AMD และ Cornelis ขยายความร่วมมือด้าน HPC ขณะที่ GWDG ติดตั้ง EMMY P4

AMD และ Cornelis กำลังขยายความร่วมมือด้านการประมวลผลสมรรถนะสูง โดยผสานโปรเซสเซอร์และตัวเร่งการประมวลผลของ AMD เข้ากับระบบเครือข่ายของ Cornelis เพื่อช่วยให้องค์กรวิจัยนำภาระงานทางวิทยาศาสตร์ขนาดใหญ่ขึ้นไปใช้งานจริงได้ การติดตั้งระบบที่ GWDG ในเยอรมนีเป็นตัวอย่างที่ชัดเจน โดยซูเปอร์คอมพิวเตอร์ EMMY P4 ประกอบด้วยโหนด AMD EPYC 9745 แบบสองซ็อกเก็ตประมาณ 300 โหนด เชื่อมต่อด้วยระบบเครือข่าย Cornelis CN5000 Omni-Path

ความร่วมมือนี้ครอบคลุมมากกว่าการจำหน่ายอุปกรณ์ที่ใช้งานร่วมกันได้ ทั้งสองบริษัทกำลังจัดตั้งโครงการร่วมด้านการออกสู่ตลาด ซึ่งครอบคลุมการออกแบบระบบ การทดสอบประสิทธิภาพแอปพลิเคชัน การตรวจสอบความถูกต้อง การทดสอบเพื่อรับรองการใช้งาน และการติดตั้งใช้งานจริงผ่านผู้ผลิตและผู้รวมระบบที่เป็นพันธมิตรอยู่แล้ว นอกจากนี้ ลูกค้ายังสามารถทดสอบแอปพลิเคชันของตนเองที่ HPC Center of Excellence ของ AMD ในมิวนิก ก่อนตัดสินใจเลือกการกำหนดค่าระบบ

แนวทางนี้ช่วยแก้ปัญหาที่พบมาอย่างต่อเนื่องในการประมวลผลสมรรถนะสูง นั่นคือ การซื้อโปรเซสเซอร์เพิ่มไม่ได้รับประกันว่างานวิจัยจะเร็วขึ้นตามสัดส่วน แอปพลิเคชันต้องสามารถถ่ายโอนข้อมูลระหว่างโปรเซสเซอร์เหล่านั้นได้เร็วพอ เพื่อให้โปรเซสเซอร์ทำงานได้อย่างต่อเนื่อง

เหตุใดเครือข่ายจึงสำคัญพอๆ กับพลังประมวลผล

การจำลองทางวิทยาศาสตร์มักแบ่งโจทย์ขนาดใหญ่ออกไปประมวลผลบนเซิร์ฟเวอร์หลายเครื่อง แต่ละเซิร์ฟเวอร์คำนวณผลลัพธ์ส่วนหนึ่ง แล้วแลกเปลี่ยนข้อมูลกับเซิร์ฟเวอร์เครื่องอื่น ตัวอย่างเช่น พลศาสตร์ของไหลเชิงคำนวณต้องอาศัยบริเวณที่อยู่ติดกันของการไหลจำลองเพื่อแลกเปลี่ยนข้อมูลสภาวะที่ปรับปรุงล่าสุดระหว่างการคำนวณ

การแลกเปลี่ยนข้อมูลเหล่านี้ทำให้ความหน่วงของเครือข่าย ความสามารถในการจัดการข้อความ และความแออัดของเครือข่ายส่งผลอย่างมีนัยสำคัญ โปรเซสเซอร์ที่ต้องรอข้อมูลจากโหนดอื่นแทบไม่ได้ช่วยเพิ่มปริมาณการคำนวณที่เป็นประโยชน์ ไม่ว่าจะคำนวณเลขได้เร็วเพียงใด Message Passing Interface หรือ MPI เป็นอินเทอร์เฟซซอฟต์แวร์ที่ใช้กันอย่างแพร่หลายเพื่อประสานงานการประมวลผลแบบกระจายนี้

Cornelis จัดหาระบบโครงข่ายเชื่อมต่อระหว่างโหนด ส่วน AMD จัดหาพลังประมวลผล โครงการที่ขยายใหม่นี้มุ่งตรวจสอบความถูกต้องของอุปกรณ์ทั้งสองส่วนร่วมกัน โดยอิงกับแอปพลิเคชัน แทนที่จะถือว่าแบนด์วิดท์ของเครือข่ายและข้อมูลจำเพาะของโปรเซสเซอร์เพียงอย่างเดียวเป็นหลักฐานที่เพียงพอว่าระบบมีประสิทธิภาพ

Lisa Spelman ซีอีโอของ Cornelis กล่าวว่า EPYC รุ่นใหม่แต่ละรุ่นมีจำนวนคอร์เพิ่มขึ้น ซึ่งทำให้มีคอร์ที่ต้องเข้าถึงเครือข่ายมากขึ้น เธอชี้ว่า การเพิ่มขีดความสามารถในการประมวลผลอาจทำให้ทรัพยากรราคาแพงต้องรอ หากการสื่อสารตามไม่ทัน จึงจำเป็นต้องตรวจสอบความถูกต้องโดยอิงกับภาระงานเฉพาะ

สิ่งที่ EMMY P4 ของ GWDG เพิ่มเข้ามา

GWDG ซึ่งเป็นองค์กรด้านการประมวลผลทางวิทยาศาสตร์ในเมือง Göttingen สนับสนุน NHR@Göttingen ซึ่งเป็นหนึ่งในศูนย์ประมวลผลสมรรถนะสูงแห่งชาติ 9 แห่งของเยอรมนี ผู้ใช้ของศูนย์ทำงานกับแอปพลิเคชันหลากหลายสาขา ตั้งแต่วิทยาศาสตร์ชีวภาพ ฟิสิกส์ และการวิจัยควอนตัม ไปจนถึง AI และมนุษยศาสตร์ Cornelis ระบุว่าระบบโดยรวมรองรับงาน HPC ประมาณ 3.5 ล้านงานต่อปี

ข้อมูลจำเพาะของ EPYC 9745 จาก AMD ระบุว่าโปรเซสเซอร์แต่ละตัวมีคอร์จริง 128 คอร์ จึงมีคอร์รวม 256 คอร์ในโหนดแบบสองซ็อกเก็ตแต่ละโหนด การทำให้คอร์จำนวนมากขนาดนี้ทำงานได้เต็มประสิทธิภาพในโหนดหลายร้อยเครื่อง ทำให้ประสิทธิภาพการสื่อสารเป็นประเด็นสำคัญในระดับระบบ

เอกสารการติดตั้งของ GWDG ระบุถึงกลุ่มโหนดเริ่มต้นจำนวน 252 โหนด โดยแต่ละโหนดมีหน่วยความจำ DDR5 ขนาด 768 GiB และพื้นที่จัดเก็บข้อมูล NVMe ภายในเครื่องขนาด 3.8 TiB เชื่อมต่อผ่านอะแดปเตอร์ CN5000 ที่มีลิงก์ความเร็ว 200G ส่วนประกาศระบุว่าการติดตั้ง EMMY P4 ในภาพรวมประกอบด้วยโหนดประมาณ 300 โหนด

ความแตกต่างระหว่างการติดตั้งระบบ CPU ครั้งนี้กับงานด้าน GPU ของความร่วมมือเป็นประเด็นสำคัญ EMMY P4 แสดงให้เห็นการใช้ EPYC และระบบเครือข่ายของ Cornelis ในสภาพแวดล้อมการประมวลผลทางวิทยาศาสตร์ แต่ไม่ได้หมายความว่าโหนด CPU ที่ประกาศไว้จะติดตั้งตัวเร่งการประมวลผล AMD Instinct

การทดสอบแอปพลิเคชันที่ก้าวข้ามการตรวจสอบความเข้ากันได้

Cornelis ระบุว่า CN5000 ผ่านการรับรองสำหรับการใช้งานจริงร่วมกับโปรเซสเซอร์ AMD EPYC 9005 ในการกำหนดค่าแพลตฟอร์มที่ผ่านการตรวจสอบแล้วกว่า 25 รูปแบบในอเมริกาเหนือและยุโรป นอกจากนี้ ทั้งสองบริษัทยังขยายการรับรอง CN5000 ให้ครอบคลุมตัวเร่งการประมวลผล AMD Instinct MI350X Series ด้วย

สำหรับผู้ซื้อ การทดสอบแอปพลิเคชันช่วยให้เห็นได้ว่าสถาปัตยกรรมหนึ่งเหมาะกับงานที่องค์กรใช้งานจริงหรือไม่ การจำลองขนาดใหญ่ที่ต้องซิงโครไนซ์ข้อมูลบ่อยครั้งอาจทำงานแตกต่างจากภาระงาน AI ที่ใช้เวลาส่วนใหญ่อยู่ภายในเคอร์เนลของตัวเร่งการประมวลผล ทั้งความจุของหน่วยความจำ ไลบรารีซอฟต์แวร์ การกำหนดค่าโหนด และพฤติกรรมของเครือข่าย ล้วนมีผลต่อผลลัพธ์

Cornelis รายงานว่า ภาระงานพลศาสตร์ของไหลเชิงคำนวณ CONVERGE ที่คัดเลือกมาจำนวน 132 รายการมีปริมาณงานเฉลี่ยสูงขึ้น 20% เมื่อทำงานบนโหนด 4 เครื่อง เทียบกับการทดสอบโดยใช้ NVIDIA NDR InfiniBand นอกจากนี้ บริษัทยังรายงานว่าภาระงาน STAR-CCM+ ที่ทำงานบนโปรเซสเซอร์ EPYC 9755 ขยายขนาดได้เกือบ 9 เท่า เมื่อเพิ่มจาก 1 เป็น 8 โหนด

ผลลัพธ์เหล่านี้เป็นข้อมูลจากการทดสอบแอปพลิเคชันในรูปแบบการกำหนดค่าระบบเฉพาะ ซึ่งผู้จำหน่ายเป็นผู้รายงาน เอกสารทางเทคนิคของ Cornelis ที่เกี่ยวข้องเป็นแหล่งอ้างอิงสำหรับเงื่อนไขการทดสอบ ตัวเลขเหล่านี้ไม่ได้ยืนยันว่าจะได้ประโยชน์ในระดับเดียวกันกับโค้ดหรือคลัสเตอร์ทุกประเภท จุดเด่นในทางปฏิบัติของโครงการทดสอบที่มิวนิกคือ ลูกค้าสามารถประเมินภาระงานของตนเองโดยพิจารณาผลลัพธ์เหล่านี้ประกอบได้

แนวทางพัฒนาระบบ CPU และ GPU ขนาดใหญ่ขึ้น

ทั้งสองบริษัทยังเตรียมพร้อมสำหรับฮาร์ดแวร์รุ่นถัดไปด้วย Cornelis วางตำแหน่ง CN6000 รุ่นที่กำลังจะเปิดตัวให้ใช้การ์ดอะแดปเตอร์ 800G และอินเทอร์เฟซ PCIe 6.0 x16 โดยคาดว่าระบบ OEM ที่ใช้ CN6000 ร่วมกับโปรเซสเซอร์ AMD EPYC 9006 จะพร้อมในไตรมาสแรกของปี 2027 ระบบเหล่านี้เป็นส่วนหนึ่งของแผนงานในอนาคต แยกจากโครงสร้างพื้นฐาน EMMY P4 ที่ใช้ CN5000 ซึ่งติดตั้งใช้งานแล้ว

กลยุทธ์ด้านตัวเร่งความเร็วของ AMD ยังครอบคลุมชุดซอฟต์แวร์ ROCm ซึ่งมีเครื่องมือและไลบรารีสำหรับการประมวลผลด้วย GPU การรองรับ AI ทางวิทยาศาสตร์ต้องอาศัยชั้นซอฟต์แวร์ดังกล่าวควบคู่ไปกับโปรเซสเซอร์และเครือข่าย นักวิจัยจำเป็นต้องมีแอปพลิเคชัน ไลบรารีคณิตศาสตร์ และซอฟต์แวร์สื่อสารที่ทำงานร่วมกันได้

การประมวลผลทางวิทยาศาสตร์แบบดั้งเดิมยังให้ความสำคัญอย่างมากกับการคำนวณแบบความแม่นยำสองเท่า หรือ FP64 ซึ่งแตกต่างจากการคำนวณความแม่นยำต่ำกว่าที่ใช้ในงาน AI หลายประเภท ดังนั้น ความเหมาะสมของแพลตฟอร์มจึงไม่ได้ขึ้นอยู่กับประสิทธิภาพด้าน AI ที่ประกาศไว้เพียงอย่างเดียว

ท้ายที่สุดแล้ว ความร่วมมือที่ขยายวงระหว่าง AMD–Cornelis มีเป้าหมายเพื่อให้ประเมินและนำระบบวิจัยที่ครบวงจรไปใช้งานได้ง่ายขึ้น GWDG เป็นตัวอย่างการใช้งานจริงของการผสาน CPU กับเครือข่าย ขณะที่การทดสอบแอปพลิเคชันร่วมกันและการรองรับตัวเร่งความเร็วในอนาคตช่วยขยายขอบเขตการใช้งานที่เป็นไปได้ สำหรับศูนย์วิจัย สิ่งสำคัญคือระบบที่ผ่านการตรวจสอบแล้วใช้เวลานานเพียงใดในการทำงานที่เป็นประโยชน์ให้เสร็จ ไม่ใช่มีโปรเซสเซอร์จำนวนเท่าใด