นักวิจัยจาก MIT ใช้แพลตฟอร์มระบายความร้อนของ Ferveret เพื่อพัฒนางานวิจัยด้าน AI เกี่ยวกับวัสดุนิวเคลียร์

งานวิจัยด้าน AI อาจติดข้อจำกัดทางกายภาพก่อนที่นักวิจัยจะคิดแนวทางใหม่ ๆ ไม่ออกเสียอีก นั่นคือปริมาณการประมวลผลที่ห้องปฏิบัติการสามารถจ่ายไฟและระบายความร้อนได้ Ferveret ระบุว่า นักวิจัยที่ MIT กำลังใช้แพลตฟอร์มประมวลผลสมรรถนะสูงของบริษัทเพื่อพัฒนาวิธีการด้าน AI สำหรับศึกษาวัสดุนิวเคลียร์ โดยนำเทคโนโลยี Adaptive Phase Cooling มาใช้กับงานวิจัยทางวิทยาศาสตร์ที่ต้องประมวลผลต่อเนื่องเป็นเวลานาน

ประกาศเมื่อวันที่ 22 ตุลาคมเชื่อมโยงความท้าทายด้านวิศวกรรมสองประการเข้าด้วยกัน นักวิจัยต้องการกำลังประมวลผลเพิ่มขึ้นเพื่อทำความเข้าใจวัสดุที่เผชิญสภาวะสุดขั้ว ส่วนผู้ให้บริการศูนย์ข้อมูลก็ต้องการใช้กำลังไฟฟ้าที่มีอยู่อย่างจำกัดให้เกิดประโยชน์จากการประมวลผลมากขึ้น Ferveret เสนอว่า การระบายความร้อนที่มีประสิทธิภาพขึ้นอาจช่วยตอบโจทย์ทั้งสองด้านได้ โดยไม่จำเป็นต้องใช้โปรเซสเซอร์รุ่นใหม่

เหตุใดการวิจัยวัสดุนิวเคลียร์จึงต้องการกำลังประมวลผล AI มากขึ้น

งานวิจัยนี้เกี่ยวข้องกับห้องปฏิบัติการวัสดุในสภาพแวดล้อมสุดขั้วของ MIT ซึ่งมี Ericmoore Jossou ผู้ช่วยศาสตราจารย์ด้านวิทยาศาสตร์และวิศวกรรมนิวเคลียร์ และวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ เป็นหัวหน้าห้องปฏิบัติการ ประวัติคณาจารย์ของ MIT ระบุว่า งานวิจัยนี้ผสานการใช้กล้องจุลทรรศน์ขั้นสูงกับการถ่ายภาพด้วยรังสีเอกซ์แบบสอดคล้องกัน เพื่อตรวจสอบคุณสมบัติเชิงโครงสร้างและข้อบกพร่องในระดับความละเอียดนาโน

Ferveret ระบุว่ามีโครงการสองโครงการที่ใช้แพลตฟอร์มของบริษัท โครงการหนึ่งพัฒนาแนวทางด้าน AI เพื่อวิเคราะห์ข้อมูลการวัดวัสดุนิวเคลียร์ด้วยรังสีเอกซ์แบบสอดคล้องกัน อีกโครงการฝึกศักย์ระหว่างอะตอมด้วยแมชชีนเลิร์นนิง ซึ่งเป็นแบบจำลองที่ใช้คาดการณ์ปฏิสัมพันธ์ระหว่างอะตอม และช่วยให้นักวิจัยจำลองพฤติกรรมของวัสดุภายใต้สภาวะที่ท้าทายได้

มีข้อมูลจากแหล่งอิสระที่สนับสนุนทิศทางการวิจัยของโครงการแรก งานมหกรรมวิจัยวิทยาศาสตร์และวิศวกรรมนิวเคลียร์ปี 2026 ของ MIT ระบุรายการนำเสนอของ DongHun Ryu ในหัวข้อ “แบบจำลองกำเนิดเชิงลึกที่ใช้หลักฟิสิกส์เพื่อการกู้คืนเฟส BCDI” BCDI ย่อมาจากการถ่ายภาพเลี้ยวเบนแบบสอดคล้องกันของแบรกก์ ซึ่งเป็นเทคนิคที่ระบุไว้ในคำอธิบายงานวิจัยของ Jossou ด้วย ข้อมูลนี้ยืนยันความเชื่อมโยงกับงานวิจัยที่เป็นรูปธรรม นอกเหนือจากประกาศของบริษัทผู้พัฒนาระบบระบายความร้อน แม้รายการงานดังกล่าวจะไม่ได้ประเมินฮาร์ดแวร์ของ Ferveret

ศักย์ระหว่างอะตอมช่วยแก้ปัญหาคอขวดด้านการประมวลผลอีกประเภทหนึ่ง แทนที่จะคำนวณโครงสร้างอิเล็กทรอนิกส์ซึ่งใช้ทรัพยากรมากในทุกขั้นตอนของการจำลอง แบบจำลองที่ผ่านการฝึกจะประมาณความสัมพันธ์ระหว่างการจัดเรียงอะตอม พลังงาน และแรง งานวิจัยที่เก็บไว้ในคลังข้อมูลของ MIT อธิบายว่าแบบจำลองแรงจากแมชชีนเลิร์นนิงช่วยขยายช่วงเวลาและขนาดความยาวที่ใช้ในการจำลองระดับอะตอมได้ โดยยังคงความแม่นยำของการคำนวณอ้างอิงที่ใช้ฝึกแบบจำลองไว้

อย่างไรก็ตาม ความแม่นยำดังกล่าวยังขึ้นอยู่กับแบบจำลองและสถานการณ์ที่แบบจำลองได้เรียนรู้มา Ferveret ระบุในประกาศว่า งานวิจัยที่ได้รับการสนับสนุนมีเป้าหมายให้การจำลองเข้าใกล้ความแม่นยำระดับทฤษฎีฟังก์ชันนัลความหนาแน่น แต่ไม่ได้ให้ตารางค่าความคลาดเคลื่อน แบบจำลองที่เผยแพร่แล้ว หรือผลเปรียบเทียบเชิงตัวเลขที่ยืนยันผลดังกล่าวสำหรับโครงการเหล่านี้

Adaptive Phase Cooling ระบายความร้อนอย่างไร

คำอธิบายเทคโนโลยีของ Ferveret เน้นการเดือดแบบต่ำกว่าจุดอิ่มตัว ซึ่งเป็นแนวทางที่พัฒนาจากงานวิจัยการถ่ายเทความร้อนในเครื่องปฏิกรณ์นิวเคลียร์ ความร้อนที่ผิวชิปทำให้เกิดฟองไอ แต่ของเหลวโดยรอบยังมีอุณหภูมิต่ำกว่าจุดเดือด บริษัทระบุว่า ฟองขนาดเล็กจะแยกตัวออกอย่างรวดเร็วและควบแน่นกลับเป็นของเหลวที่เย็นกว่า ทำให้ของเหลวสัมผัสกับพื้นผิวที่ร้อนอีกครั้ง

ข้อแตกต่างอยู่ที่ตำแหน่งที่ไอเคลื่อนตัวไป ในแนวทางจุ่มระบายความร้อนแบบเดือดอิ่มตัวที่ Ferveret นำมาเปรียบเทียบ ฟองจะลอยขึ้นไปยังช่องไอก่อนจะถูกควบแน่น ส่วนแนวทางของบริษัทมุ่งควบแน่นฟองไอเฉพาะจุดภายในของเหลว บริษัทระบุว่า วิธีนี้รองรับการทำงานใกล้เคียงกับความดันบรรยากาศ และใช้ตู้ขนาดกะทัดรัดสำหรับเซิร์ฟเวอร์แต่ละเครื่อง

หน้าผลิตภัณฑ์สำหรับศูนย์ข้อมูลของบริษัทอธิบายถึงอุปกรณ์ระบายความร้อนขนาด 4U สำหรับติดตั้งในแร็ก ชื่อ Lambert ซึ่งใช้เครื่องแลกเปลี่ยนความร้อนที่ออกแบบเฉพาะและซอฟต์แวร์ควบคุมที่ปรับสภาพการทำงานได้ ระบบนี้ออกแบบให้ติดตั้งเป็นระบบระบายความร้อนระดับเซิร์ฟเวอร์ โดยเชื่อมต่อกับโครงสร้างพื้นฐานสำหรับระบายความร้อนของอาคาร แทนการใช้ถังจุ่มขนาดใหญ่ร่วมกัน

สำหรับผู้ให้บริการ AI เป้าหมายคือควบคุมอุณหภูมิของโปรเซสเซอร์ให้อยู่ในขีดจำกัดระหว่างประมวลผลงานต่อเนื่องเป็นเวลานาน พร้อมลดภาระด้านพลังงานและทรัพยากรที่เกี่ยวข้องกับการระบายความร้อน ฮาร์ดแวร์ที่เย็นลงสามารถรักษาประสิทธิภาพการทำงานในระดับที่สูงขึ้นได้ เมื่อความร้อนมิฉะนั้นจะเป็นข้อจำกัด อย่างไรก็ตาม ขนาดของประโยชน์ที่ได้รับยังขึ้นอยู่กับโปรเซสเซอร์ ลักษณะงาน การตั้งค่าพลังงาน และระบบระบายความร้อนที่ใช้ในการเปรียบเทียบ

ตัวเลขประสิทธิภาพ 15% และ 35% หมายถึงอะไร

ตัวเลขสำคัญสองค่าในประกาศนี้อ้างอิงการวัดคนละแบบ Ferveret รายงานว่า ประสิทธิภาพการประมวลผลระดับเซิร์ฟเวอร์เพิ่มขึ้นได้สูงสุด 15% เมื่อเทียบกับระบบระบายความร้อนแบบสัมผัสชิปโดยตรงชั้นนำ และกำลังประมวลผลที่นำไปใช้ได้เพิ่มขึ้นสูงสุด 35% เมื่อนับรวมการปรับปรุงในระดับอาคารด้วย

ประกาศจาก Ferveret เมื่อเดือนมีนาคมให้รายละเอียดเพิ่มเติมเกี่ยวกับตัวเลขแรก โดยระบุว่ามีการทดสอบเปรียบเทียบร่วมกับ Intelligent Connectivity Laboratory ของ UCLA โดยใช้ GPU NVIDIA H200 และรายงานว่าประสิทธิภาพการประมวลผลที่วัดเป็น TFLOPs ต่อกิโลวัตต์ของกำลังไฟฟ้าระดับเซิร์ฟเวอร์เพิ่มขึ้น 15% เอกสารเผยแพร่ระบุชัดเจนว่า ตัวชี้วัดระดับเซิร์ฟเวอร์นี้ไม่รวมค่า PUE หรือประสิทธิผลการใช้พลังงานในระดับอาคาร

ข้อมูลนี้เป็นบริบทที่มีประโยชน์ แต่ก็ยังคงเป็นคำบอกเล่าเกี่ยวกับความร่วมมือที่บริษัทเป็นผู้เผยแพร่ ข่าวประชาสัมพันธ์ไม่ได้ให้รายละเอียดระเบียบวิธีการทดสอบประสิทธิภาพอย่างครบถ้วน หรือผลดิบที่เพียงพอสำหรับทำซ้ำการเปรียบเทียบดังกล่าว และการประมวลผลเลขทศนิยมต่อวัตต์ที่ดีขึ้น 15% ก็ไม่ได้ยืนยันโดยอัตโนมัติว่าเวลาในการฝึกโมเดลหรือผลลัพธ์ของแอปพลิเคชันจะดีขึ้น 15% ด้วย

ตัวเลขที่สูงกว่านั้นเป็นการนำประสิทธิภาพของเซิร์ฟเวอร์มารวมกับแบบจำลองของสถานที่ ในตัวอย่างประกอบของ Ferveret การเปรียบเทียบเปลี่ยนจากค่าประสิทธิภาพการใช้พลังงาน หรือ PUE ที่ 1.20 เป็น 1.03 จากนั้นจึงนำการปรับปรุงประสิทธิภาพของเซิร์ฟเวอร์ 15% มาคำนวณด้วย PUE คือกำลังไฟฟ้ารวมที่ใช้ในสถานที่หารด้วยกำลังไฟฟ้าที่อุปกรณ์ไอทีใช้ อัตราส่วนที่ต่ำกว่าหมายถึงมีการใช้พลังงานส่วนเกินของสถานที่น้อยลงเมื่อเทียบกับภาระงานไอทีในระดับเดียวกัน

เมื่อใช้ข้อมูลตั้งต้นตามที่ระบุ ผลประโยชน์โดยรวมอยู่ที่ประมาณ 34% โดยคำนวณจาก 1.15 คูณด้วย 1.20/1.03 Ferveret ระบุว่าผลลัพธ์อยู่ที่ประมาณ 35% การคำนวณนี้ช่วยอธิบายขนาดของตัวเลขที่กล่าวอ้าง แต่เป็นเพียงสถานการณ์จำลองที่อาศัยสมมติฐานเกี่ยวกับประสิทธิภาพของสถานที่ ไม่ใช่ผลการวัดที่เผยแพร่ซึ่งแสดงว่าการทดลองวัสดุนิวเคลียร์ของ MIT เร็วขึ้น 35%

หลักฐานสิ้นสุดตรงไหน และโอกาสเริ่มต้นตรงไหน

ในประกาศที่ให้มา Jossou กล่าวว่า การเข้าถึงแพลตฟอร์มช่วยให้สามารถใช้โมเดลขนาดใหญ่ขึ้น ปรับปรุงงานได้รวดเร็วขึ้น และทำการทดลองอย่างต่อเนื่อง ข้อสังเกตเหล่านี้สนับสนุนให้เห็นคุณค่าในทางปฏิบัติของการเข้าถึงทรัพยากรประมวลผลเพิ่มเติม แต่ไม่ได้แยกให้เห็นว่าการปรับปรุงเกิดจากระบบระบายความร้อนมากเพียงใด จากการจัดสรรฮาร์ดแวร์มากเพียงใด หรือทำให้งานวิจัยทางวิทยาศาสตร์เฉพาะอย่างเสร็จเร็วขึ้นเท่าใด

ความแตกต่างเช่นเดียวกันนี้ใช้กับประเด็นความยั่งยืนด้วย Ferveret อธิบายว่าระบบวงจรปิดสามารถระบายความร้อนผ่านเครื่องทำความเย็นแบบแห้งได้โดยไม่สิ้นเปลืองน้ำจากการระเหย นี่เป็นข้อกล่าวอ้างเกี่ยวกับรูปแบบการระบายความร้อน ไม่ควรตีความว่าเป็นการขจัดการใช้น้ำทางอ้อมจากการผลิตไฟฟ้า การผลิตอุปกรณ์ หรือการออกแบบสถานที่ทุกรูปแบบที่เป็นไปได้

ประกาศยังระบุด้วยว่า คาดว่างานวิจัยที่จะเผยแพร่ในอนาคตจะกล่าวถึงการสนับสนุนด้านโครงสร้างพื้นฐานของ Ferveret การเผยแพร่วิธีการวิจัยและผลลัพธ์ในระดับการใช้งานจะช่วยยืนยันได้ว่าแพลตฟอร์มส่งผลต่อความแม่นยำในการสร้างข้อมูลกลับคืน ขนาดของการจำลอง เวลาในการฝึกโมเดล และพลังงานที่ใช้ต่อการทดลองที่เสร็จสมบูรณ์อย่างไร

ในตอนนี้ ข้อสรุปที่หนักแน่นที่สุดควรจำกัดอยู่เพียงประเด็นเฉพาะว่า Ferveret จัดหาโครงสร้างพื้นฐานให้แก่โครงการวิจัยที่มีจุดเน้นด้าน AI และวัสดุนิวเคลียร์ ซึ่ง MIT ยืนยันข้อมูลดังกล่าว ขณะที่ข้อกล่าวอ้างด้านประสิทธิภาพในวงกว้างยังต้องพิจารณาขอบเขตของการวัดอย่างรอบคอบ โอกาสในระยะยาวคือการใช้ทรัพยากรประมวลผลที่มีจำกัดให้เกิดประโยชน์ได้มากขึ้น โดยเปลี่ยนการถ่ายเทความร้อนที่ดีขึ้นให้เป็นงานวิทยาศาสตร์ที่ทำได้มากขึ้นภายใต้งบประมาณไฟฟ้าเท่าเดิม