Des chercheurs du MIT utilisent la plateforme de refroidissement de Ferveret pour faire progresser les travaux sur l’IA appliquée aux matériaux nucléaires

La recherche en IA peut se heurter à une limite matérielle bien avant d’être à court d’idées : la capacité de calcul qu’un laboratoire peut alimenter en électricité et maintenir au frais. Ferveret affirme que des chercheurs du MIT utilisent sa plateforme de calcul haute performance pour mettre au point des méthodes d’IA consacrées à l’étude des matériaux nucléaires, en faisant appel à sa technologie de refroidissement à phases adaptatives pour des charges de travail scientifiques soutenues.

L’annonce du 22 octobre met en relation deux défis d’ingénierie. Les chercheurs ont besoin d’une plus grande capacité de calcul pour comprendre les matériaux exposés à des conditions extrêmes. Les exploitants de centres de données doivent tirer davantage de travail utile d’une capacité électrique limitée. Ferveret avance qu’une meilleure évacuation de la chaleur peut aider les uns comme les autres, sans nécessiter une nouvelle génération de processeurs.

Pourquoi la recherche sur les matériaux nucléaires a besoin de davantage de puissance de calcul pour l’IA

Ces travaux sont menés au laboratoire du MIT consacré aux matériaux en environnements extrêmes, dirigé par Ericmoore Jossou, professeur adjoint en science et ingénierie nucléaires ainsi qu’en génie électrique et informatique. La page de profil du corps enseignant du MIT décrit des recherches qui associent la microscopie avancée et l’imagerie par rayons X cohérents pour examiner les propriétés structurelles et les défauts à l’échelle nanométrique.

Ferveret cite deux projets qui utilisent sa plateforme. Le premier élabore des méthodes d’IA pour analyser des mesures par rayons X cohérents portant sur des matériaux nucléaires. Le second entraîne des potentiels interatomiques par apprentissage automatique, c’est-à-dire des modèles qui prédisent les interactions entre atomes et aident les chercheurs à simuler le comportement des matériaux dans des conditions exigeantes.

Des éléments indépendants corroborent l’orientation de recherche du premier projet. Le salon de recherche 2026 en science et ingénierie nucléaires du MIT annonce une présentation de DongHun Ryu intitulée « Physics-Informed Deep Generative Models for BCDI Phase Retrieval ». BCDI signifie imagerie par diffraction cohérente de Bragg, une technique également mentionnée dans la description des recherches de Jossou sur sa page de profil. Cela établit un lien concret avec les recherches, au-delà de l’annonce de l’entreprise de refroidissement, même si le programme de l’événement n’évalue pas le matériel de Ferveret.

Les potentiels interatomiques répondent à un autre goulot d’étranglement informatique. Plutôt que d’effectuer un calcul coûteux de structure électronique à chaque étape d’une simulation, un modèle entraîné approxime les relations entre les configurations atomiques, les énergies et les forces. Les recherches consignées dans le dépôt du MIT expliquent comment les champs de force issus de l’apprentissage automatique peuvent étendre les échelles temporelles et spatiales des simulations atomistiques tout en conservant la précision des calculs de référence sur lesquels ils sont entraînés.

Cette précision dépend toujours du modèle et des situations qu’il a appris à représenter. Selon l’annonce de Ferveret, les recherches soutenues visent des simulations approchant la précision de la théorie de la fonctionnelle de la densité ; elle ne fournit toutefois ni tableau d’erreurs, ni modèle publié, ni comparaison chiffrée permettant d’établir ce résultat pour ces projets.

Comment le refroidissement à phases adaptatives évacue la chaleur

La description de la technologie de Ferveret s’appuie sur l’ébullition sous-refroidie, une approche inspirée des recherches sur le transfert thermique dans les réacteurs nucléaires. La chaleur à la surface d’une puce forme des bulles de vapeur, tandis que le liquide environnant reste en dessous de sa température d’ébullition. L’entreprise indique que de petites bulles se détachent rapidement et se condensent à nouveau dans ce liquide plus froid, renouvelant ainsi le contact avec la surface chaude.

La différence tient à l’endroit où va la vapeur. Dans l’approche par immersion à ébullition saturée à laquelle Ferveret se compare, les bulles remontent dans un espace de vapeur avant d’être condensées. Son approche vise à les condenser localement dans le liquide. L’entreprise affirme que cela permet un fonctionnement à une pression proche de la pression ambiante et dans des enceintes compactes desservant des serveurs individuels.

La page des produits pour centres de données de l’entreprise présente une unité de refroidissement 4U montée en rack, appelée Lambert, un échangeur thermique sur mesure et un logiciel de contrôle qui ajuste les conditions de fonctionnement. Le déploiement prévu consiste en un système de refroidissement à l’échelle d’un serveur, raccordé à l’infrastructure d’évacuation de la chaleur du site, plutôt qu’en une grande cuve d’immersion partagée.

Pour les exploitants de systèmes d’IA, l’objectif est de maintenir les processeurs dans leurs limites thermiques pendant les charges de travail prolongées, tout en réduisant les coûts liés au refroidissement. Un matériel plus frais peut maintenir des performances de fonctionnement plus élevées lorsque la chaleur les limiterait autrement. L’ampleur du bénéfice dépend toujours des processeurs, de la charge de travail, des réglages de puissance et du système de refroidissement utilisés pour la comparaison.

Ce que signifient réellement les chiffres de performance de 15 % et 35 %

Les deux chiffres mis en avant dans l’annonce correspondent à des mesures différentes. Ferveret fait état d’une capacité de calcul au niveau du serveur jusqu’à 15 % supérieure à celle des principales approches de refroidissement direct des puces, et d’une capacité de calcul exploitable jusqu’à 35 % supérieure lorsque les améliorations à l’échelle du site sont prises en compte.

Une annonce de Ferveret publiée en mars apporte davantage de précisions sur le premier chiffre. Elle décrit un test comparatif mené avec le laboratoire de connectivité intelligente de l’UCLA à l’aide de GPU NVIDIA H200, qui fait état d’une amélioration de 15 % de l’efficacité de calcul, mesurée en TFLOP par kilowatt de puissance du serveur. Le communiqué exclut explicitement de cette mesure au niveau du serveur l’efficacité énergétique de l’installation.

Ces éléments apportent un contexte utile, mais il s’agit toujours d’un récit de la collaboration fourni par l’entreprise. Le communiqué ne présente ni protocole d’évaluation complet ni résultats bruts suffisants pour reproduire la comparaison. Une amélioration de 15 % du débit de calcul en virgule flottante par watt ne permet pas non plus, à elle seule, de conclure à une amélioration de 15 % du temps d’entraînement ou des résultats des applications.

Le chiffre le plus élevé combine l’efficacité des serveurs avec un modèle de l’installation. Dans l’exemple de calcul présenté par Ferveret, la comparaison fait passer le coefficient d’efficacité énergétique de l’installation, ou PUE, de 1,20 à 1,03, puis applique l’amélioration de 15 % de l’efficacité des serveurs. Le PUE correspond au rapport entre la puissance totale de l’installation et celle consommée par les équipements informatiques ; un ratio plus faible signifie que l’installation consomme moins d’énergie supplémentaire pour une charge informatique donnée.

Avec ces paramètres, le gain combiné est d’environ 34 % : 1,15 multiplié par 1,20/1,03. Ferveret décrit le résultat comme étant d’environ 35 %. Le calcul explique l’ampleur de l’affirmation, mais il s’agit d’un scénario fondé sur des hypothèses concernant l’efficacité de l’installation, et non d’une mesure publiée d’une accélération de 35 % des expériences de MIT sur les matériaux nucléaires.

Où s’arrêtent les preuves — et où commence la possibilité

Dans le communiqué fourni, Jossou affirme que l’accès à la plateforme permet d’utiliser des modèles plus grands, d’itérer plus rapidement et de mener des expériences en continu. Ces observations témoignent de l’intérêt pratique d’un accès accru aux ressources de calcul. Elles ne permettent pas de déterminer quelle part de l’amélioration vient du refroidissement, quelle part découle des ressources matérielles allouées, ni dans quelle mesure une tâche scientifique précise a été exécutée plus rapidement.

La même distinction s’applique à la durabilité. Ferveret décrit un système en circuit fermé capable d’évacuer la chaleur au moyen de refroidisseurs secs, sans consommation d’eau par évaporation. Cette affirmation porte sur la configuration du système de refroidissement. Elle ne doit pas être interprétée comme signifiant que l’empreinte hydrique de la production d’électricité, de la fabrication des équipements ou de toutes les configurations possibles d’installations est éliminée.

Le communiqué indique également que les futures publications de recherche devraient mentionner la contribution de Ferveret en matière d’infrastructure. La publication des méthodes et des résultats au niveau des applications aiderait à établir l’influence de la plateforme sur la précision de la reconstruction, l’échelle des simulations, le temps d’entraînement et l’énergie consommée par expérience menée à terme.

Pour l’instant, la conclusion la plus solide reste circonscrite : Ferveret fournit l’infrastructure d’un programme de recherche dont l’orientation vers l’IA et les matériaux nucléaires est corroborée par MIT, tandis que ses affirmations plus générales sur l’efficacité doivent être examinées en tenant compte des limites des mesures. À plus long terme, l’enjeu est de tirer davantage parti de capacités de calcul rares — en transformant les gains en transfert thermique en davantage de travaux scientifiques, à budget électrique égal.