Исследователи MIT используют платформу охлаждения Ferveret для развития исследований ядерных материалов с помощью ИИ

Исследования в области ИИ могут столкнуться с физическими ограничениями задолго до того, как иссякнут идеи: всё зависит от того, сколько вычислительных мощностей лаборатория может обеспечить электроэнергией и поддерживать в охлаждённом состоянии. Ferveret сообщает, что исследователи MIT используют её высокопроизводительную вычислительную платформу для разработки методов ИИ, позволяющих изучать ядерные материалы, и применяют технологию адаптивного фазового охлаждения для длительных научных вычислений.

В объявлении от 22 октября речь идёт о двух инженерных задачах. Исследователям нужны дополнительные вычислительные мощности, чтобы изучать материалы, подвергающиеся экстремальным условиям. Операторам центров обработки данных необходимо получать больше полезных вычислений при ограниченных возможностях электроснабжения. Ferveret утверждает, что более эффективный отвод тепла может помочь решить обе задачи без необходимости создавать новое поколение процессоров.

Почему для исследований ядерных материалов нужны дополнительные вычислительные мощности для ИИ

В работе участвует лаборатория MIT Materials in Extreme Environments Lab, которой руководит Эрикмур Джоссу, доцент кафедры ядерной науки и инженерии, а также кафедры электротехники и информатики. В профиле преподавателя MIT говорится, что исследования объединяют передовую микроскопию и когерентную рентгеновскую визуализацию, чтобы изучать структурные свойства и дефекты с нанометровым разрешением.

Ferveret называет два проекта, использующих её платформу. В одном разрабатывают методы ИИ для анализа когерентных рентгеновских измерений ядерных материалов. В другом обучают межатомные потенциалы машинного обучения — модели, предсказывающие взаимодействие атомов и помогающие исследователям моделировать поведение материалов в сложных условиях.

Направление исследований первого проекта подтверждается независимым источником. В программе Выставки исследовательских работ 2026 года факультета ядерной науки и инженерии MIT указана презентация Донгхуна Рю под названием «Глубокие генеративные модели с учётом физических законов для восстановления фазы в BCDI». BCDI — это брэгговская когерентная дифракционная визуализация, также упоминаемая в описании исследований Джоссу в его профиле преподавателя. Это подтверждает конкретную связь с исследованиями, выходящую за рамки объявления компании, занимающейся охлаждением, хотя в программе мероприятия оборудование Ferveret не оценивается.

Межатомные потенциалы помогают устранить другое вычислительное ограничение. Вместо того чтобы на каждом этапе моделирования выполнять затратный расчёт электронной структуры, обученная модель приближённо описывает взаимосвязь между конфигурациями атомов, энергиями и силами. В исследовании, размещённом в репозитории MIT, описано, как силовые поля машинного обучения позволяют расширить временные и пространственные масштабы атомистического моделирования, сохраняя точность эталонных расчётов, на которых они обучены.

При этом точность зависит от модели и от того, какие ситуации она научилась описывать. В объявлении Ferveret говорится, что поддерживаемые исследования нацелены на моделирование, точность которого приближается к точности теории функционала плотности; однако в нём нет таблицы ошибок, опубликованной модели или численного сравнения, подтверждающего такой результат для этих проектов.

Как адаптивное фазовое охлаждение отводит тепло

Описание технологии Ferveret посвящено кипению при переохлаждении — подходу, основанному на исследованиях теплообмена в ядерных реакторах. Тепло на поверхности чипа образует пузырьки пара, но окружающая жидкость остаётся холоднее температуры кипения. По словам компании, небольшие пузырьки быстро отделяются и конденсируются обратно в более холодной жидкости, благодаря чему контакт жидкости с горячей поверхностью постоянно обновляется.

Разница заключается в том, куда попадает пар. При используемом для сравнения подходе с погружением в жидкость, доведённую до насыщенного кипения, пузырьки поднимаются в пространство, заполненное паром, где затем конденсируются. В подходе Ferveret их стараются конденсировать непосредственно в жидкости. По словам компании, это позволяет работать при давлении, близком к атмосферному, и использовать компактные корпуса для отдельных серверов.

На странице продукта для центров обработки данных описаны устанавливаемый в стойку охлаждающий блок формата 4U под названием Lambert, специальный теплообменник и программное обеспечение для регулировки рабочих параметров. Предполагается использовать систему охлаждения серверного масштаба, подключённую к инфраструктуре отвода тепла объекта, а не большой общий резервуар для погружного охлаждения.

Для операторов ИИ задача состоит в том, чтобы поддерживать температуру процессоров в допустимых пределах при длительных нагрузках и одновременно снижать накладные расходы на охлаждение. Если тепло в противном случае ограничивало бы производительность, более холодное оборудование может дольше сохранять высокую рабочую производительность. Размер выигрыша по-прежнему зависит от используемых процессоров, рабочей нагрузки, настроек энергопотребления и системы охлаждения, с которой проводится сравнение.

Что на самом деле означают показатели производительности 15% и 35%

Два основных показателя в объявлении отражают разные измерения. Ferveret сообщает о приросте вычислительной мощности на уровне сервера до 15% по сравнению с ведущими системами охлаждения непосредственно чипа, а с учётом усовершенствований на уровне объекта — об увеличении доступной вычислительной мощности до 35%.

В мартовском объявлении Ferveret подробнее раскрывается первый показатель. Компания описывает сравнительное тестирование, проведённое совместно с Лабораторией интеллектуальной связности Калифорнийского университета в Лос-Анджелесе на графических процессорах NVIDIA H200: сообщается о повышении вычислительной эффективности на 15%, измеренной в TFLOPs на киловатт серверной мощности. В пресс-релизе прямо указано, что этот серверный показатель не учитывает эффективность использования электроэнергии на уровне объекта.

Это полезный контекст, однако речь по-прежнему идет о версии сотрудничества, изложенной самой компанией. В пресс-релизе нет полного протокола тестирования или исходных результатов, достаточных для воспроизведения сравнения. Кроме того, повышение производительности операций с плавающей запятой на ватт на 15% само по себе не доказывает, что время обучения сократилось на 15% или что приложения стали выдавать на 15% больше результатов.

Более высокая оценка объединяет эффективность серверов с моделью энергопотребления всего объекта. В примере с расчетами Ferveret сравниваются значения коэффициента энергоэффективности инфраструктуры (PUE) 1,20 и 1,03, после чего учитывается повышение эффективности серверов на 15%. PUE — это отношение общего энергопотребления объекта к энергопотреблению ИТ-оборудования; чем ниже этот показатель, тем меньше накладные расходы на инфраструктуру при той же нагрузке на ИТ-оборудование.

При указанных исходных значениях совокупный прирост составляет примерно 34%: 1,15, умноженное на 1,20/1,03. Ferveret описывает результат как прирост примерно на 35%. Расчет показывает, откуда берется эта оценка, однако это сценарий, основанный на предполагаемой эффективности инфраструктуры, а не опубликованный замер ускорения на 35% в экспериментах MIT с ядерными материалами.

Где заканчиваются доказательства и начинаются возможности

В предоставленном пресс-релизе Джоссу говорит, что доступ к платформе позволяет работать с более крупными моделями, быстрее проводить итерации и выполнять эксперименты непрерывно. Эти наблюдения подтверждают практическую ценность доступа к дополнительным вычислительным ресурсам. Однако они не позволяют определить, какая доля улучшений связана с охлаждением, какая — с выделенными аппаратными ресурсами и насколько быстрее выполнялась конкретная научная задача.

То же различие важно и при оценке экологической устойчивости. Ferveret описывает замкнутую систему, которая отводит тепло с помощью сухих охладителей без испарительного расхода воды. Это утверждение касается конфигурации системы охлаждения. Его не следует понимать как доказательство того, что такая система устраняет водный след производства электроэнергии и оборудования или возможный водный след любой другой конструкции инфраструктуры.

В пресс-релизе также говорится, что в будущих научных публикациях, как ожидается, будет отмечен вклад Ferveret в инфраструктуру. Публикации с описанием методов и результатов на уровне приложений помогли бы установить, как платформа влияет на точность реконструкции, масштаб моделирования, время обучения и энергозатраты на один завершенный эксперимент.

Пока можно сделать лишь узкий вывод: Ferveret предоставляет инфраструктуру для исследовательской программы, направленной на применение ИИ и изучение ядерных материалов, что подтверждается данными MIT; при этом более широкие заявления об эффективности требуют внимательного отношения к границам измерений. В долгосрочной перспективе эта инфраструктура может помочь эффективнее использовать дефицитные вычислительные ресурсы — благодаря улучшению теплопередачи выполнять больше научных задач при том же лимите электроэнергии.