Ricercatori del MIT usano la piattaforma di raffreddamento Ferveret per far progredire la ricerca sull’IA applicata ai materiali nucleari

La ricerca sull’IA può scontrarsi con un limite fisico molto prima di esaurire le idee: la quantità di potenza di calcolo che un laboratorio può alimentare e mantenere fredda. Ferveret afferma che i ricercatori del MIT stanno utilizzando la sua piattaforma di calcolo ad alte prestazioni per sviluppare metodi di IA applicati allo studio dei materiali nucleari, impiegando la tecnologia Adaptive Phase Cooling in carichi di lavoro scientifici prolungati.

L’annuncio del 22 ottobre mette in relazione due sfide ingegneristiche. Per comprendere i materiali esposti a condizioni estreme, i ricercatori hanno bisogno di maggiore capacità di calcolo. Gli operatori dei centri dati, invece, devono ottenere più lavoro utile da una capacità elettrica limitata. La tesi di Ferveret è che una migliore dissipazione del calore possa aiutare entrambi, senza richiedere una nuova generazione di processori.

Perché la ricerca sui materiali nucleari ha bisogno di più potenza di calcolo per l’IA

Il lavoro coinvolge il Materials in Extreme Environments Lab del MIT, diretto da Ericmoore Jossou, professore assistente di scienza e ingegneria nucleare e di ingegneria elettrica e informatica. Il profilo accademico del MIT descrive una ricerca che combina microscopia avanzata e imaging a raggi X coerente per esaminare proprietà strutturali e difetti con risoluzione nanometrica.

Ferveret indica due progetti che utilizzano la sua piattaforma. Il primo sviluppa metodi di IA per analizzare misurazioni a raggi X coerenti dei materiali nucleari. Il secondo addestra potenziali interatomici basati sull’apprendimento automatico, modelli che prevedono le interazioni tra gli atomi e aiutano i ricercatori a simulare il comportamento dei materiali in condizioni impegnative.

La direzione di ricerca del primo progetto trova riscontro anche in una fonte indipendente. Il Research Expo 2026 di scienza e ingegneria nucleare del MIT riporta una presentazione di DongHun Ryu dal titolo “Physics-Informed Deep Generative Models for BCDI Phase Retrieval”. BCDI è l’acronimo di Bragg coherent diffraction imaging, una tecnica citata anche nella descrizione della ricerca di Jossou sul profilo accademico. Questo conferma un legame concreto con la ricerca che va oltre l’annuncio dell’azienda di raffreddamento, anche se il programma dell’evento non valuta l’hardware di Ferveret.

I potenziali interatomici affrontano un diverso collo di bottiglia computazionale. Invece di eseguire un costoso calcolo della struttura elettronica in ogni fase della simulazione, un modello addestrato approssima la relazione tra configurazioni atomiche, energie e forze. La ricerca conservata nel repository del MIT descrive come i campi di forze basati sull’apprendimento automatico possano estendere le scale temporali e dimensionali delle simulazioni atomistiche, mantenendo al contempo la precisione dei calcoli di riferimento su cui sono stati addestrati.

Tale precisione resta subordinata al modello e alle situazioni che ha imparato a rappresentare. Secondo l’annuncio di Ferveret, la ricerca supportata punta a simulazioni che si avvicinino alla precisione della teoria del funzionale della densità; tuttavia, non presenta una tabella degli errori, un modello pubblicato o un confronto numerico che dimostri questo risultato per i progetti in questione.

Come Adaptive Phase Cooling dissipa il calore

La descrizione della tecnologia di Ferveret si basa sull’ebollizione sottoraffreddata, un approccio ispirato alla ricerca sul trasferimento di calore nei reattori nucleari. Il calore sulla superficie di un chip forma bolle di vapore, mentre il liquido circostante rimane al di sotto della propria temperatura di ebollizione. L’azienda afferma che le piccole bolle si staccano rapidamente e si condensano nuovamente nel liquido più freddo, ripristinando il contatto con la superficie calda.

La differenza sta nel percorso del vapore. Nell’immersione a ebollizione satura con cui Ferveret confronta il proprio approccio, le bolle salgono in uno spazio riservato al vapore prima di condensarsi. Il suo sistema punta a condensarle localmente nel liquido. Secondo l’azienda, questo consente di operare a pressioni prossime a quella ambiente e in involucri compatti destinati a singoli server.

La pagina dei prodotti per i centri dati descrive un’unità di raffreddamento da rack in formato 4U, chiamata Lambert, uno scambiatore di calore personalizzato e un software di controllo che regola le condizioni operative. L’installazione prevista è un sistema di raffreddamento su scala server, collegato all’infrastruttura di dissipazione del calore della struttura, anziché una grande vasca di immersione condivisa.

Per chi gestisce sistemi di IA, l’obiettivo è mantenere i processori entro i limiti termici durante carichi di lavoro prolungati, riducendo al contempo i costi aggiuntivi legati al raffreddamento. Un hardware più fresco può sostenere prestazioni operative più elevate quando il calore altrimenti le limiterebbe. L’entità del beneficio dipende comunque dai processori, dal carico di lavoro, dalle impostazioni di alimentazione e dal sistema di raffreddamento utilizzato per il confronto.

Che cosa significano davvero i dati sulle prestazioni del 15% e del 35%

I due dati principali dell’annuncio si riferiscono a misurazioni diverse. Ferveret dichiara fino al 15% in più di capacità di calcolo a livello di server rispetto alle principali soluzioni di raffreddamento diretto dei chip e fino al 35% in più di capacità di calcolo utilizzabile quando si includono i miglioramenti a livello di struttura.

Un annuncio di Ferveret di marzo fornisce ulteriori dettagli sul primo dato. Descrive test comparativi condotti con l’Intelligent Connectivity Laboratory della UCLA usando GPU NVIDIA H200, che hanno rilevato un miglioramento del 15% dell’efficienza computazionale, misurata in TFLOP per kilowatt di potenza del server. Il comunicato esclude esplicitamente da questo valore a livello di server l’efficacia nell’uso della potenza a livello di struttura.

È un contesto utile, ma resta un resoconto della collaborazione diffuso dall’azienda. Il comunicato non fornisce un protocollo completo del benchmark né risultati grezzi sufficienti a riprodurre il confronto. Un miglioramento del 15% delle prestazioni in virgola mobile per watt, inoltre, non dimostra automaticamente un miglioramento del 15% nei tempi di addestramento o nei risultati delle applicazioni.

La cifra più elevata combina l’efficienza del server con un modello dell’impianto. Nell’esempio svolto da Ferveret, il confronto passa da un’efficacia nell’uso dell’energia, o PUE, pari a 1.20 a 1.03, per poi applicare il miglioramento del 15% dell’efficienza del server. Il PUE è il rapporto tra la potenza totale dell’impianto e quella delle apparecchiature IT; un valore più basso indica minori consumi aggiuntivi dell’impianto a parità di carico IT.

Sulla base dei valori indicati, il guadagno complessivo è di circa il 34%: 1.15 moltiplicato per 1.20/1.03. Ferveret descrive il risultato come pari a circa il 35%. Il calcolo chiarisce l’entità dell’affermazione, ma si tratta di uno scenario basato su efficienze dell’impianto ipotizzate, non di una misurazione pubblicata di un’accelerazione del 35% negli esperimenti del MIT sui materiali nucleari.

Dove finiscono le prove e inizia l’opportunità

Nell’annuncio fornito, Jossou afferma che l’accesso alla piattaforma consente di usare modelli più grandi, iterare più rapidamente e condurre esperimenti in modo continuativo. Queste osservazioni confermano il valore pratico di un maggiore accesso alle risorse di calcolo. Tuttavia, non permettono di distinguere quanto del miglioramento sia dovuto al raffreddamento, quanto alle risorse hardware assegnate o quanto sia aumentata la velocità di una specifica attività scientifica.

La stessa distinzione vale per la sostenibilità. Ferveret descrive un sistema a circuito chiuso in grado di dissipare il calore tramite raffreddatori a secco, senza consumare acqua per evaporazione. Si tratta di un’affermazione relativa alla configurazione del sistema di raffreddamento. Non va interpretata come se eliminasse l’impronta idrica della produzione di elettricità, della fabbricazione delle apparecchiature o di ogni possibile configurazione dell’impianto.

L’annuncio afferma inoltre che le future pubblicazioni di ricerca dovrebbero riconoscere il contributo di Ferveret alle infrastrutture. La pubblicazione dei metodi e dei risultati a livello applicativo contribuirebbe a chiarire gli effetti della piattaforma sulla precisione della ricostruzione, sulla scala delle simulazioni, sui tempi di addestramento e sul consumo energetico per ogni esperimento completato.

Per ora, la conclusione più solida è circoscritta: Ferveret fornisce infrastrutture a un programma di ricerca il cui orientamento sull’IA e sui materiali nucleari è confermato dal MIT, mentre le affermazioni più ampie sull’efficienza richiedono attenzione ai limiti delle misurazioni. L’opportunità a lungo termine consiste nel far rendere di più la capacità di calcolo limitata, trasformando i miglioramenti nel trasferimento di calore in una maggiore quantità di lavoro scientifico a parità di budget elettrico.