MIT-forskare använder Ferverets kylplattform för att utveckla AI-forskning om kärnmaterial

AI-forskning kan stöta på en fysisk begränsning långt innan idéerna tar slut: hur mycket datorkraft ett laboratorium kan driva och kyla. Ferveret uppger att forskare vid MIT använder företagets högpresterande datorplattform för att utveckla AI-metoder för studier av kärnmaterial och därmed använder Adaptive Phase Cooling-tekniken för långvariga vetenskapliga beräkningar.

Tillkännagivandet den 22 oktober knyter samman två tekniska utmaningar. Forskare behöver större beräkningskapacitet för att förstå material som utsätts för extrema förhållanden. Datacenteroperatörer behöver få ut mer användbart arbete ur en begränsad elektrisk kapacitet. Ferverets tes är att bättre värmeavledning kan hjälpa båda, utan att det krävs en ny processor­generation.

Därför behöver forskning om kärnmaterial mer AI-beräkningskraft

Arbetet bedrivs vid MIT:s laboratorium för material i extrema miljöer, som leds av Ericmoore Jossou, biträdande professor i kärnvetenskap och kärnteknik samt elektroteknik och datavetenskap. MIT:s fakultetsprofil beskriver forskning där avancerad mikroskopi kombineras med koherent röntgenavbildning för att undersöka strukturella egenskaper och defekter med nanometerskärpa.

Ferveret pekar ut två projekt som använder företagets plattform. Det ena utvecklar AI-metoder för att analysera koherenta röntgenmätningar av kärnmaterial. Det andra tränar maskininlärningsbaserade interatomära potentialer, det vill säga modeller som förutsäger hur atomer växelverkar och hjälper forskare att simulera materialens beteende under krävande förhållanden.

Det finns oberoende stöd för forskningsinriktningen i det första projektet. MIT:s forskningsmässa 2026 för kärnvetenskap och kärnteknik listar en presentation av DongHun Ryu med titeln ”Djupt generativa modeller med fysikaliska begränsningar för fasåtervinning med BCDI”. BCDI står för Bragg-koherent diffraktionsavbildning, en teknik som också nämns i Jossous forskningsbeskrivning på fakultetsprofilen. Det visar på en konkret forskningskoppling utöver kylföretagets tillkännagivande, även om evenemangets program inte utvärderar Ferverets hårdvara.

Interatomära potentialer hanterar en annan beräkningsmässig flaskhals. I stället för att utföra en beräkning av den elektroniska strukturen, som är resurskrävande, i varje steg av en simulering approximerar en tränad modell sambandet mellan atomernas arrangemang, energier och krafter. Forskning i MIT:s arkiv beskriver hur kraftfält baserade på maskininlärning kan utöka de tids- och längdskalor som atomistiska simuleringar omfattar, samtidigt som de behåller noggrannheten hos referensberäkningarna som de tränats på.

Noggrannheten beror fortfarande på modellen och på vilka situationer den har tränats att representera. I sitt tillkännagivande uppger Ferveret att den forskning som plattformen stöder syftar till simuleringar med en noggrannhet som närmar sig densitetsfunktionalteorins. Tillkännagivandet innehåller dock ingen felmarginaltabell, ingen publicerad modell och ingen numerisk jämförelse som belägger detta resultat för de aktuella projekten.

Så leder Adaptive Phase Cooling bort värme

Ferverets teknikbeskrivning kretsar kring underkyld kokning, en metod som bygger på forskning om värmeöverföring i kärnreaktorer. Värme vid chipets yta bildar ångbubblor, men den omgivande vätskan förblir under sin kokpunkt. Företaget uppger att små bubblor snabbt lossnar och kondenserar tillbaka till den svalare vätskan, som då åter får kontakt med den varma ytan.

Skillnaden ligger i vart ångan tar vägen. I den metod med nedsänkning i mättad kokning som Ferveret jämför med stiger bubblorna upp i ett ångutrymme innan de kondenseras. Företagets metod syftar till att kondensera dem lokalt i vätskan. Enligt företaget möjliggör detta drift nära omgivningstryck och kompakta kapslingar för enskilda servrar.

På sin produktsida för datacenter beskriver företaget en rackmonterad kylenhet på 4U med namnet Lambert, en specialbyggd värmeväxlare och styrprogramvara som justerar driftförhållandena. Den avsedda lösningen är ett serverbaserat kylsystem som ansluts till anläggningens värmeavledningsinfrastruktur, snarare än en stor, gemensam nedsänkningstank.

För AI-operatörer är syftet att hålla processorerna inom sina temperaturgränser under långvariga arbetsbelastningar och samtidigt minska kylrelaterade omkostnader. Kyligare hårdvara kan upprätthålla högre prestanda när värme annars skulle begränsa den. Hur stor nyttan blir beror fortfarande på vilka processorer, arbetsbelastningar, effektinställningar och kylsystem som används i jämförelsen.

Vad prestandasiffrorna 15 % och 35 % faktiskt betyder

De två huvudtalen i tillkännagivandet avser olika mätvärden. Ferveret uppger upp till 15 % högre beräkningskapacitet på servernivå jämfört med ledande metoder för direktkylning av chip, och upp till 35 % mer användbar beräkningskapacitet när förbättringar på anläggningsnivå räknas in.

Ett tillkännagivande från Ferveret i mars ger fler detaljer om den första siffran. Där beskrivs ett riktmärke som tagits fram tillsammans med UCLA:s laboratorium för intelligent konnektivitet med NVIDIA H200-GPU:er. Resultatet anges vara en förbättring av beräkningseffektiviteten på 15 %, mätt i TFLOP per kilowatt servereffekt. I tillkännagivandet anges uttryckligen att effektivitetsmåttet för servern inte inkluderar elanvändningen på anläggningsnivå.

Det är användbar bakgrund, men det är fortfarande företagets egen redogörelse för samarbetet. Pressmeddelandet innehåller inget fullständigt benchmarkprotokoll eller några rådata som räcker för att upprepa jämförelsen. En förbättring på 15 % av flyttalsprestandan per watt visar inte heller automatiskt på en förbättring på 15 % av träningstiden eller applikationens resultat.

Den större siffran kombinerar serverns effektivitet med en modell för anläggningen. I Ferverets räkneexempel ändras jämförelsen från ett värde på 1,20 till 1,03 för energieffektivitetsmåttet Power Usage Effectiveness (PUE), varefter förbättringen på 15 % av serverns effektivitet tillämpas. PUE är anläggningens totala effekt dividerad med IT-utrustningens effekt. Ett lägre värde innebär mindre overhead i anläggningen för en given IT-belastning.

Med de angivna värdena blir den sammanlagda förbättringen ungefär 34 %: 1,15 multiplicerat med 1,20/1,03. Ferveret beskriver resultatet som ungefär 35 %. Beräkningen förklarar storleksordningen på påståendet, men det rör sig om ett scenario baserat på antagna effektivitetsvärden för anläggningen, inte en publicerad mätning av en hastighetsökning på 35 % i MIT:s experiment med kärnmaterial.

Här slutar beläggen – och möjligheterna börjar

I det tillhandahållna pressmeddelandet säger Jossou att tillgången till plattformen möjliggör större modeller, snabbare iterationer och kontinuerliga experiment. Dessa observationer talar för det praktiska värdet av tillgång till mer beräkningskapacitet. De visar däremot inte hur stor del av förbättringen som berodde på kylningen, hur stor del som kom från den tilldelade hårdvaran eller hur mycket snabbare en viss vetenskaplig uppgift genomfördes.

Samma åtskillnad gäller hållbarhet. Ferveret beskriver ett slutet system som kan avleda värme med torrkylare utan vattenförbrukning genom avdunstning. Det är ett påstående om kylsystemets utformning. Det bör inte tolkas som att vattenavtrycket från elproduktion, tillverkning av utrustning eller alla tänkbara utformningar av anläggningar därmed försvinner.

I pressmeddelandet står också att framtida forskningspublikationer förväntas uppmärksamma Ferverets bidrag till infrastrukturen. Publicerade metoder och resultat på applikationsnivå skulle bidra till att klargöra hur plattformen påverkar rekonstruktionsnoggrannhet, simuleringarnas omfattning, träningstid och energiförbrukning per genomfört experiment.

Den starkaste slutsatsen för tillfället är avgränsad: Ferveret tillhandahåller infrastruktur för ett forskningsprogram med inriktning på AI och kärnmaterial, vilket bekräftas av MIT, medan företagets bredare effektivitetsanspråk kräver att man tar hänsyn till mätningarnas avgränsningar. På längre sikt är möjligheten att få mer nytta av den knappa beräkningskapaciteten – att omsätta förbättrad värmeöverföring i mer vetenskapligt arbete inom samma elbudget.