Вычислительные возможности суперкомпьютеров все больше используются в научных исследованиях. Они используются там, где математических способностей человека недостаточно или расчеты необходимо выполнить как можно быстрее. Сколько операций они могут насчитать? И почему ученые должны, так сказать, стоять в очереди за своими услугами? Мало того, мы спросили Якуба Шистека из Института математики АНКР.
Неспециалист может представить себе суперкомпьютер как большое количество взаимодействующих обычных компьютеров. Это упрощенная идея?
Такая идея не так уж далека от истины. На самом деле это такие ящики, которые помещаются в шкаф (стойку), и каждый ящик (узел) — это, по сути, компьютер. Но они не являются полноценными персональными компьютерами. Хотя у них есть несколько процессоров, видеокарт, памяти, им не хватает, например, выходов для монитора или жестких дисков, которые обрабатываются отдельно. Эти узлы связаны между собой с помощью мощных сетевых карт. Тогда большие суперкомпьютеры имеют десятки и сотни таких шкафов.
Что отличает суперкомпьютер от обычных компьютерных подключений, так это особая сетевая архитектура. В конце концов, сетевое взаимодействие делает суперкомпьютер суперкомпьютером. Суть в том, что все узлы связаны очень быстрой и сложной сетью. Он имеет километры кабелей, которые гарантируют минимально возможную задержку связи между всеми блоками.
А как быть с таким софтом? Какие программы я могу найти на суперкомпьютерах?
Типичная операционная система суперкомпьютера сегодня — это один из вариантов Linux. Далее идет ряд программ, которые мы выбираем в зависимости от того, что потребуется суперкомпьютеру для своей работы. Но, конечно, исследователи пишут и свои программы, которые нужны им для расчетов.
Дорого ли суперкомпьютерное время? Должны ли исследователи стоять в очереди за своими вычислительными навыками?
Да, это определенно дорого. Это не похоже на то, что какой-то суперкомпьютер лежит без дела и ни над чем не работает. Для доступа обычно требуется проектное приложение с информацией о том, сколько часов потребуется для расчета. Затем из заявок выбираются подходящие проекты. Обычно при запуске нового суперкомпьютера очередь заполняется очень быстро.
Как мы можем себе представить производительность суперкомпьютера? Это таблицы, ряд чисел или как-то графически обработанные модели, карты?
Многое зависит от приложения. В Институте математики Академии наук близки к моделированию физических процессов, и на суперкомпьютере обычно рассчитывают текущее поле жидкости. Затем сохраняют результаты в файлы, которые можно просмотреть на любом лучшем компьютере.
Однако для сложных симуляций, таких как расчет воздушного потока вокруг всего самолета, выходных данных будет слишком много. Поэтому модель иногда визуализируют напрямую, что позволяет отслеживать ошибки при расчетах. В этом случае визуализация напрямую подключается к работающей симуляции без сохранения больших файлов.
Когда мы сравниваем производительность суперкомпьютера с обычным ПК, состоят ли они из одних и тех же компонентов? Так общедоступны чипы или память?
Более-менее да, но так было не всегда. Еще в 1990-х компоненты производились специально для использования в суперкомпьютерах. Но время показало, что хотя финансовые затраты на приобретение крупнейших суперкомпьютеров исчисляются миллиардами, рынок невелик, и не стоит проектировать и производить компоненты только для этого. Для процессоров изменения произошли на рубеже тысячелетий, для видеокарт — примерно в 2010 году. Сейчас технология для персональных компьютеров очень похожа на суперкомпьютеры. В последние годы также используются процессоры ARM, которые можно найти в наших смартфонах. Например, из таких процессоров построен самый мощный на сегодняшний день суперкомпьютер в мире — японский Fugaku. Это также делает его энергоэффективным.
Говоря об энергии, насколько требователен суперкомпьютер?
Помимо охлаждения, потребление энергии является одним из самых больших ограничений в процессе увеличения суперкомпьютеров. Им не нужна собственная силовая установка, но потребление точно не мизерное. Для работы крупнейших в мире суперкомпьютеров требуется 30 мегаватт электроэнергии. Экономия важна. Это также можно увидеть в создании рейтинга Green500 самых энергоэффективных суперкомпьютеров в мире. Здесь мерой является количество флопов на ватт.
Над какими научными проектами чаще всего работают современные суперкомпьютеры? Какова современная тенденция исследований?
Если исходить из данных центра IT4Innovations и я считаю, что ситуация в мире будет аналогичной, то можно проследить за отдельными научными дисциплинами. Сегодня суперкомпьютеры примерно две трети своего времени тратят на исследования в области материаловедения, которые также включают вычислительную химию. Говорят, что для ее задач можно в полной мере использовать любой мощный компьютер. Около двадцати процентов вычислительного времени посвящено исследованиям в области дикой природы. Ниже приведены задачи из области инженерии, информатики, прикладной математики или в области наук о жизни и астрофизики. В частности, речь идет о прогнозировании погоды, изучении климата, разработке новых материалов и лекарств, оптимизации продуктов для повышения их эффективности, например, в авиации или энергетике.
А если говорить о ваших собственных исследованиях? Для чего вы используете суперкомпьютер?
В Математическом институте АНКИ мы разрабатываем методы очень быстрого решения систем линейных уравнений. Затем мы используем их для расчета несжимаемых потоков, а также занимаемся возможностями их визуализации. Мы используем суперкомпьютер для тестирования новых методов. Мы проверяем, что они работают правильно и могут ускорить такие сложные вычисления. Однако часто перед нами также стоит задача расчета конкретной симуляции, например течения или теплопроводности в теле. В этом случае мы пользуемся услугами суперкомпьютера не для разработки методов, а непосредственно для расчетов.
Мы узнаем все больше и больше о разработке суперкомпьютеров, мы читаем об исследованиях, в которых они имеют прямую заслугу. Расширяется ли их применение? Становятся ли они более универсальным научным инструментом?
Я убежден в этом. Говорят, что моделирование является третьим столпом, на котором сегодня стоят научные исследования, помимо научных теорий и экспериментов. Компьютерное моделирование занимает место где-то между этой теорией и экспериментом. Большинство уникальных научных симуляций можно выполнять только на суперкомпьютерах. Возрастают вычислительные мощности, совершенствуются и уточняются отдельные математические модели. Это открывает путь к исследованиям, где эксперименты были бы невозможны или чрезвычайно дороги. Это может быть, например, моделирование столкновений черных дыр, имитация взрывов и перегрузок мостов.
А как же гуманитарные и социальные науки? Находят ли там свое применение суперкомпьютеры?
Модели в гуманитарных науках становятся все более сложными, а алгоритмы их анализа логически требуют большей вычислительной мощности. А вот и суперкомпьютеры. Очевидно, что гуманитарные науки взаимосвязаны с компьютерными технологиями, а искусственный интеллект, во многом зависящий от мощных компьютеров, может быть промежуточным звеном.
И куда движется дальнейшее развитие суперкомпьютеров? Будут ли дальше расти их вычислительные мощности, получат ли они новые навыки?
Даже сегодня старый вопрос о том, как создавать суперкомпьютеры, по-прежнему актуален. Точнее, сделать ли их универсальными. Каждая задача немного отличается, и для каждой суперкомпьютер в идеале должен выглядеть и работать немного по-другому. Сегодня суперкомпьютеры созданы для того, чтобы подходить всем и выполнять любые задачи. А вот машинное обучение, например, сегодня уже настолько сильное поле, что производители компонентов и целых систем сами проектируют их именно под цели задач искусственного интеллекта. Однако история показала, что когда определенное оборудование было слишком адаптировано для одного конкретного приложения, другие области проигрывали.
Разработки предполагают, что в ближайшие годы будут построены суперкомпьютеры с большим количеством компонентов и с возможностью частичной специализации под определенную задачу. Некоторые из этих компонентов затем будут лучше использовать алгоритмы машинного обучения, а другие — в технических вычислениях, интенсивно использующих память. Так что на самом деле это немного работает сегодня.
