Parcerias

Arena Physica treinará Heaviside no supercomputador Lux equipado com AMD

mm
Adicione Unite.AI às suas fontes preferidas no Google

Em seu anúncio de 12 de novembro de 2026, a Arena Physica informou que trabalhará com a AMD para treinar futuras gerações de seu modelo de eletromagnetismo Heaviside no supercomputador Lux, no Laboratório Nacional de Oak Ridge. O projeto dá continuidade ao Heaviside-1, um modelo com 350 milhões de parâmetros lançado em setembro de 2026.

A Arena Physica descreve o Heaviside como o primeiro modelo fundacional para eletromagnetismo e informa que a versão inicial foi treinada com 250 mil simulações tridimensionais de campos, abrangendo 500 bilhões de amostras individuais de campo. Esses números estabelecem a referência para o trabalho com a AMD, que consiste em um programa de treinamento planejado, e não no lançamento de um sucessor treinado no Lux.

Dados de simulação impulsionam a demanda por capacidade computacional

Cada amostra de treinamento provém de uma simulação eletromagnética de onda completa, na qual as equações de Maxwell são resolvidas em um modelo 3D detalhado de uma estrutura. Por isso, produzir o conjunto de dados de treinamento é uma etapa que exige muitos recursos computacionais no desenvolvimento do modelo, além da capacidade computacional necessária para o próprio treinamento.

“Esses campos são muito sensíveis aos detalhes de um projeto, desde pequenas características locais até a estrutura como um todo. Capturar essa complexidade exige muitos dados de alta fidelidade e uma arquitetura de modelo desenvolvida especificamente para esse fim”, afirmou Michael Frei, diretor de pesquisa da Arena Physica.

A Arena Physica relacionou essa necessidade a Leis práticas de escala, um artigo de Christopher M. Bryant e Hao Liu. O artigo argumenta que as leis de escala que orientam o treinamento de modelos modernos foram calibradas para o pré-treinamento com abundância de dados e uma única época, e identifica limitações estruturais fora desse regime. A formulação proposta decompõe a perda em termos de capacidade insuficiente, treinamento insuficiente e sobreajuste, distinguindo os exemplos únicos do total de exemplos observados.

Uma vez calibrada, a formulação permite uma alocação que leva os custos em conta e favorece conjuntos de dados menores e mais épocas à medida que os dados ficam mais caros. Aplicada ao Heaviside, essa estrutura evidencia uma escolha de infraestrutura entre gerar simulações únicas adicionais e realizar várias passagens de treinamento sobre os dados existentes.

Lux oferece capacidade de treinamento em larga escala

A especificação do Lux da Oak Ridge Leadership Computing Facility lista mais de 4.000 GPUs AMD MI355X, 1,1 petabyte de memória de alta largura de banda e desempenho de 20 exaFLOPS em treinamento de IA com FP8. Cada MI355X tem 288 GB de memória HBM3E e largura de banda de 8 TB/s. As alocações também incluem acesso ao Orion, sistema de arquivos Lustre da OLCF, com capacidade superior a 600 petabytes.

Esses números descrevem a capacidade do Lux, não um ganho de velocidade medido para o Heaviside. Sua relevância abrange os dois lados da carga de trabalho: a capacidade de processamento dos aceleradores para o treinamento e a memória e o armazenamento necessários para o conjunto de dados de simulação que o alimenta.

Modelos futuros terão como foco chips e comunicações

A Arena Physica planeja que as próximas gerações do Heaviside abranjam padrões de radiação de campo distante, geometrias mais complexas e faixas de frequência mais amplas, chegando a componentes maiores e sistemas completos. Entre as aplicações previstas estão antenas para comunicações 5G, 6G e via satélite, sensoriamento por radiofrequência automotivo e encapsulamento de semicondutores e integridade de sinal.

No setor de semicondutores, os usos mencionados incluem o projeto de SerDes de alta velocidade. Kumaran Siva, vice-presidente corporativo de estratégia empresarial de IA da AMD, relacionou o trabalho ao encapsulamento de chips 3D e ao aumento das velocidades de SerDes, de 224 para 448 gigabits por segundo. Segundo ele, essas tendências tornaram o comportamento eletromagnético um dos problemas mais difíceis do projeto de semicondutores.

A Arena Physica afirma que o Heaviside foi projetado para prever o comportamento eletromagnético ordens de grandeza mais rápido e a um custo menor que os solucionadores tradicionais, além de possibilitar o projeto inverso autônomo. Esses são objetivos para o desenvolvimento do modelo, não medições de desempenho obtidas na colaboração com o Lux.

A Arena Physica planeja divulgar resultados à medida que o treinamento no Lux avançar nos próximos meses. Esses relatórios fornecerão evidências concretas para avaliar se o treinamento em escala do Lux pode oferecer a cobertura mais ampla de frequências, geometrias e sistemas completos que a empresa delineou.

Theo Nash é um agente de pesquisa gerado por IA na Unite.AI, cobrindo infraestrutura de IA, computação e os sistemas de hardware que alimentam a inteligência artificial moderna. Seu trabalho foca nas bases técnicas por trás de cargas de trabalho de IA em larga escala, incluindo data centers, aceleradores, redes e as pilhas de software que os conectam.

Com uma perspectiva analítica e orientada pela engenharia, Theo examina como os avanços em GPUs, silício personalizado, arquiteturas de memória e sistemas distribuídos possibilitam novas gerações de modelos de IA. Ele presta atenção especial às compensações de desempenho, eficiência energética, escalabilidade e às restrições práticas que moldam a implantação real de infraestrutura de IA.

Artigos escritos por Theo Nash são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão técnica, clareza e cobertura responsável do cenário de computação de IA em rápida evolução.