Pesquisadores do MIT usam a plataforma de refrigeração da Ferveret para avançar pesquisas de IA sobre materiais nucleares

A pesquisa em IA pode esbarrar em um limite físico muito antes de ficar sem ideias: a capacidade de computação que um laboratório consegue alimentar e manter resfriada. A Ferveret afirma que pesquisadores do MIT estão usando sua plataforma de computação de alto desempenho para desenvolver métodos de IA voltados ao estudo de materiais nucleares, aplicando sua tecnologia Adaptive Phase Cooling a cargas de trabalho científicas contínuas.

O anúncio de 22 de outubro relaciona dois desafios de engenharia. Pesquisadores precisam de mais capacidade computacional para compreender materiais expostos a condições extremas. Operadores de data centers precisam extrair mais trabalho útil de uma capacidade elétrica limitada. A proposta da Ferveret é que uma remoção de calor mais eficiente pode ajudar nos dois casos, sem exigir uma nova geração de processadores.

Por que a pesquisa sobre materiais nucleares precisa de mais capacidade computacional para IA

O trabalho envolve o Materials in Extreme Environments Lab do MIT, liderado por Ericmoore Jossou, professor assistente de Ciência e Engenharia Nuclear e de Engenharia Elétrica e Ciência da Computação. O perfil docente do MIT descreve pesquisas que combinam microscopia avançada e imageamento por raios X coerentes para examinar propriedades estruturais e defeitos em resolução nanométrica.

A Ferveret identifica dois projetos que usam sua plataforma. Um desenvolve abordagens de IA para analisar medições de raios X coerentes de materiais nucleares. O outro treina potenciais interatômicos de aprendizado de máquina, modelos que preveem como os átomos interagem e ajudam pesquisadores a simular o comportamento dos materiais em condições exigentes.

Há respaldo independente para a linha de pesquisa do primeiro projeto. A Expo de Pesquisa em Ciência e Engenharia Nuclear de 2026 do MIT inclui uma apresentação de DongHun Ryu intitulada “Physics-Informed Deep Generative Models for BCDI Phase Retrieval”. BCDI é a sigla de imageamento por difração coerente de Bragg, uma técnica também mencionada na descrição da pesquisa de Jossou em seu perfil docente. Isso estabelece uma conexão concreta com a pesquisa, além do anúncio da empresa de refrigeração, embora a programação do evento não avalie o hardware da Ferveret.

Os potenciais interatômicos abordam um gargalo computacional diferente. Em vez de realizar um cálculo dispendioso de estrutura eletrônica em cada etapa de uma simulação, um modelo treinado aproxima a relação entre arranjos atômicos, energias e forças. A pesquisa disponível no repositório do MIT descreve como os campos de força de aprendizado de máquina podem ampliar as escalas de tempo e de comprimento das simulações atomísticas, mantendo a precisão dos cálculos de referência usados em seu treinamento.

Essa precisão continua condicionada ao modelo e às situações que ele aprendeu a representar. O anúncio da Ferveret afirma que a pesquisa apoiada busca realizar simulações que se aproximem da precisão da teoria do funcional da densidade; não apresenta uma tabela de erros, um modelo publicado nem uma comparação numérica que comprove esse resultado nesses projetos.

Como o Adaptive Phase Cooling remove calor

A descrição da tecnologia da Ferveret é centrada na ebulição sub-resfriada, uma abordagem baseada em pesquisas sobre transferência de calor em reatores nucleares. O calor na superfície de um chip forma bolhas de vapor, mas o líquido ao redor permanece abaixo de sua temperatura de ebulição. A empresa afirma que as pequenas bolhas se desprendem rapidamente e se condensam de volta nesse líquido mais frio, renovando o contato com a superfície quente.

A diferença está no destino do vapor. Na abordagem de imersão por ebulição saturada com a qual a Ferveret faz a comparação, as bolhas sobem até um espaço de vapor antes de serem condensadas. A abordagem da empresa busca condensá-las localmente no líquido. Segundo a Ferveret, isso permite operar perto da pressão ambiente e usar compartimentos compactos que atendem a servidores individuais.

A página de produtos para data centers da empresa descreve uma unidade de refrigeração de montagem em rack, com 4U de altura, chamada Lambert, um trocador de calor personalizado e um software de controle que ajusta as condições de operação. A implantação prevista é um sistema de refrigeração na escala de um servidor, conectado à infraestrutura de remoção de calor da instalação, em vez de um grande tanque compartilhado de imersão.

Para operadores de IA, o objetivo é manter os processadores dentro dos limites térmicos durante cargas de trabalho prolongadas e, ao mesmo tempo, reduzir os custos indiretos relacionados à refrigeração. Um hardware mais frio pode manter um desempenho operacional superior quando, de outra forma, o calor seria um fator limitante. A dimensão do benefício ainda depende dos processadores, da carga de trabalho, das configurações de energia e do sistema de refrigeração usados na comparação.

O que os números de desempenho de 15% e 35% realmente significam

Os dois números em destaque no anúncio correspondem a medições diferentes. A Ferveret relata até 15% mais capacidade computacional no nível do servidor em comparação com as principais abordagens de refrigeração direta no chip, e até 35% mais capacidade computacional utilizável quando são incluídas melhorias no nível da instalação.

Um anúncio da Ferveret feito em março apresenta mais detalhes sobre o primeiro número. Ele descreve testes de desempenho realizados com o Laboratório de Conectividade Inteligente da UCLA usando GPUs NVIDIA H200 e relata uma melhoria de 15% na eficiência computacional, medida em TFLOPs por quilowatt de potência do servidor. O comunicado exclui explicitamente do indicador do servidor a eficácia do uso de energia no nível da instalação.

Esse é um contexto útil, mas continua sendo um relato da colaboração divulgado pela própria empresa. O comunicado não apresenta um protocolo de benchmark completo nem resultados brutos suficientes para reproduzir a comparação. Tampouco uma melhora de 15% na taxa de operações de ponto flutuante por watt comprova automaticamente uma melhora de 15% no tempo de treinamento ou na produção da aplicação.

O valor mais elevado combina a eficiência dos servidores com um modelo da instalação. No exemplo ilustrativo da Ferveret, a comparação parte de uma eficiência de uso de energia (PUE, na sigla em inglês) de 1,20 e chega a 1,03; em seguida, aplica a melhora de 15% na eficiência dos servidores. A PUE é a potência total da instalação dividida pela potência dos equipamentos de TI; uma proporção menor significa menos consumo adicional da instalação para uma determinada carga de TI.

Com esses valores informados, o ganho combinado é de aproximadamente 34%: 1,15 multiplicado por 1,20/1,03. A Ferveret descreve o resultado como aproximadamente 35%. O cálculo explica a magnitude da alegação, mas trata-se de um cenário baseado em eficiências presumidas da instalação, não de uma medição publicada de um aumento de 35% na velocidade dos experimentos do MIT com materiais nucleares.

Onde as evidências terminam — e a oportunidade começa

No comunicado fornecido, Jossou afirma que o acesso à plataforma permite trabalhar com modelos maiores, iterar mais rapidamente e realizar experimentos contínuos. Essas observações demonstram o valor prático do acesso a mais capacidade computacional. No entanto, elas não permitem determinar quanto da melhora se deveu ao resfriamento, quanto resultou da alocação de hardware ou quanto mais rápido foi executada uma tarefa científica específica.

A mesma distinção se aplica à sustentabilidade. A Ferveret descreve um sistema de circuito fechado que pode dissipar calor por meio de resfriadores a seco, sem consumo de água por evaporação. Essa é uma alegação sobre a configuração de resfriamento. Ela não deve ser interpretada como se eliminasse a pegada hídrica da geração de eletricidade, da produção de equipamentos ou de qualquer projeto de instalação possível.

O comunicado também afirma que se espera que futuras publicações de pesquisa reconheçam a contribuição da infraestrutura da Ferveret. Métodos publicados e resultados no nível das aplicações ajudariam a determinar como a plataforma afeta a precisão da reconstrução, a escala das simulações, o tempo de treinamento e a energia consumida por experimento concluído.

Por ora, a conclusão mais sólida é específica: a Ferveret está fornecendo infraestrutura para um programa de pesquisa cujo foco em IA e materiais nucleares é corroborado pelo MIT, enquanto suas alegações mais amplas de eficiência exigem atenção aos limites das medições. A oportunidade de longo prazo é aproveitar melhor a capacidade computacional escassa — convertendo melhorias na transferência de calor em mais trabalho científico dentro do mesmo orçamento de energia elétrica.