能源巨头通用电气(GE)将采用全球性能最高的超级计算机之一——Summit系统,来运行两项用于促进清洁能源生产的新研究项目。
上个月,美国能源部(在美国橡树岭国家实验室托管Summit系统)向20个研究团队授予了总计超过700万个节点小时的超级计算机节点时间,其中两个属于GE Research。
Summit超级计算系统是世界上性能水平位列第二的系统,仅次于位于日本的Fugaku超级计算机。由IBM打造的Summit拥有相当于7000万部iPhone 11s的系统能力,科学家可以用它来运行大型计算例如模拟系统行为或解决复杂的物理问题。
现在GE透露了这两个运行在Summit系统上的项目的神秘面纱,两个项目都将致力于解决可再生能源发电的难题。
其中一个由GE研究员Jing Li领导的团队获得了24万个节点小时,用于推进海上风电领域的研究。Li希望通过使用Summit超级计算机,能够运行复杂的模拟来研究控制和操作海上涡轮机的新方法,从而以最佳方式优化风力发电。
特别是Li的团队将研究一种称为沿海低空急流的风现象,这种经常发生在海岸线上的现象,会影响海上风力涡轮机的性能和可靠性。研究人员借助高保真计算模型可以模拟出风电场和沿海低空喷气机之间的相互作用,为未来更高效的风电场设计提供信息。
这些研究结果还将用于指导美国能源部的ExaWind项目,该项目旨在加快美国陆上和海上风力发电厂的部署,这一问题需要准确了解自然风现象与建成基础设施相互作用的方式。然而,在许多因素的影响下,模拟这些交互需要高昂的计算成本,大多数研究项目目前只能预测少数涡轮机的行为。
ExaWind项目旨在生成风电场的预测模拟,其中数十兆瓦级的风力涡轮机分散在方圆数平方公里的复杂地形区域内——这种计算可能涉及多达1000亿个网格点的模拟。
因此,Summit系统为Li团队提供的巨大计算能力,将是实现ExaWind挑战充满希望的一步。
此外,GE研究员Michal Osusky获得了另外25.6万个节点小时的奖励,用于另一项独立研究项目,该项目专注于应用机器学习方法来改进喷气发动机或发电涡轮机等物理机器的设计。
在结合机器学习和模拟的情况下,Osusky团队可以快速模拟现实环境中的引擎并运行虚拟测试,相比传统方法来说,可以更快速地对设计进行验证。
Osusky说:“这些模拟将提供有关这些复杂设备实际情况的前所未有的洞察,远远超出当前各项实验测试可能覆盖的范围。希望我们可以利用这样的平台,加速发现和验证那些更清洁、更高效的发动机设计,从而进一步促进我们的脱碳目标。”
让超大规模计算扎根未来
Summit超级计算机拥有200 petaflops的计算能力,将极大地推动Li和Osusky团队的研究工作——不过,GE已经将目光投向了更强大的系统。
目前美国能源部正在投资下一代超级计算即百亿亿次级超算,美国橡树岭国家实验室正在启动美国第一个百亿亿级系统,名为Frontier。
Frontier系统将于2021年首次亮相,并于2022年向用户开放,这套价值6亿美金的系统将提供1.5 exaflops的性能——是当今最强超级计算机的近50倍。目前已经有八个研究项目被筛选出来可以早期使用该系统,覆盖了从模拟类似银河系的星系,到研究病毒进入宿主细胞的方式。
美国其他实验室也在竞相推出百亿亿级系统,例如美国阿贡国家实验室与HPE合作构建了一个名为Polaris的百亿亿级系统。
而且GE也相当热衷于参与到百亿亿级超级计算机的发展中。GE Research计算方法研究高级主管Richard Arthur:“政府机构与业界及学界展开合作,推动计算科学和工程设计及生态系统从90年代的千兆级发展到万亿级,再到今天的千万亿级,以及即将到来的百亿亿级——每一次‘规模’上的飞跃都能达到上一代1000倍之多。”
“硬件和软件技术持续呈指数级突破的奇迹,历经数十年之久,将计算建模塑造成获得科学洞察力的一项基础工具。”
然而,一些专家此前曾对百亿亿级革命即将到来表示怀疑。Eric Strohmaier是公认的Top500榜单的作者之一,该榜单定期列出全球最强大的500台超级计算机。此前他预测说,2020年下半年之前将无法实现百亿亿级超算,他的一些同事更把这视为是较为乐观的预测。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。