Model dan platform AI
NVIDIA Memperkenalkan GPU HPC Rubin untuk Sains dan Rekayasa yang Digerakkan oleh Agen

Poin utamaRubin HPC memberikan bobot yang sama pada perpindahan data seperti pada aritmetika…
Lihat selengkapnya
- Rubin HPC memberikan bobot yang sama pada perpindahan data seperti pada aritmetika sehingga inti tidak menganggur pada beban kerja yang jarang.
- Pustaka CUDA-X memungkinkan agen menggunakan rutinitas yang dioptimalkan tanpa pengembang menyetel setiap beban kerja GPU secara manual.
- NVLink generasi ketujuh memperluas fokus perpindahan data ke komunikasi antar-GPU lintas rak.
NVIDIA mengumumkan Rubin HPC di SC26 pada 16 November 2026, dan menyebutnya sebagai GPU untuk simulasi dan pemrosesan data di bidang sains, rekayasa, dan analitik dengan jumlah inti CUDA dalam satu chip yang memecahkan rekor, yakni lebih dari 50.000 inti.
Chip ini ditujukan untuk alur kerja yang melibatkan agen untuk membantu ilmuwan dan insinyur menghasilkan lebih banyak kandidat bahan, molekul, dan rancangan, lalu mengandalkan simulasi untuk mengevaluasi gagasan tersebut dan memandu langkah selanjutnya. Bertambahnya jumlah kandidat meningkatkan beban kerja simulasi, sehingga umpan balik komputasi menjadi bagian dari laju penemuan dan perancangan industri.
Menyeimbangkan Komputasi dan Pergerakan Data
NVIDIA mengidentifikasi pola komputasi yang sama dalam pemodelan iklim, simulasi rekayasa, analisis genom, dan risiko keuangan. Aplikasi-aplikasi ini berulang kali menghitung hasil dari sekumpulan kecil nilai yang tersebar di kumpulan data yang sangat besar, dengan menjalankan urutan dasar yang sama dalam skala luar biasa besar. Kapasitas aritmetika saja tidak dapat mengatasi kendala tersebut; data harus mencapai inti dengan cukup cepat agar inti tetap bekerja.
Desain Rubin HPC memberikan bobot yang sama pada pergerakan data dan kapasitas aritmetika. Akselerasi data renggangnya dirancang untuk mencegah inti menganggur saat menunggu informasi. Rutinitas yang menjadi sasaran mencakup perhitungan matriks renggang dan stencil, pengurutan, serta operasi reduksi—operasi yang berulang dalam simulasi dan analitik. Secara keseluruhan, pilihan-pilihan ini menangani pola akses data berulang yang dapat membatasi manfaat jumlah inti yang besar.
“Bagi agen yang menangani sains dan rekayasa, simulasi yang lebih cepat berarti penemuan yang lebih cepat,” kata Ian Buck, wakil presiden NVIDIA untuk komputasi hiperskala dan komputasi berkinerja tinggi. Tujuan desainnya adalah mempersingkat siklus dari hipotesis ke simulasi hingga penyempurnaan, sehingga membantu tim menentukan hal yang perlu diuji berikutnya dan memprioritaskan pekerjaan laboratorium berdasarkan kandidat yang lebih menjanjikan.
Konteks Perangkat Lunak dan Multi-GPU
CUDA-X menyediakan implementasi algoritme yang dioptimalkan untuk digunakan agen bersama Rubin HPC, termasuk rutinitas untuk simulasi dan analitik. Pustakanya dirancang sebagai komponen siap pakai, sehingga pengoptimalan GPU tingkat rendah tidak lagi menjadi beban pengembang aplikasi. Cakupan yang didokumentasikan meliputi matematika, komputasi ilmiah, fisika, algoritme paralel, dan pemrosesan data, serta menyediakan komponen dasar siap pakai yang mengurangi kebutuhan setiap tim untuk mengoptimalkan setiap beban kerja dari awal.
Pergerakan data juga mencakup lebih dari satu prosesor. NVLink adalah interkoneksi langsung GPU-ke-GPU dari NVIDIA; NVLink Switch menggabungkan beberapa tautan agar GPU dapat berkomunikasi satu sama lain ke segala arah di seluruh rak, dan dapat memperluas koneksi tersebut ke berbagai node. Rubin HPC menggunakan NVLink generasi ketujuh, sehingga desain pergerakan datanya juga mencakup komunikasi antargPU.
Rubin HPC merupakan bagian dari platform Vera Rubin, yang menurut NVIDIA terdiri atas lima sistem skala rak yang dirancang khusus dan digabungkan menjadi superkomputer AI multi-rak untuk penalaran bertahap dan alur kerja agen dengan konteks panjang. Platform yang lebih luas itu sedang menuju produksi penuh, dan sistem berbasis Vera Rubin telah mulai dikirimkan; Rubin HPC sendiri diperkirakan tersedia pada 2028.
Bagi riset yang digerakkan oleh agen, ukuran praktis keberhasilan Rubin HPC adalah apakah keseimbangan antara komputasi, akses data, perangkat lunak, dan komunikasi multi-GPU dapat mempersingkat waktu antara saat agen mengajukan kandidat dan saat peneliti menerima hasil simulasi yang menjadi dasar bagi eksperimen atau rancangan berikutnya.












