Naukowcy z MIT wykorzystują platformę chłodzenia Ferveret, aby rozwijać badania nad materiałami jądrowymi z użyciem sztucznej inteligencji

Badania nad sztuczną inteligencją mogą napotkać ograniczenia fizyczne na długo przed wyczerpaniem się pomysłów: laboratorium może zasilić i chłodzić tylko określoną moc obliczeniową. Ferveret informuje, że naukowcy z MIT korzystają z jej platformy obliczeniowej wysokiej wydajności, aby opracowywać metody sztucznej inteligencji do badania materiałów jądrowych, wykorzystując technologię Adaptive Phase Cooling w długotrwałych obciążeniach naukowych.

Ogłoszenie z 22 października łączy dwa wyzwania inżynieryjne. Naukowcy potrzebują większej mocy obliczeniowej, aby zrozumieć materiały wystawione na ekstremalne warunki. Operatorzy centrów danych muszą uzyskać więcej użytecznej mocy obliczeniowej z ograniczonej dostępnej mocy elektrycznej. Ferveret twierdzi, że skuteczniejsze odprowadzanie ciepła może pomóc w obu przypadkach bez konieczności stosowania nowej generacji procesorów.

Dlaczego badania nad materiałami jądrowymi wymagają większej mocy obliczeniowej AI

Badania prowadzi Materials in Extreme Environments Lab na MIT, kierowane przez Ericmoore’a Jossou, adiunkta w Katedrze Nauki i Inżynierii Jądrowej oraz Katedrze Elektrotechniki i Informatyki. Profil kadry MIT opisuje badania łączące zaawansowaną mikroskopię i koherentne obrazowanie rentgenowskie, aby analizować właściwości strukturalne i defekty z rozdzielczością w skali nanometrowej.

Ferveret wskazuje dwa projekty wykorzystujące jej platformę. W ramach pierwszego opracowywane są metody sztucznej inteligencji do analizy koherentnych pomiarów rentgenowskich materiałów jądrowych. Drugi projekt obejmuje trenowanie międzyatomowych potencjałów uczenia maszynowego, czyli modeli przewidujących oddziaływania między atomami i pomagających naukowcom symulować zachowanie materiałów w wymagających warunkach.

Kierunek badań pierwszego projektu znajduje niezależne potwierdzenie. W programie MIT Nuclear Science and Engineering Research Expo 2026 wymieniono prezentację DongHun Ryu zatytułowaną „Głębokie modele generatywne oparte na prawach fizyki do odtwarzania fazy BCDI”. BCDI to skrót od obrazowania koherentnej dyfrakcji Bragga — techniki wymienionej również w opisie badań Jossou na stronie jego wydziału. Stanowi to konkretny związek z badaniami wykraczający poza ogłoszenie firmy zajmującej się chłodzeniem, choć opis wydarzenia nie zawiera oceny sprzętu Ferveret.

Potencjały międzyatomowe pomagają rozwiązać inne wąskie gardło obliczeniowe. Zamiast wykonywać kosztowne obliczenia struktury elektronowej na każdym etapie symulacji, wytrenowany model przybliża zależność między układami atomów, energiami i siłami. Badania dostępne w repozytorium MIT opisują, jak pola siłowe oparte na uczeniu maszynowym mogą rozszerzyć zakresy czasowe i przestrzenne symulacji atomistycznych, zachowując jednocześnie dokładność obliczeń referencyjnych, na których je wytrenowano.

Dokładność ta zależy jednak od modelu i sytuacji, które nauczył się on odwzorowywać. W ogłoszeniu Ferveret podano, że wspierane badania mają na celu uzyskanie symulacji z dokładnością zbliżoną do teorii funkcjonału gęstości; nie przedstawiono w nim tabeli błędów, opublikowanego modelu ani porównania liczbowego potwierdzającego taki wynik w przypadku tych projektów.

Jak Adaptive Phase Cooling odprowadza ciepło

Opis technologii Ferveret koncentruje się na wrzeniu podchłodzonym — metodzie inspirowanej badaniami nad przekazywaniem ciepła w reaktorach jądrowych. Ciepło na powierzchni układu scalonego powoduje powstawanie pęcherzyków pary, ale otaczająca go ciecz pozostaje chłodniejsza od temperatury wrzenia. Firma twierdzi, że niewielkie pęcherzyki szybko odrywają się od powierzchni i skraplają w tej chłodniejszej cieczy, która ponownie styka się z gorącą powierzchnią.

Różnica polega na tym, dokąd trafia para. W porównywanej przez Ferveret metodzie chłodzenia zanurzeniowego z wrzeniem nasyconym pęcherzyki unoszą się do przestrzeni parowej, gdzie następnie ulegają skropleniu. W metodzie Ferveret mają skraplać się lokalnie, w cieczy. Firma twierdzi, że umożliwia to pracę przy ciśnieniu zbliżonym do atmosferycznego oraz stosowanie kompaktowych obudów obsługujących pojedyncze serwery.

Na stronie produktu do centrów danych opisano montowaną w szafie rackowej jednostkę chłodzącą 4U o nazwie Lambert, niestandardowy wymiennik ciepła oraz oprogramowanie sterujące, które dostosowuje warunki pracy. Planowane wdrożenie obejmuje system chłodzenia wielkości serwera, podłączony do infrastruktury odprowadzania ciepła w obiekcie, a nie duży, wspólny zbiornik zanurzeniowy.

Operatorzy systemów AI chcą utrzymywać procesory w granicach temperatury roboczej podczas długotrwałych obciążeń, ograniczając jednocześnie koszty pośrednie związane z chłodzeniem. Gdy ciepło w przeciwnym razie ograniczałoby wydajność, chłodniejszy sprzęt może utrzymywać wyższą wydajność operacyjną. Skala korzyści nadal zależy od procesorów, obciążenia, ustawień zasilania i systemu chłodzenia użytego do porównania.

Co naprawdę oznaczają wskaźniki wydajności 15% i 35%

Dwa główne wskaźniki podane w ogłoszeniu dotyczą różnych pomiarów. Ferveret informuje o wzroście mocy obliczeniowej na poziomie serwera o maksymalnie 15% w porównaniu z wiodącymi metodami chłodzenia bezpośrednio układu, a także o wzroście użytecznej mocy obliczeniowej o maksymalnie 35% po uwzględnieniu usprawnień na poziomie obiektu.

Marcowe ogłoszenie Ferveret zawiera więcej szczegółów na temat pierwszego wskaźnika. Opisano w nim testy porównawcze przeprowadzone we współpracy z Intelligent Connectivity Laboratory na UCLA z użyciem procesorów graficznych NVIDIA H200. Według podanych wyników wydajność obliczeniowa, mierzona w TFLOP na kilowat mocy serwera, wzrosła o 15%. W komunikacie wyraźnie zaznaczono, że ten wskaźnik dla serwera nie uwzględnia efektywności wykorzystania energii na poziomie obiektu.

To przydatny kontekst, ale nadal jest to relacja z przebiegu współpracy przedstawiona przez samą firmę. Komunikat nie zawiera pełnego protokołu testów porównawczych ani surowych wyników wystarczających do odtworzenia porównania. Poprawa o 15% przepustowości obliczeń zmiennoprzecinkowych na wat nie oznacza też automatycznie poprawy o 15% czasu trenowania ani wydajności aplikacji.

Wyższa wartość łączy efektywność serwerów z modelem działania całego obiektu. W przykładzie obliczeniowym Ferveret porównanie zakłada zmianę wskaźnika efektywności wykorzystania energii (PUE) z 1,20 na 1,03, a następnie uwzględnia poprawę efektywności serwerów o 15%. PUE to stosunek całkowitego zużycia energii w obiekcie do zużycia energii przez sprzęt IT; niższy wskaźnik oznacza mniejsze straty energii w obiekcie przy takim samym obciążeniu IT.

Przy podanych założeniach łączna poprawa wynosi około 34%: 1,15 pomnożone przez 1,20/1,03. Ferveret określa ten wynik jako około 35%. Obliczenia wyjaśniają skalę tej deklaracji, ale jest to scenariusz oparty na założonej efektywności obiektu, a nie opublikowany pomiar 35-procentowego przyspieszenia eksperymentów MIT dotyczących materiałów jądrowych.

Gdzie kończą się dowody, a zaczyna szansa

W udostępnionym komunikacie Jossou mówi, że dostęp do platformy umożliwia korzystanie z większych modeli, szybsze powtarzanie eksperymentów i prowadzenie ich w trybie ciągłym. Obserwacje te potwierdzają praktyczną wartość dostępu do dodatkowej mocy obliczeniowej. Nie pozwalają jednak ustalić, jaka część poprawy wynikała z chłodzenia, jaka z przydzielonego sprzętu ani o ile szybciej wykonano konkretne zadanie naukowe.

To samo rozróżnienie dotyczy zrównoważonego rozwoju. Ferveret opisuje układ zamkniętego obiegu, który może odprowadzać ciepło za pomocą chłodnic suchych, bez zużycia wody na potrzeby chłodzenia wyparnego. Jest to deklaracja dotycząca konfiguracji układu chłodzenia. Nie należy z niej wnioskować, że wyeliminowano zużycie wody związane z wytwarzaniem energii elektrycznej, produkcją sprzętu lub każdym możliwym projektem obiektu.

W komunikacie podano również, że oczekuje się, iż przyszłe publikacje naukowe będą uwzględniać wkład Ferveret w zapewnienie infrastruktury. Opublikowane opisy metod i wyniki na poziomie zastosowań pomogłyby ustalić, jak platforma wpływa na dokładność rekonstrukcji, skalę symulacji, czas trenowania i zużycie energii na jeden zakończony eksperyment.

Na razie najpewniejszy wniosek jest ograniczony: Ferveret zapewnia infrastrukturę programowi badawczemu poświęconemu AI i materiałom jądrowym, co potwierdza MIT, natomiast szersze deklaracje dotyczące efektywności wymagają uwzględnienia granic pomiaru. Długofalowa szansa polega na lepszym wykorzystaniu ograniczonych zasobów obliczeniowych — tak aby dzięki poprawie transferu ciepła można było prowadzić więcej badań naukowych przy tym samym budżecie energii elektrycznej.