MIT-onderzoekers zetten het koelplatform van Ferveret in om AI-onderzoek naar nucleaire materialen vooruit te helpen

AI-onderzoek kan al snel op een fysieke grens stuiten, lang voordat de ideeën op zijn: de hoeveelheid rekenkracht die een laboratorium van stroom kan voorzien en koel kan houden. Ferveret zegt dat onderzoekers van MIT zijn high-performance computingplatform gebruiken om AI-methoden te ontwikkelen voor onderzoek naar nucleaire materialen. Zo zetten ze de Adaptive Phase Cooling-technologie in voor langdurige wetenschappelijke toepassingen.

De aankondiging van 22 oktober brengt twee technische uitdagingen met elkaar in verband. Onderzoekers hebben meer rekenkracht nodig om materialen te begrijpen die aan extreme omstandigheden worden blootgesteld. Exploitanten van datacenters moeten meer nuttig werk halen uit een beperkte elektrische capaciteit. Ferveret stelt dat betere warmteafvoer beide kan helpen, zonder dat daarvoor een nieuwe generatie processors nodig is.

Waarom onderzoek naar nucleaire materialen meer AI-rekenkracht nodig heeft

Bij het onderzoek is het Materials in Extreme Environments Lab van MIT betrokken, onder leiding van Ericmoore Jossou, universitair docent Nuclear Science and Engineering en Electrical Engineering and Computer Science. Het faculteitsprofiel van MIT beschrijft onderzoek waarin geavanceerde microscopie en coherente röntgenbeeldvorming worden gecombineerd om structurele eigenschappen en defecten op nanoschaal te bestuderen.

Ferveret noemt twee projecten die zijn platform gebruiken. Bij het ene project worden AI-methoden ontwikkeld om coherente röntgenmetingen van nucleaire materialen te analyseren. Bij het andere worden interatomaire potentialen met behulp van machine learning getraind: modellen die voorspellen hoe atomen op elkaar inwerken en onderzoekers helpen het gedrag van materialen onder veeleisende omstandigheden te simuleren.

Er is onafhankelijke steun voor de onderzoeksrichting van het eerste project. De Expo voor Nuclear Science and Engineering Research van MIT in 2026 vermeldt een presentatie van DongHun Ryu met de titel “Physics-Informed Deep Generative Models for BCDI Phase Retrieval”. BCDI staat voor Bragg coherent diffraction imaging, een techniek die ook wordt genoemd in de beschrijving van Jossous onderzoek op zijn faculteitsprofiel. Dat vormt een concrete link met onderzoek buiten de aankondiging van het koelbedrijf, al beoordeelt de evenementvermelding de hardware van Ferveret niet.

Interatomaire potentialen pakken een ander knelpunt in de rekenkracht aan. In plaats van in elke fase van een simulatie een kostbare berekening van de elektronische structuur uit te voeren, benadert een getraind model het verband tussen atomaire configuraties, energieën en krachten. Onderzoek in de repository van MIT beschrijft hoe krachtvelden op basis van machine learning de tijd- en lengteschalen van atomistische simulaties kunnen vergroten, terwijl ze de nauwkeurigheid behouden van de referentieberekeningen waarop ze zijn getraind.

Die nauwkeurigheid blijft afhankelijk van het model en van de situaties die het heeft leren weergeven. Volgens de aankondiging van Ferveret streeft het ondersteunde onderzoek naar simulaties die de nauwkeurigheid van de dichtheidsfunctionaaltheorie benaderen. De aankondiging bevat echter geen foutentabel, gepubliceerd model of numerieke vergelijking die dat resultaat voor deze projecten aantoont.

Hoe Adaptive Phase Cooling warmte afvoert

De technologiebeschrijving van Ferveret draait om onderkoeld koken, een aanpak die is gebaseerd op onderzoek naar warmteoverdracht in kernreactoren. Door de warmte aan het oppervlak van een chip ontstaan dampbellen, terwijl de omringende vloeistof onder het kookpunt blijft. Het bedrijf zegt dat kleine bellen snel loskomen en weer condenseren in die koelere vloeistof, waardoor het contact met het hete oppervlak wordt vernieuwd.

Het verschil zit in de plek waar de damp terechtkomt. Bij de aanpak met ondergedompelde koeling en verzadigd koken waarmee Ferveret zijn systeem vergelijkt, stijgen de bellen op naar een dampkamer voordat ze condenseren. De aanpak van Ferveret is erop gericht ze plaatselijk in de vloeistof te laten condenseren. Volgens het bedrijf maakt dit werking bij een druk rond de omgevingsdruk mogelijk, evenals compacte behuizingen voor afzonderlijke servers.

Op de productpagina voor datacenters beschrijft het bedrijf een in een rack te monteren 4U-koelunit met de naam Lambert, een warmtewisselaar op maat en besturingssoftware die de bedrijfsomstandigheden aanpast. De beoogde opstelling is een koelsysteem op serverschaal dat is aangesloten op de warmteafvoerinfrastructuur van de faciliteit, en geen grote, gedeelde immersietank.

Voor AI-exploitanten is het doel om processors tijdens langdurige workloads binnen hun thermische grenzen te houden en tegelijk de overhead voor koeling te verminderen. Koelere hardware kan hogere prestaties aanhouden wanneer warmte die anders zou beperken. Hoe groot het voordeel is, hangt nog steeds af van de processors, de workload, de stroominstellingen en het koelsysteem waarmee wordt vergeleken.

Wat de prestatiecijfers van 15% en 35% werkelijk betekenen

De twee prominente cijfers in de aankondiging hebben betrekking op verschillende metingen. Ferveret meldt tot 15% meer rekenkracht op serverniveau dan bij toonaangevende koelmethoden met directe koeling van de chip, en tot 35% meer bruikbare rekenkracht wanneer verbeteringen op faciliteitsniveau worden meegerekend.

Een aankondiging van Ferveret uit maart geeft meer details over het eerste cijfer. Daarin wordt een benchmark beschreven die samen met het Intelligent Connectivity Laboratory van UCLA is uitgevoerd met NVIDIA H200-GPU’s. De resultaten wijzen op een verbetering van de rekenefficiëntie met 15%, gemeten in TFLOPs per kilowatt serververmogen. In het persbericht wordt het stroomverbruik op faciliteitsniveau, uitgedrukt als power usage effectiveness, expliciet uitgesloten van die servermeting.

Dat is nuttige context, maar het blijft een verslag van de samenwerking dat door het bedrijf zelf is verstrekt. In de bekendmaking staan geen volledig benchmarkprotocol of ruwe resultaten waarmee de vergelijking kan worden gereproduceerd. Een verbetering van 15% in de drijvendekomma-doorvoer per watt betekent bovendien niet automatisch een verbetering van 15% in de trainingstijd of de output van toepassingen.

Het hogere cijfer combineert de efficiëntie van de server met een model voor de faciliteit. In het uitgewerkte voorbeeld van Ferveret gaat de vergelijking uit van een daling van de Power Usage Effectiveness (PUE) van 1,20 naar 1,03, waarna de verbetering van 15% in serverefficiëntie wordt toegepast. De PUE is het totale stroomverbruik van de faciliteit gedeeld door het stroomverbruik van de IT-apparatuur; een lagere verhouding betekent minder overhead van de faciliteit bij een gelijk IT-verbruik.

Op basis van de genoemde invoerwaarden bedraagt de gecombineerde winst ongeveer 34%: 1,15 vermenigvuldigd met 1,20/1,03. Ferveret omschrijft het resultaat als ongeveer 35%. De berekening verklaart de omvang van de claim, maar betreft een scenario op basis van veronderstelde efficiëntiewaarden voor de faciliteit, geen gepubliceerde meting van een versnelling van 35% in MIT’s experimenten met kernmaterialen.

Waar het bewijs ophoudt en de mogelijkheden beginnen

In de aangeleverde bekendmaking zegt Jossou dat toegang tot het platform grotere modellen, snellere iteraties en doorlopende experimenten mogelijk maakt. Die observaties onderbouwen de praktische waarde van extra rekencapaciteit. Ze maken niet duidelijk hoeveel verbetering voortkwam uit de koeling, hoeveel uit de toegewezen hardware en hoeveel sneller een bepaalde wetenschappelijke taak werd uitgevoerd.

Hetzelfde onderscheid geldt voor duurzaamheid. Ferveret beschrijft een gesloten systeem dat warmte kan afvoeren via droogkoelers, zonder waterverbruik door verdamping. Dat is een claim over de configuratie van het koelsysteem. Dit moet niet worden opgevat als bewijs dat de watervoetafdruk van elektriciteitsopwekking, de productie van apparatuur of elk mogelijk ontwerp van een faciliteit daarmee verdwijnt.

In de bekendmaking staat ook dat toekomstige onderzoekspublicaties naar verwachting de bijdrage van Ferverets infrastructuur zullen vermelden. Gepubliceerde methoden en resultaten op toepassingsniveau kunnen helpen vaststellen welke invloed het platform heeft op de nauwkeurigheid van reconstructies, de schaal van simulaties, de trainingstijd en het energieverbruik per afgerond experiment.

Voorlopig is de meest solide conclusie beperkt van omvang: Ferveret levert infrastructuur voor een onderzoeksprogramma waarvan de focus op AI en kernmaterialen door MIT wordt bevestigd, terwijl de bredere efficiëntieclaims zorgvuldig moeten worden beoordeeld aan de hand van de meetgrenzen. Op langere termijn kan schaarse rekencapaciteit efficiënter worden benut: verbeteringen in warmteoverdracht kunnen zo leiden tot meer wetenschappelijk onderzoek binnen hetzelfde elektriciteitsbudget.