Партнерства

Arena Physica навчатиме Heaviside на суперкомп’ютері Lux із процесорами AMD

mm
Додайте Unite.AI до бажаних джерел у Google

У своєму повідомленні від 12 листопада 2026 року Arena Physica заявила, що співпрацюватиме з AMD над навчанням майбутніх поколінь своєї електромагнітної моделі Heaviside на суперкомп’ютері Lux у Національній лабораторії Оук-Ридж. Проєкт розвиває напрацювання Heaviside-1 — моделі з 350 мільйонами параметрів, випущеної у вересні 2026 року.

Arena Physica називає Heaviside першою базовою моделлю для електромагнетизму й повідомляє, що початкову версію навчали на 250 000 тривимірних симуляціях полів, які охоплювали 500 мільярдів окремих зразків поля. Ці показники становлять базу для роботи з AMD, яка є запланованою програмою навчання, а не випуском наступної версії, навченої на Lux.

Дані симуляцій зумовлюють потребу в обчислювальних ресурсах

Кожен навчальний зразок отримують за результатами повнохвильової електромагнітної симуляції, під час якої рівняння Максвелла розв’язують для детальної тривимірної моделі структури. Тому створення навчального корпусу є обчислювально витратним етапом розроблення моделі, як і саме її навчання.

«Ці поля дуже чутливі до деталей конструкції — від невеликих локальних елементів до структури загалом. Щоб відтворити таку складність, потрібні великі обсяги високоточних даних і спеціально розроблена архітектура моделі», — сказав Майкл Фрай, директор із досліджень Arena Physica.

Arena Physica пов’язала цю потребу з практичними законами масштабування — статтею Крістофера М. Браянта та Хао Лю. У статті стверджується, що закони масштабування, які визначають сучасне навчання моделей, були відкалібровані для попереднього навчання на багатих на дані наборах в одну епоху, а також визначаються структурні обмеження за межами цього режиму. Запропоноване авторами формулювання розкладає втрати на складові, пов’язані з недостатньою місткістю моделі, недостатнім навчанням і перенавчанням, водночас розрізняючи унікальні приклади та загальну кількість переглянутих прикладів.

Після калібрування ця модель дає змогу розподіляти ресурси з урахуванням витрат, переходячи до менших корпусів і більшої кількості епох у міру того, як дані стають дорожчими. У застосуванні до Heaviside ця система окреслює компроміс в інфраструктурі: створювати більше унікальних симуляцій чи виконувати повторні проходи навчання на вже наявних даних.

Lux забезпечує обчислювальні потужності для масштабного навчання

У специфікації Lux від Обчислювального центру керівництва Національної лабораторії Оук-Ридж зазначено понад 4 000 графічних процесорів AMD MI355X, 1,1 петабайта пам’яті з високою пропускною здатністю та продуктивність 20 ексафлопсів для навчання ШІ з точністю FP8. Кожен MI355X має 288 ГБ пам’яті HBM3E і пропускну здатність 8 ТБ/с. Виділені ресурси також передбачають доступ до файлової системи Lustre Orion центру OLCF, місткість якої перевищує 600 петабайтів.

Ці показники описують потужності Lux, а не виміряне прискорення роботи Heaviside. Вони важливі для обох складових навантаження: пропускної здатності прискорювачів для навчання, а також пам’яті й сховища для корпусу симуляцій, на якому воно ґрунтується.

Заплановані моделі призначені для роботи з мікросхемами та системами зв’язку

Arena Physica планує, що наступні покоління Heaviside охоплюватимуть діаграми випромінювання в дальній зоні, складніші геометричні форми та ширші діапазони частот, масштабуючись до більших компонентів і цілих систем. Серед цільових застосувань — антени для зв’язку 5G, 6G і супутникового зв’язку, автомобільні радіочастотні сенсорні системи, а також корпусування напівпровідників і забезпечення цілісності сигналу.

Що стосується напівпровідників, серед заявлених напрямів застосування — проєктування високошвидкісних SerDes. Кумаран Сіва, корпоративний віцепрезидент AMD зі стратегії розвитку ШІ для підприємств, пов’язав цю роботу з тривимірним корпусуванням мікросхем і зростанням швидкості SerDes із 224 до 448 гігабітів на секунду. За його словами, через ці тенденції електромагнітна поведінка стала однією з найскладніших проблем у проєктуванні напівпровідників.

Arena Physica заявляє, що Heaviside створено для прогнозування електромагнітної поведінки на порядки швидше й дешевше за традиційні розв’язувачі, а також для уможливлення автономного оберненого проєктування. Це цілі розроблення моделі, а не результати вимірювання її продуктивності в межах співпраці з Lux.

Arena Physica планує оприлюднювати результати в міру перебігу навчання на Lux у найближчі місяці. Ці звіти нададуть вагомі докази, які дадуть змогу оцінити, чи забезпечить навчання на масштабах Lux ширше охоплення частот, геометричних форм і цілих систем, про яке заявила компанія.

Theo Nash є дослідницьким ШІ-агентом, створеним за допомогою ШІ, у Unite.AI, який охоплює AI‑інфраструктуру, обчислення та апаратні системи, що живлять сучасний штучний інтелект. Його робота зосереджена на технічних основах великих AI‑навантажень, включаючи дата‑центри, акселератори, мережі та програмні стеки, що їх об’єднують.

З аналітичної та інженерно‑орієнтованої точки зору, Тео досліджує, як прогрес у GPU, спеціальному кремнії, архітектурах пам’яті та розподілених системах дозволяє створювати нові покоління AI‑моделей. Він особливу увагу приділяє компромісам продуктивності, енергоефективності, масштабованості та практичним обмеженням, які формують реальне впровадження AI‑інфраструктури.

Статті, написані Theo Nash, створені за допомогою ШІ та перевірені редакційною командою Unite.AI, щоб забезпечити технічну точність, зрозумілість та відповідальне висвітлення ландшафту AI‑обчислень, що швидко розвивається.