Peneliti MIT Menggunakan Platform Pendingin Ferveret untuk Memajukan Riset AI tentang Bahan Nuklir

Riset AI dapat terbentur batas fisik jauh sebelum kehabisan gagasan: seberapa besar daya komputasi yang dapat disediakan dan didinginkan oleh sebuah laboratorium. Ferveret menyatakan bahwa para peneliti di MIT menggunakan platform komputasi berkinerja tinggi miliknya untuk mengembangkan metode AI dalam mempelajari bahan nuklir, dengan menerapkan teknologi Adaptive Phase Cooling pada beban kerja ilmiah berkelanjutan.

Pengumuman pada 22 Oktober itu mengaitkan dua tantangan rekayasa. Peneliti membutuhkan kapasitas komputasi yang lebih besar untuk memahami bahan yang terpapar kondisi ekstrem. Operator pusat data perlu menghasilkan lebih banyak pekerjaan berguna dari kapasitas listrik yang terbatas. Ferveret berpendapat bahwa pembuangan panas yang lebih baik dapat membantu keduanya, tanpa memerlukan generasi prosesor baru.

Mengapa Riset Bahan Nuklir Membutuhkan Lebih Banyak Komputasi AI

Penelitian ini melibatkan Materials in Extreme Environments Lab di MIT, yang dipimpin oleh Ericmoore Jossou, asisten profesor di bidang Ilmu dan Teknik Nuklir serta Teknik Elektro dan Ilmu Komputer. Profil dosen MIT menjelaskan penelitian yang memadukan mikroskopi canggih dan pencitraan sinar-X koheren untuk mengkaji sifat struktural dan cacat dengan resolusi skala nano.

Ferveret menyebutkan dua proyek yang menggunakan platformnya. Proyek pertama mengembangkan pendekatan AI untuk menganalisis pengukuran sinar-X koheren pada bahan nuklir. Proyek kedua melatih potensial antaratom berbasis pembelajaran mesin, yaitu model yang memprediksi interaksi antaratom dan membantu peneliti menyimulasikan perilaku bahan dalam kondisi berat.

Ada dukungan independen untuk arah penelitian proyek pertama. Expo Riset Ilmu dan Teknik Nuklir MIT 2026 mencantumkan presentasi oleh DongHun Ryu berjudul “Physics-Informed Deep Generative Models for BCDI Phase Retrieval.” BCDI adalah singkatan dari Bragg coherent diffraction imaging, teknik yang juga disebutkan dalam deskripsi riset pada profil dosen Jossou. Hal ini menunjukkan adanya keterkaitan konkret dengan penelitian di luar pengumuman perusahaan pendingin tersebut, meskipun daftar acara itu tidak mengevaluasi perangkat keras Ferveret.

Potensial antaratom mengatasi hambatan komputasi yang berbeda. Alih-alih melakukan perhitungan struktur elektronik yang mahal di setiap tahap simulasi, model yang telah dilatih memperkirakan hubungan antara susunan atom, energi, dan gaya. Penelitian yang tersimpan di repositori MIT menjelaskan bagaimana medan gaya berbasis pembelajaran mesin dapat memperluas skala waktu dan panjang simulasi atomistik, sekaligus mempertahankan akurasi perhitungan acuan yang digunakan untuk melatihnya.

Akurasi tersebut tetap bergantung pada model dan situasi yang telah dipelajarinya untuk direpresentasikan. Pengumuman Ferveret menyatakan bahwa riset yang didukung bertujuan menghasilkan simulasi dengan akurasi yang mendekati teori fungsi kerapatan; pengumuman itu tidak menyertakan tabel galat, model yang dipublikasikan, ataupun perbandingan numerik yang membuktikan hasil tersebut untuk proyek-proyek ini.

Cara Adaptive Phase Cooling Membuang Panas

Deskripsi teknologi Ferveret berfokus pada pendidihan subdingin, pendekatan yang berlandaskan penelitian perpindahan panas reaktor nuklir. Panas di permukaan cip membentuk gelembung uap, tetapi cairan di sekitarnya tetap berada di bawah suhu didihnya. Perusahaan menyatakan bahwa gelembung-gelembung kecil segera terlepas dan mengembun kembali menjadi cairan yang lebih dingin itu, sehingga kontak dengan permukaan panas terus diperbarui.

Perbedaannya terletak pada ke mana uap mengalir. Dalam pendekatan perendaman dengan pendidihan jenuh yang dijadikan pembanding oleh Ferveret, gelembung naik ke ruang uap sebelum mengembun. Pendekatan Ferveret berupaya mengembunkannya secara lokal di dalam cairan. Perusahaan menyatakan bahwa hal ini mendukung pengoperasian pada tekanan yang mendekati tekanan ambien dan penggunaan wadah ringkas untuk masing-masing server.

Halaman produk pusat data miliknya menjelaskan unit pendingin rak 4U bernama Lambert, penukar panas khusus, serta perangkat lunak pengendali yang menyesuaikan kondisi operasi. Sistem yang direncanakan adalah sistem pendingin seukuran server yang terhubung ke infrastruktur pembuangan panas fasilitas, bukan tangki perendaman besar yang digunakan bersama.

Bagi operator AI, tujuannya adalah menjaga prosesor tetap dalam batas termal selama beban kerja yang berkepanjangan sekaligus mengurangi beban tambahan terkait pendinginan. Perangkat keras yang lebih dingin dapat mempertahankan kinerja operasi yang lebih tinggi ketika panas biasanya menjadi faktor pembatas. Besarnya manfaat tetap bergantung pada prosesor, beban kerja, pengaturan daya, dan sistem pendingin yang digunakan sebagai pembanding.

Apa Arti Sebenarnya Angka Kinerja 15% dan 35%

Dua angka utama dalam pengumuman tersebut mengukur hal yang berbeda. Ferveret melaporkan peningkatan komputasi hingga 15% pada tingkat server dibandingkan dengan pendekatan pendinginan langsung ke cip terkemuka, serta peningkatan komputasi yang dapat digunakan hingga 35% jika peningkatan di tingkat fasilitas turut diperhitungkan.

Pengumuman Ferveret pada Maret memberikan rincian lebih lanjut tentang angka pertama. Pengumuman itu menjelaskan pengujian tolok ukur bersama Intelligent Connectivity Laboratory di UCLA menggunakan GPU NVIDIA H200, dengan hasil peningkatan efisiensi komputasi sebesar 15% yang diukur dalam TFLOP per kilowatt daya server. Siaran tersebut secara tegas tidak memasukkan efektivitas penggunaan daya di tingkat fasilitas dalam metrik server itu.

Konteks itu berguna, tetapi tetap merupakan keterangan tentang kolaborasi yang diterbitkan oleh perusahaan. Siaran pers tersebut tidak menyertakan protokol tolok ukur lengkap atau hasil mentah yang memadai untuk mereproduksi perbandingan itu. Peningkatan throughput operasi titik mengambang sebesar 15% per watt juga tidak serta-merta membuktikan peningkatan 15% dalam waktu pelatihan atau keluaran aplikasi.

Angka yang lebih besar menggabungkan efisiensi server dengan model fasilitas. Dalam contoh perhitungan Ferveret, perbandingan beralih dari efektivitas penggunaan daya (PUE) sebesar 1,20 menjadi 1,03, lalu menerapkan peningkatan efisiensi server sebesar 15%. PUE adalah total daya fasilitas dibagi daya peralatan TI; rasio yang lebih rendah berarti beban tambahan fasilitas yang lebih kecil untuk beban TI tertentu.

Dengan menggunakan angka-angka yang disebutkan tersebut, peningkatan gabungannya sekitar 34%: 1,15 dikalikan 1,20/1,03. Ferveret menyebut hasilnya sekitar 35%. Perhitungan itu menjelaskan besaran klaim tersebut, tetapi ini merupakan skenario berdasarkan asumsi efisiensi fasilitas, bukan pengukuran yang dipublikasikan tentang percepatan 35% dalam eksperimen material nuklir MIT.

Batas Bukti—dan Awal Peluang

Dalam pengumuman yang disediakan, Jossou mengatakan bahwa akses ke platform memungkinkan penggunaan model yang lebih besar, iterasi yang lebih cepat, dan eksperimen berkelanjutan. Pengamatan tersebut mendukung nilai praktis dari akses komputasi tambahan. Namun, pengamatan itu tidak memisahkan seberapa besar peningkatan yang berasal dari pendinginan, seberapa besar yang berasal dari alokasi perangkat keras, atau seberapa cepat tugas ilmiah tertentu dapat diselesaikan.

Pembedaan yang sama berlaku untuk keberlanjutan. Ferveret menjelaskan sistem loop tertutup yang dapat membuang panas melalui pendingin kering tanpa konsumsi air akibat penguapan. Itu adalah klaim mengenai konfigurasi pendinginan. Klaim tersebut tidak boleh ditafsirkan bahwa jejak air dari pembangkitan listrik, produksi peralatan, atau setiap kemungkinan rancangan fasilitas dapat dihilangkan.

Pengumuman itu juga menyebutkan bahwa publikasi riset mendatang diharapkan mengakui kontribusi infrastruktur Ferveret. Metode yang dipublikasikan dan hasil pada tingkat aplikasi akan membantu menunjukkan bagaimana platform tersebut memengaruhi akurasi rekonstruksi, skala simulasi, waktu pelatihan, dan energi per eksperimen yang diselesaikan.

Untuk saat ini, kesimpulan terkuatnya berfokus pada satu hal: Ferveret menyediakan infrastruktur bagi program riset dengan fokus pada AI dan material nuklir, sebagaimana dikonfirmasi oleh MIT, sementara klaim efisiensinya yang lebih luas perlu dicermati berdasarkan batas pengukurannya. Peluang jangka panjangnya adalah memaksimalkan kapasitas komputasi yang terbatas—mengubah peningkatan perpindahan panas menjadi lebih banyak pekerjaan ilmiah dengan anggaran listrik yang sama.