laskentatehokkuudessa, joka mitattiin palvelimen tehonkulutukseen suhteutettuina TFLOP-laskutoimituksina kilowattia kohden. Tiedotteessa rajataan palvelintason mittarista nimenomaisesti pois kiinteistötason sähkönkäytön tehokkuus.

Tämä on hyödyllistä taustatietoa, mutta kyse on silti yrityksen julkaisemasta kuvauksesta yhteistyöstä. Tiedotteessa ei esitetä kattavaa vertailutestien protokollaa eikä raakatuloksia, joiden avulla vertailu voitaisiin toistaa. Myöskään 15 prosentin parannus liukulukulaskennan suorituskyvyssä wattia kohden ei automaattisesti tarkoita 15 prosentin parannusta koulutusajassa tai sovelluksen tuloksissa.

Suuremmassa luvussa yhdistyvät palvelinten tehokkuus ja konesalimalli. Ferveretin laskuesimerkissä vertailussa siirrytään sähkönkäytön tehokkuuskertoimesta (PUE) 1,20 kertoimeen 1,03, minkä jälkeen sovelletaan palvelinten tehokkuuden 15 prosentin parannusta. PUE saadaan jakamalla konesalin kokonaistehonkulutus IT-laitteiden tehonkulutuksella; pienempi suhdeluku tarkoittaa, että konesalin yleiskulutus on pienempi tietylle IT-kuormalle.

Näillä ilmoitetuilla lähtöarvoilla yhdistetty parannus on noin 34 prosenttia: 1,15 kerrottuna luvulla 1,20/1,03. Ferveret kuvaa tulosta noin 35 prosentin parannukseksi. Laskutoimitus selittää väitteen suuruusluokan, mutta kyseessä on oletettuihin konesalien tehokkuuksiin perustuva skenaario, ei julkaistu mittaustulos MIT:n ydinaineistojen kokeiden nopeutumisesta 35 prosentilla.

Missä näyttö loppuu – ja mahdollisuus alkaa

Jossou sanoo toimitetussa tiedotteessa, että alustan käyttö mahdollistaa suuremmat mallit, nopeammat kehityskierrokset ja jatkuvat kokeet. Nämä havainnot tukevat sitä, että laskentakapasiteetin lisäämisestä on käytännön hyötyä. Niiden perusteella ei kuitenkaan voida erottaa, kuinka suuri osa parannuksesta johtui jäähdytyksestä, kuinka suuri osa laitteistoresurssien kohdentamisesta tai kuinka paljon nopeammin jokin tietty tieteellinen tehtävä suoritettiin.

Sama erottelu pätee kestävyyteen. Ferveret kuvaa suljettua järjestelmää, jossa lämpö voidaan poistaa kuivajäähdyttimillä ilman veden haihtumiseen perustuvaa vedenkulutusta. Kyse on jäähdytysratkaisua koskevasta väitteestä. Sitä ei pidä tulkita niin, että se poistaisi sähköntuotannon, laitteiden valmistuksen tai kaikkien mahdollisten konesaliratkaisujen vesijalanjäljen.

Tiedotteessa kerrotaan myös, että tulevissa tutkimusjulkaisuissa on tarkoitus mainita Ferveretin osuus infrastruktuurin tarjoajana. Julkaistut menetelmät ja sovellustason tulokset auttaisivat selvittämään, miten alusta vaikuttaa rekonstruktion tarkkuuteen, simulaatioiden mittakaavaan, koulutusaikaan ja energiaan yhtä valmistunutta koetta kohden.

Toistaiseksi vahvin johtopäätös on rajattu: Ferveret tarjoaa infrastruktuuria tutkimusohjelmalle, jonka tekoälyyn ja ydinaineistoihin keskittyvän tutkimuksen MIT vahvistaa, mutta yhtiön laajemmat tehokkuusväitteet edellyttävät mittausrajojen huomioimista. Pidemmän aikavälin mahdollisuutena on saada niukasta laskentakapasiteetista enemmän irti – muuttaa lämmönsiirron parannukset suuremmaksi tieteelliseksi työksi samalla sähköbudjetilla.