MIT-forskere bruker Ferverets kjøleplattform til å fremme KI-forskning på kjernefysiske materialer

KI-forskning kan støte på en fysisk begrensning lenge før ideene tar slutt: hvor mye datakraft et laboratorium kan drive og holde kjølig. Ferveret sier at forskere ved MIT bruker selskapets plattform for høyytelsesdatabehandling til å utvikle KI-metoder for å studere kjernefysiske materialer, og tar dermed teknologien Adaptive Phase Cooling i bruk til vitenskapelige arbeidsbelastninger over lengre tid.

Kunngjøringen 22. oktober knytter sammen to tekniske utfordringer. Forskere trenger større beregningskapasitet for å forstå materialer som utsettes for ekstreme forhold. Datasenteroperatører må få mer nyttig arbeid ut av begrenset elektrisk kapasitet. Ferverets påstand er at bedre varmeavledning kan hjelpe begge parter, uten at det kreves en ny generasjon prosessorer.

Derfor trenger forskning på kjernefysiske materialer mer KI-datakraft

Arbeidet foregår ved MITs Materials in Extreme Environments Lab, som ledes av Ericmoore Jossou, førsteamanuensis i kjernekraftvitenskap og -teknikk samt elektroteknikk og informatikk. MITs profilside for vitenskapelig ansatte beskriver forskning som kombinerer avansert mikroskopi og koherent røntgenavbildning for å undersøke strukturelle egenskaper og defekter med nanometers oppløsning.

Ferveret viser til to prosjekter som bruker plattformen. Det ene utvikler KI-metoder for å analysere koherente røntgenmålinger av kjernefysiske materialer. Det andre trener opp interatomære maskinlæringspotensialer, altså modeller som forutsier hvordan atomer påvirker hverandre, og hjelper forskere med å simulere materialers oppførsel under krevende forhold.

Det finnes uavhengig støtte for forskningsretningen i det første prosjektet. MITs forskningsutstilling i kjernekraftvitenskap og -teknikk i 2026 oppgir en presentasjon av DongHun Ryu med tittelen «Fysikkbaserte dype generative modeller for fasegjenfinning med BCDI». BCDI står for Bragg coherent diffraction imaging, en teknikk som også nevnes i Jossous forskningsbeskrivelse på profilen hans. Dette viser en konkret forskningsmessig sammenheng utover kjøleselskapets kunngjøring, selv om programoppføringen ikke vurderer Ferverets maskinvare.

Interatomære potensialer løser en annen beregningsmessig flaskehals. I stedet for å utføre en kostbar beregning av elektronisk struktur på hvert trinn i en simulering, tilnærmer en trent modell forholdet mellom atomkonfigurasjoner, energi og krefter. Forskning publisert i MITs institusjonelle arkiv beskriver hvordan kraftfelt basert på maskinlæring kan utvide tids- og lengdeskalaene for atomistiske simuleringer, samtidig som de beholder nøyaktigheten til referanseberegningene de er trent på.

Denne nøyaktigheten avhenger fortsatt av modellen og hvilke situasjoner den har lært å representere. I kunngjøringen sier Ferveret at forskningen som støttes, har som mål å oppnå simuleringsnøyaktighet som nærmer seg tetthetsfunksjonalteoriens. Kunngjøringen inneholder imidlertid ingen feiltabell, publisert modell eller numerisk sammenligning som dokumenterer dette resultatet for prosjektene.

Slik leder Adaptive Phase Cooling bort varme

Ferverets beskrivelse av teknologien tar utgangspunkt i underkjølt koking, en metode inspirert av forskning på varmeoverføring i kjernereaktorer. Varme ved overflaten på en brikke danner dampbobler, mens væsken rundt holder seg under kokepunktet. Selskapet sier at små bobler raskt løsner og kondenserer tilbake til den kjøligere væsken, slik at kontakten med den varme overflaten fornyes.

Forskjellen ligger i hvor dampen føres. I metoden med nedsenking og mettet koking, som Ferveret sammenligner med, stiger boblene opp i et damprom før de kondenseres. Ferverets metode tar sikte på å kondensere dem lokalt i væsken. Ifølge selskapet gjør dette det mulig å drive systemet nær omgivelsestrykk og bruke kompakte kabinetter for enkeltservere.

På produktsiden for datasentre beskriver selskapet en rackmontert kjøleenhet på 4U kalt Lambert, en spesialbygd varmeveksler og kontrollprogramvare som justerer driftsforholdene. Løsningen er ment å brukes som et kjølesystem for servere, koblet til anleggets infrastruktur for varmeavledning, i stedet for en stor, felles nedsenkningstank.

For KI-operatører er hensikten å holde prosessorene innenfor de termiske grensene under langvarige arbeidsbelastninger og samtidig redusere kjølerelaterte driftskostnader. Kjøligere maskinvare kan opprettholde høyere ytelse når varme ellers ville begrenset den. Hvor stor gevinsten blir, avhenger fortsatt av prosessorene, arbeidsbelastningen, effektinnstillingene og kjølesystemet som brukes i sammenligningen.

Hva ytelsestallene på 15 % og 35 % faktisk betyr

De to hovedtallene i kunngjøringen viser til ulike målinger. Ferveret rapporterer opptil 15 % mer datakraft på servernivå sammenlignet med ledende metoder for direkte kjøling av brikker, og opptil 35 % mer brukbar datakraft når forbedringer på anleggsnivå tas med.

En kunngjøring fra Ferveret i mars gir flere detaljer om det første tallet. Den beskriver en referansetest utført sammen med UCLA’s Intelligent Connectivity Laboratory med NVIDIA H200-GPU-er, der det ble rapportert en forbedring på 15 % i beregningseffektivitet, målt i TFLOP per kilowatt servereffekt. I pressemeldingen står det uttrykkelig at effektivitetsmålet for serveren ikke omfatter strømforbruk på anleggsnivå.

Dette er nyttig bakgrunnsinformasjon, men det er fortsatt selskapets egen fremstilling av samarbeidet. Kunngjøringen inneholder verken en fullstendig testprotokoll eller rådata som er tilstrekkelige til å gjenskape sammenligningen. En forbedring på 15 % i flyttallsytelse per watt innebærer heller ikke automatisk en forbedring på 15 % i treningstid eller applikasjonsytelse.

Det høyere tallet kombinerer servereffektivitet med en modell for anlegget. I Ferverets regneeksempel går sammenligningen fra en energieffektivitetsfaktor, eller PUE, på 1,20 til 1,03, før forbedringen på 15 % i servereffektivitet legges til. PUE er den totale effekten anlegget bruker, delt på effekten IT-utstyret bruker. Et lavere forholdstall betyr mindre energibruk til anlegget for en gitt IT-belastning.

Med de oppgitte inngangsverdiene er den samlede gevinsten omtrent 34 %: 1,15 multiplisert med 1,20/1,03. Ferveret omtaler resultatet som omtrent 35 %. Regnestykket viser størrelsesordenen på påstanden, men dette er et scenario basert på antatte effektivitetsnivåer for anlegget, ikke en publisert måling av 35 % raskere gjennomføring av MITs eksperimenter med kjernefysiske materialer.

Her slutter dokumentasjonen – og mulighetene begynner

I kunngjøringen som er lagt fram, sier Jossou at tilgang til plattformen gjør det mulig å bruke større modeller, gjennomføre raskere iterasjoner og utføre kontinuerlige eksperimenter. Disse observasjonene underbygger den praktiske verdien av økt tilgang til datakraft. De viser imidlertid ikke hvor stor del av forbedringen som skyldtes kjøling, hvor mye som skyldtes maskinvareressursene som ble tildelt, eller hvor mye raskere en bestemt vitenskapelig oppgave ble utført.

Det samme skillet gjelder bærekraft. Ferveret beskriver et lukket system som kan lede bort varme ved hjelp av tørrkjølere uten forbruk av vann gjennom fordamping. Dette er en påstand om kjøleløsningen. Den bør ikke tolkes som at vannfotavtrykket fra kraftproduksjon, utstyrsproduksjon eller alle mulige utforminger av anlegg dermed elimineres.

Kunngjøringen sier også at framtidige forskningspublikasjoner forventes å anerkjenne Ferverets bidrag med infrastrukturen. Publiserte metoder og resultater på applikasjonsnivå vil bidra til å fastslå hvordan plattformen påvirker rekonstruksjonsnøyaktighet, simuleringsomfang, treningstid og energibruk per fullførte eksperiment.

Foreløpig er den mest holdbare konklusjonen avgrenset: Ferveret leverer infrastruktur til et forskningsprogram med fokus på KI og kjernefysiske materialer, noe MIT bekrefter, mens selskapets bredere effektivitetskrav må vurderes ut fra hva som faktisk er målt. På lengre sikt er muligheten å få mer ut av den knappe datakapasiteten – ved å omsette forbedringer i varmeoverføring til mer vitenskapelig arbeid innenfor det samme elektrisitetsbudsjettet.