Informatique quantique
Système Cerebras CS-1 Intégré dans le Supercalculateur Lassen
Ajouter Unite.AI à vos sources préférées sur Google
Une nouvelle étude de cas menée par Cerebras (CBRS ) en partenariat avec Lawrence Livermore National Laboratory (LLNL) détaille comment le système Cerebras CS-1 a été intégré dans le supercalculateur Lassen de LLNL pour permettre des avancées dans les simulations de fusion nucléaire.
LLNL est un établissement de recherche fédéral situé à Livermore, en Californie, et est principalement financé par l’Administration nationale de la sécurité nucléaire du Département de l’Énergie des États-Unis (NNSA). Selon LLNL, sa mission est de renforcer la sécurité des États-Unis en développant et en appliquant une science, une technologie et une ingénierie de classe mondiale.
Le laboratoire abrite le National Ignition Facility (NIF), qui mène des recherches sur la fusion nucléaire avec le laser le plus puissant du monde. Cela étant dit, certains des principaux obstacles incluent des expériences de confinement inertiel coûteuses et chronophages, donc le laboratoire exécute des expériences simulées avec un logiciel multi-physique appelé HYDRA sur le supercalculateur Lassen. Les modèles HYDRA sont validés par des données du monde réel provenant de NIF, ce qui permet aux modèles d’être plus précis dans la prédiction des résultats d’expériences réelles.
Une partie des modèles HYDRA modélise la cinétique atomique et le rayonnement, et cette partie s’appelle CRETIN. Il prédit comment un atome se comportera dans certaines conditions, et CRETIN peut représenter des dizaines de pour cent de la charge de calcul totale pour HYDRA.
En remplaçant CRETIN par un modèle de réseau neuronal profond (DNN), ou le CRETIN-surrogate, les chercheurs de LLNL peuvent réduire l’intensité de calcul.
Système Cerebras CS-1
Le système Cerebras CS-1 a été choisi par LLNL pour effectuer leur inférence CRETIN-surrogate. Le système a été intégré avec le supercalculateur Lassen, et l’installation a pris moins de 20 heures. Les techniciens de Cerebras ont également installé un « boîtier de refroidissement » et les rails de support mécanique et le matériel.
Les ingénieurs logiciels de l’apprentissage automatique ont travaillé avec les collègues de LLNL pour écrire une API C++ qui permet au code HYDRA d’appeler le modèle CRETIN-surrogate. Le modèle repose sur un auto-encodeur pour compresser les données d’entrée en représentations de dimension inférieure, et celles-ci sont ensuite traitées par un modèle prédictif construit avec DJINN, qui est un algorithme de réseau neuronal profond novateur. Cet algorithme choisit automatiquement une architecture de réseau neuronal appropriée pour les données données, et il n’a pas besoin qu’un utilisateur régle manuellement les paramètres.
Résultats de l’Étude de Cas
Les résultats préliminaires ont démontré que la combinaison du système Lassen avec l’accélérateur Cerebras est extrêmement efficace. En branchant le système CS-1 sur le réseau InfiniBand de Lassen, une bande passante de 1,2 téraoctets par seconde vers le système CS-1 pouvait être atteinte.
En raison de ses 19 Go de mémoire SRAM couplés à 400 000 cœurs de calcul IA, le système CS-1 a pu exécuter de nombreuses instances du modèle DNN relativement compact en parallèle. Grâce à la combinaison de la bande passante et de la puissance, HYDRA a pu effectuer une inférence sur 18 millions d’échantillons par seconde.
Tout cela signifie que LLNL peut maintenant exécuter des expériences qui étaient auparavant inabordables sur le plan computationnel avec le système Cerebras, et cela ne nécessite qu’une intégration simple et une fraction du coût.
La recherche se concentrera maintenant sur la direction de la simulation et la fourniture d’informations sur la simulation pendant son exécution, ce qui permet aux chercheurs de surveiller et d’arrêter l’exécution si la simulation ne fonctionne pas bien. Les résultats de chaque exécution deviennent ensuite partie du jeu de formation du modèle, de sorte qu’il peut être formé en continu. Un modèle d’« apprentissage actif » peut être créé, et il pourrait optimiser les exécutions futures en sélectionnant les paramètres et les conditions de limite initiale pour la prochaine expérience.
