Perlmutter, één van de snelste supercomputers, is gisteren online gegaan in het National Energy Research Scientific Computing Center in Californië. De supercomputer is specifiek ontwikkeld voor kunstmatige intelligentie.
Het Perlmutter systeem is volgens leverancier Nvidia de snelste ter wereld wanneer het gaan om het afhandelen van de 16- en 32-bit mixed-phase math, die wordt gebruikt bij AI-applicaties. “De supercomputer zal bezig gaan met enkele van de meest moeilijke wetenschappelijke uitdagingen in astrofysica en klimaatwetenschappen, zoals het creëren van een 3D-map van het universum en het onderzoeken van subatomaire interacties voor groene energiebronnen.” De supercomputer wordt aangedreven door maar liefst 6.159 Nvidia A100 Tensor Core gpu’s. De Tensor Core is de meest geavanceerde gpu die Nvidia tot nu toe heeft ontwikkeld. Deze rekenkracht maakt Perlmutter volgens Nvidia tot het grootste A100 gpu systeem ter wereld, dat bijna een triljoen floating-point bewerkingen per seconde kan verwerken.
Grootste 3D-map van het universum
“We zitten in een exaschaal tijdperk van kunstmatige intelligentie,” zegt Dion Harris, Nvidia’s senior product marketing manager. In een blogpost legt hij uit dat Perlmutter door onderzoekers gebruikt zal worden om de grootste 3D-map van het universum ooit te maken. Hiervoor zal het systeem data van het Dark Energy Spectroscopic Instrument (DESI) gebruiken. Het onderzoeksinstrument kan met enkele belichting foto’s maken van tot 5.000 heelallen. Harris legt uit dat Perlmutter elke avond data van tientallen DESI belichtingen zal analyseren. Dit om astronomen te helpen bepalen waar het instrument de volgende dag op gericht moet worden. Met een 3D-map van het universum kunnen onderzoekers meer leren over donkere materie, wat naar verluid verantwoordelijk zou zijn voor de versnelde expansie van het universum.
Perlmutter atoom simulaties
NERCS is van plan het Perlmutter systeem beschikbaar te stellen voor meer dan 7.000 onderzoekers wereldwijd. De supercomputer zal onder andere ook gebruikt worden om interacties op atomisch niveau te onderzoeken om bijvoorbeeld betere batterijen en nieuwe biobrandstoffen te ontwikkelen. “Traditionele supercomputers kunnen nauwelijks de benodigde wiskunde aan om atoom simulaties van een paar nanoseconden te genereren,” geeft Harris aan. “Maar door het combineren van hoogst accurate simulaties met machine learning, kunnen wetenschappers atomen over een langere tijdsspanne bestuderen.” De A100 Tensor Cores zouden hier uniek geschikt voor zijn, aangezien ze zowel double-precision floating point wiskunde voor simulaties, als mixed-precision calculaties kunnen versnellen.