MITの研究者、Ferveretの冷却プラットフォームで核物質に関するAI研究を推進

AI研究は、アイデアが尽きるよりずっと前に、研究室で稼働させ、冷却できる計算能力の限界に直面することがある。Ferveretによると、MITの研究者は同社の高性能コンピューティングプラットフォームを利用し、核物質を研究するAI手法の開発に取り組んでおり、長時間にわたる科学計算の処理にAdaptive Phase Cooling技術を活用している。

10月22日の発表は、2つの工学上の課題を結び付けている。研究者には、極限環境にさらされる物質を理解するため、より大きな計算能力が必要だ。一方、データセンターの運営者には、限られた電力容量から、より多くの有用な処理能力を引き出す必要がある。Ferveretは、プロセッサーの新世代を導入しなくても、放熱性能の向上によって双方の課題に対応できると提案している。

核物質の研究で、より多くのAI計算能力が必要とされる理由

この研究は、Nuclear Science and EngineeringおよびElectrical Engineering and Computer Scienceの助教であるEricmoore Jossouが率いる、MITのMaterials in Extreme Environments Labで行われている。MITの教員プロフィールによると、この研究では高度な顕微鏡法とコヒーレントX線イメージングを組み合わせ、ナノスケールの分解能で構造特性や欠陥を調べている。

Ferveretは、自社プラットフォームを利用する2つのプロジェクトを挙げている。1つは、核物質のコヒーレントX線測定データを解析するAI手法の開発だ。もう1つは、機械学習による原子間ポテンシャルの学習である。原子間ポテンシャルとは、原子同士の相互作用を予測し、厳しい条件下での物質の挙動を研究者がシミュレーションするのに役立つモデルを指す。

1つ目のプロジェクトが目指す研究の方向性には、独立した裏付けもある。MITの2026年核科学・工学研究エキスポには、DongHun Ryuによる「BCDI位相回復のための物理情報に基づく深層生成モデル」という題の発表が掲載されている。BCDIはBragg coherent diffraction imaging（ブラッグコヒーレント回折イメージング）の略で、Jossouの教員研究紹介にも記載されている手法だ。これにより、冷却企業の発表だけにとどまらない、具体的な研究上のつながりが確認できる。ただし、イベントの掲載情報はFerveretのハードウェアを評価するものではない。

原子間ポテンシャルは、別の計算上のボトルネックに対処する。シミュレーションの各段階で計算コストの高い電子構造計算を行う代わりに、学習済みモデルが原子配置、エネルギー、力の関係を近似する。MITのリポジトリに収録された研究では、機械学習による力場を用いることで、学習に使った参照計算の精度を維持しながら、原子シミュレーションで扱える時間と長さのスケールを拡大できると説明している。

ただし、その精度は、モデルと、モデルが表現できるよう学習した状況に左右される。Ferveretの発表によると、支援対象の研究では密度汎関数理論に近い精度のシミュレーションを目指しているが、これらのプロジェクトでその結果を裏付ける誤差表、公開済みモデル、数値比較は示されていない。

Adaptive Phase Coolingはどのように熱を取り除くのか

Ferveretの技術説明の中心となるのは、原子炉の熱伝達研究に着想を得たサブクール沸騰だ。チップ表面の熱によって気泡が生じる一方、周囲の液体は沸点未満に保たれる。同社によると、小さな気泡はすぐに離脱して、より低温の液体中で再び凝縮し、熱い表面と液体との接触が新たに保たれる。

異なるのは、蒸気が移動する先だ。Ferveretが比較対象とする飽和沸騰方式の液浸冷却では、気泡は凝縮される前に蒸気空間へ上昇する。同社の方式は、液体中で気泡を局所的に凝縮させることを目指している。同社によると、これにより常圧に近い環境での稼働と、個々のサーバーに対応するコンパクトな筐体が可能になる。

同社のデータセンター向け製品ページでは、Lambertという4Uのラック搭載型冷却装置、専用熱交換器、運転条件を調整する制御ソフトウェアを紹介している。想定されているのは、大型の共用液浸タンクではなく、施設の放熱インフラに接続するサーバー単位の冷却システムだ。

AI運用事業者にとっての目的は、長時間の処理中もプロセッサーを熱限界内に保ち、冷却に伴うオーバーヘッドを削減することだ。熱が性能を制限する状況では、ハードウェアをより低温に保つことで、より高い動作性能を維持できる。効果の大きさは、比較対象となるプロセッサー、処理負荷、電力設定、冷却システムによって異なる。

性能向上を示す15％と35％の数値が実際に意味すること

発表で示された2つの主要な数値は、異なる指標を表している。Ferveretによると、主要なダイレクト・トゥ・チップ冷却方式と比べて、サーバーレベルの計算能力は最大15％向上する。また、施設レベルの改善を含めると、利用可能な計算能力は最大35％向上する。

Ferveretが3月に発表した内容では、最初の数値について詳しく説明している。UCLAのIntelligent Connectivity LaboratoryとNVIDIA H200 GPUを用いてベンチマークを実施し、サーバー電力1キロワット当たりのTFLOPsで測定した計算効率が15％向上したと報告している。この発表では、そのサーバー指標に施設レベルの電力使用効率は明確に含まれていない。

これは有用な背景情報だが、あくまで企業側が発表した協業についての説明である。発表資料には、比較を再現できるだけの完全なベンチマーク手順や生データは示されていない。また、ワット当たりの浮動小数点演算スループットが15％向上しても、トレーニング時間やアプリケーションの出力が自動的に15％向上することを意味するわけではない。

より大きな数値は、サーバー効率と施設モデルを組み合わせたものだ。Ferveretの計算例では、電力使用効率（PUE）が1.20から1.03に改善したとし、そこにサーバー効率の15％向上を適用している。PUEは施設全体の消費電力をIT機器の消費電力で割った値であり、比率が低いほど、同じIT負荷に対する施設のオーバーヘッドが小さいことを示す。

示された入力値を使うと、総合的な向上幅は約34％となる。計算式は1.15×1.20/1.03だ。Ferveretは、この結果を約35％と説明している。この計算によって主張の規模は理解できるものの、これは施設効率を仮定したシナリオであり、MITの核材料実験で35％の高速化が実測されたという公表データではない。

証拠が示す範囲と、そこから広がる可能性

提供された発表資料で、Jossouは、このプラットフォームを利用することで、より大規模なモデル、高速な反復、継続的な実験が可能になると述べている。こうした見解は、計算資源へのアクセスを増やすことの実用的な価値を裏付けるものだ。ただし、改善のうち冷却によるものがどれほどか、ハードウェアの割り当てによるものがどれほどか、あるいは特定の科学的タスクがどれほど速くなったかは、これらの見解からは切り分けられない。

同じ区別は、持続可能性にも当てはまる。Ferveretは、蒸発による水の消費を伴わず、ドライクーラーで熱を排出できる閉ループシステムだと説明している。これは冷却方式についての主張である。発電、機器の製造、あるいはあらゆる施設設計に伴う水の消費までなくなるという意味に受け取るべきではない。

発表資料によると、今後の研究論文では、Ferveretによるインフラ面の貢献に謝意を示すことが期待されている。手法とアプリケーションレベルの成果が公表されれば、このプラットフォームが再構成の精度、シミュレーションの規模、トレーニング時間、実験完了あたりのエネルギー消費にどう影響するかを明らかにする助けとなるだろう。

現時点で最も確かな結論は、限定的なものだ。Ferveretは、AIと核材料に焦点を当てた研究プログラムにインフラを提供しており、その研究の焦点はMITによって裏付けられている。一方、より広範な効率向上の主張については、測定範囲を踏まえて検討する必要がある。長期的な可能性は、限られた計算能力をさらに有効に活用し、熱伝達の改善を、同じ電力予算の範囲内でより多くの科学研究につなげることにある。