AMD dan Cornelis Perluas Kemitraan Komputasi Kinerja Tinggi saat GWDG Mengoperasikan EMMY P4

AMD dan Cornelis memperluas kemitraan mereka di bidang komputasi kinerja tinggi dengan memadukan prosesor dan akselerator AMD dengan jaringan Cornelis untuk membantu organisasi penelitian mengoperasikan beban kerja ilmiah yang lebih besar. Penerapan di GWDG, Jerman, menjadi contoh nyata: superkomputer EMMY P4 memadukan sekitar 300 node AMD EPYC 9745 bersoket ganda dengan jaringan Omni-Path CN5000 dari Cornelis.

Kolaborasi ini tidak hanya mencakup penjualan komponen yang kompatibel. Kedua perusahaan tengah membentuk program pemasaran dan penjualan bersama yang mencakup desain sistem, tolok ukur aplikasi, validasi, pengujian penerimaan, dan penerapan untuk produksi melalui produsen serta integrator sistem yang sudah ada. Pelanggan juga dapat menguji aplikasi mereka sendiri di AMD HPC Center of Excellence di München sebelum memutuskan konfigurasi yang akan digunakan.

Pendekatan ini mengatasi masalah yang terus dihadapi superkomputer: membeli lebih banyak prosesor tidak menjamin penelitian berjalan lebih cepat secara sebanding. Aplikasi harus dapat memindahkan data di antara prosesor dengan cukup cepat agar semuanya tetap bekerja.

Mengapa Jaringan Sama Pentingnya dengan Komputasi

Simulasi ilmiah sering kali membagi masalah besar ke banyak server. Setiap server menghitung sebagian hasil, lalu bertukar informasi dengan server lainnya. Misalnya, dinamika fluida komputasional mengharuskan wilayah-wilayah yang bersebelahan dalam aliran yang disimulasikan untuk saling membagikan kondisi terbaru seiring berlangsungnya perhitungan.

Pertukaran tersebut membuat latensi jaringan, kapasitas penanganan pesan, dan kemacetan menjadi faktor penting. Prosesor yang menunggu data dari node lain hanya menghasilkan sedikit komputasi yang berguna, seberapa cepat pun prosesor itu melakukan operasi aritmetika. Message Passing Interface, atau MPI, adalah antarmuka perangkat lunak yang banyak digunakan untuk mengoordinasikan pekerjaan terdistribusi ini.

Cornelis menyediakan fabric interkoneksi yang menghubungkan node-node, sedangkan AMD menyediakan komputasinya. Program yang diperluas ini bertujuan memvalidasi komponen-komponen tersebut secara terpadu menggunakan aplikasi, alih-alih menganggap bahwa lebar pita jaringan dan spesifikasi prosesor saja cukup untuk membuktikan kinerja sistem.

Lisa Spelman, CEO Cornelis, mengatakan bahwa setiap generasi EPYC baru meningkatkan jumlah inti yang perlu mengakses jaringan. Maksudnya, penambahan kapasitas komputasi dapat membuat sumber daya yang mahal menunggu jika komunikasi tidak mampu mengimbanginya. Karena itu, validasi yang disesuaikan dengan beban kerja sangat penting.

Apa yang Ditambahkan EMMY P4 Milik GWDG

GWDG, organisasi komputasi ilmiah di Göttingen, mendukung NHR@Göttingen, salah satu dari sembilan pusat komputasi kinerja tinggi nasional di Jerman. Para penggunanya menjalankan berbagai aplikasi di bidang ilmu hayati, fisika, penelitian kuantum, kecerdasan buatan, dan humaniora. Menurut Cornelis, lingkungan yang lebih luas ini menangani sekitar 3,5 juta pekerjaan komputasi kinerja tinggi setiap tahun.

Spesifikasi EPYC 9745 dari AMD mencantumkan 128 inti fisik per prosesor, sehingga setiap node bersoket ganda memiliki 256 inti. Menjaga agar sebanyak itu inti tetap produktif di ratusan node menjadikan efisiensi komunikasi sebagai pertimbangan di tingkat sistem.

Dokumentasi instalasi GWDG menjelaskan kelompok awal yang terdiri atas 252 node, masing-masing dengan memori DDR5 sebesar 768 GiB dan penyimpanan NVMe lokal sebesar 3,8 TiB, yang dihubungkan melalui adaptor CN5000 dengan sambungan 200G. Pengumuman tersebut menyebutkan bahwa penerapan EMMY P4 yang lebih besar mencakup sekitar 300 node.

Perbedaan antara instalasi CPU ini dan pekerjaan kemitraan di bidang GPU penting untuk diperhatikan. EMMY P4 menunjukkan penggunaan EPYC dan jaringan Cornelis dalam lingkungan komputasi ilmiah; hal ini bukan berarti node CPU yang diumumkan dilengkapi akselerator AMD Instinct.

Pengujian Aplikasi Melampaui Kompatibilitas

Cornelis menyatakan bahwa CN5000 telah dinyatakan memenuhi syarat untuk produksi bersama prosesor AMD EPYC 9005 dalam lebih dari 25 konfigurasi platform tervalidasi di Amerika Utara dan Eropa. Kedua perusahaan juga telah memperluas kualifikasi CN5000 untuk akselerator AMD Instinct MI350X Series.

Bagi pembeli, pengujian aplikasi dapat menunjukkan apakah suatu arsitektur cocok dengan pekerjaan yang benar-benar dijalankan di organisasi mereka. Simulasi besar yang sering memerlukan sinkronisasi dapat berperilaku berbeda dari beban kerja kecerdasan buatan yang lebih banyak berjalan di dalam kernel akselerator. Kapasitas memori, pustaka perangkat lunak, konfigurasi node, dan perilaku jaringan semuanya memengaruhi hasilnya.

Cornelis melaporkan bahwa sekumpulan terpilih yang terdiri atas 132 beban kerja dinamika fluida komputasional CONVERGE menghasilkan throughput rata-rata 20% lebih tinggi pada empat node dibandingkan pengujian pembanding yang menggunakan NVIDIA NDR InfiniBand. Cornelis juga melaporkan peningkatan skala hampir sembilan kali lipat dari satu menjadi delapan node untuk beban kerja STAR-CCM+ yang berjalan pada prosesor EPYC 9755.

Hasil aplikasi ini dilaporkan oleh vendor dan berasal dari konfigurasi pengujian tertentu. Buku putih teknis Cornelis yang menyertainya merupakan rujukan terkait kondisi pengujian; angka-angka tersebut tidak membuktikan bahwa keunggulan yang sama berlaku untuk setiap kode atau klaster. Manfaat praktis program pengujian di München adalah pelanggan dapat menilai beban kerja mereka sendiri dengan mempertimbangkan hasil tersebut.

Peta Jalan untuk Sistem CPU dan GPU yang Lebih Besar

Perusahaan-perusahaan tersebut juga tengah mempersiapkan generasi perangkat keras berikutnya. Cornelis merancang CN6000 mendatang dengan adaptor 800G dan antarmuka PCIe 6.0 x16. Sistem OEM yang menggabungkan CN6000 dan prosesor AMD EPYC 9006 diperkirakan hadir pada kuartal pertama 2027. Sistem tersebut masih sebatas bagian dari peta jalan, terpisah dari infrastruktur EMMY P4 berbasis CN5000 yang telah diterapkan.

Strategi akselerator AMD juga mencakup tumpukan perangkat lunak ROCm, yang menyediakan alat dan pustaka untuk komputasi GPU. Dukungan untuk AI ilmiah memerlukan lapisan perangkat lunak tersebut, selain prosesor dan jaringan: peneliti membutuhkan aplikasi, pustaka matematika, dan perangkat lunak komunikasi yang dapat bekerja bersama.

Komputasi ilmiah tradisional juga sangat mengandalkan aritmetika presisi ganda atau FP64. Hal ini berbeda dari kalkulasi berpresisi lebih rendah yang digunakan dalam banyak beban kerja AI. Karena itu, kesesuaian suatu platform ditentukan oleh lebih dari sekadar kinerja AI utamanya.

Pada akhirnya, perluasan kemitraan AMD–Cornelis merupakan upaya untuk memudahkan evaluasi dan penerapan sistem penelitian yang lengkap. GWDG menyediakan contoh penggunaan nyata dari kombinasi CPU dan jaringan, sementara pengujian aplikasi bersama dan dukungan akselerator pada masa mendatang memperluas potensi kasus penggunaannya. Bagi pusat penelitian, ukuran yang paling penting adalah seberapa cepat sistem yang telah divalidasi dapat menyelesaikan pekerjaan yang bermanfaat—bukan berapa banyak prosesor yang dimilikinya.