Argonne National Laboratory lanserer stor skala AI-inferensetjeneste for åpen vitenskap

Kappløpet om å bygge større AI-modeller har dominert overskriftene i flere år, men en av de største utfordringene i vitenskapelig regning har forblitt stort sett uløst: hvordan forskere kan faktisk bruke avanserte AI-systemer i stor skala uten å bygge sin egen kostbare infrastruktur.

Dette er problemet Argonne National Laboratory nå forsøker å løse med lanseringen av hva de beskriver som den første stor skala AI-inferensetjenesten designet spesifikt for åpen vitenskap.

Den nye tjenesten, utviklet gjennom Argonne Leadership Computing Facility (ALCF), gir forskere tilgang til store språkmodeller, vitenskapelige grunnmodeller og datavisjonssystemer som kjører direkte på Argonnes høy-ytelsesregningsinfrastruktur. I stedet for å trene sine egne modeller eller håndtere spesialiserte maskinklynger, kan vitenskapsmennene bruke en felles inferensplattform som er optimalisert for stor skala forskningsarbeidsflyter.

Hvorfor AI-inferens er viktig for vitenskap

Mye av AI-samtalen har sentrert seg rundt modelltrening, men inferens er der AI-systemer blir praktisk nyttige. AI-inferens er fasen der trenede modeller analyserer data, genererer prediksjoner, tolker resultater eller hjelper med beslutningstaking i sanntid.

For vitenskapelig forskning kan inferens dramatisk akselerere eksperimentasjonens tempo. Enorme datamengder fra partikkelakseleratorer, teleskoper, fusjonseksperimenter, genomics-prosjekter og molekylsimuleringer kan ofte overvelde tradisjonelle analysepipeliner. AI-inferenssystemer kan raskt tolke disse datamengdene, hjelpe forskere med å identifisere mønster eller unntak som ellers ville ta uker eller måneder å avdekke.

Argonnes nye tjeneste er ment å eliminere en stor flaskehals ved å gjøre avanserte inferenskapasiteter tilgjengelige som en sentral ressurs i stedet for å kreve at hver institusjon setter opp sin egen AI-stakk.

Michael Papka, direktør for ALCF, beskrev initiativet som en overgang fra å tilby ren regnekraft til å tilby integrerte AI-aktiverede vitenskapelige tjenester.

En nasjonal AI-infrastruktur for forskning

Inferensetjenesten er tett knyttet til USAs energidepartements bredere Genesis-misjon, en nasjonal initiativ som fokuserer på å akselerere vitenskapelige oppdagelser gjennom AI-drevne infrastrukturer. Misjonen har som mål å koble sammen supercomputere, vitenskapelige instrumenter og store datamengder til en samlet AI-økosystem som kan støtte neste generasjons forskning.

Argonnes system støtter allerede forskere fra flere DOE-laboratorier, inkludert Brookhaven National Laboratory, Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory og Los Alamos National Laboratory. Den bredere visjonen er å skape en sammenkoblet nasjonal forskningsplattform der AI-verktøy, eksperimentelle data og superregningsressurser kan fungere sammen sømløst.

Dette er spesielt viktig da vitenskapelig AI-arbeid stadig oftere involverer agente arbeidsflyter, der modeller gjentatte ganger samhandler med simuleringsystemer, databaser og analytiske verktøy. Disse arbeidsflytene kan generere enorme tokenforbruk og regnekostnader når de kjøres på kommersielle AI-plattformer. Argonnes infrastruktur er designet for å støtte disse arbeidsflytene internt for vitenskapelige anvendelser.

Teknologien bak plattformen

Tjenesten gir tilgang til flere modellfamilier, inkludert Googles Gemma-modeller, Metas LLaMA-familie og OpenAIs GPT-OSS-systemer, samt domenespesifikke vitenskapelige grunnmodeller og internt utviklede systemer som AuroraGPT.

AuroraGPT er spesielt merkbart fordi det representerer Argonnes bredere ambisjon om å bygge AI-systemer trenet spesifikt på vitenskapelig litteratur, datamengder og multimodale forskningsinndata. Prosjektet har utforsket ekstremt store skala-arkitekturer optimalisert for vitenskapelig resonnering og høy-ytelsesregningsmiljøer.

Infrastrukturen selv kjører på dedikerte ALCF-systemer, inkludert Sophia og Metis, med fremtidige utvidelser planlagt til NVIDIA-drevne systemer med navn Tara og Minerva.

Ut over chatboter: Virkelige vitenskapelige anvendelser

Mens offentlig AI-diskusjon ofte dreier seg rundt konversasjonsassistenter, er Argonnes fokus fast på forskningsakselerasjon.

I fusjonsenergiforskning kan inferensmodeller overvåke plasma-atferd i sanntid og potensielt forutsi forstyrrelser før de skjer. I astronomi og partikkelfysikk kan AI-systemer analysere enorme strømmer av teleskop- eller kollisjonsdata for å identifisere sjeldne hendelser mer effektivt. I kjemi og materialvitenskap kan inferenssystemer koordinere komplekse molekylsimuleringer og automatisere stor skala regnearbeidsflyter.

Ett eksempel som Argonne har fremhevet er ChemGraph, et AI-drevet rammeverk designet for å forenkle molekylsimuleringsarbeidsflyter. Systemet bruker gjentatte AI-verktøyinteraksjoner for å koordinere simuleringer, dataanalyse og iterative eksperimenter i en mer sammenhengende arbeidsflyt.

Den bredere implikasjonen er at vitenskapelig regning utvikler seg fra isolerte superregningsjobber til kontinuerlig interaktive AI-assisterte forskningsmiljøer.

Argonnes voksende rolle i AI-infrastruktur

Grunnlagt i 1946, har Argonne National Laboratory lenge vært ett av USAs viktigste vitenskapelige forskningsinstitusjoner, spesielt innen høy-ytelsesregning, energisystemer, materialvitenskap og kjernefysisk forskning. Laboratoriet opererer under USAs energidepartement og har spilt en sentral rolle i flere generasjoner av amerikanske superregningsinitiativer.

I de senere årene har Argonne blitt stadig mer innflytelsesrik i AI-for-vitenskap-utvikling gjennom prosjekter knyttet til eksaskala-regning og store vitenskapelige grunnmodeller. ALCF selv huset noen av nasjonens mest avanserte regnesystemer, inkludert Aurora, ett av verdens raskeste supercomputere.

Lanseringen av inferensetjenesten reflekterer en større overgang som skjer over både akademiske og bedriftsregning: fra å fokusere på enkeltstående AI-modeller til å fokusere på integrerte AI-infrastrukturplattformer som kan støtte kontinuerlige, stor skala resonansarbeidsflyter.

For vitenskapelig forskning kunne denne overgangen potensielt komprimere tidsrammen mellom rådata-generering og meningsfull oppdagelse.