• Projekt z wykorzystaniem najszybszego komputera świata wsparł rząd USA
• Rekordowe tempo uczenia maszyny to miliard miliardów operacji na sekundę
• Trening komputera skoncentrował się na zmianach klimatu

Na razie nikt z nim nie wygra, choć Chiny i Zjednoczone Emiraty Arabskie postawiły sobie za cel zbudowanie jeszcze szybszego superkomputera. Summit, okrzyknięty w czerwcu 2018 roku królem królów szybkości przetwarzania informacji, zadziałał z prędkością miliarda miliardów operacji na sekundę. Uczył się prognozować zmiany klimatu.

Dwa boiska procesorów

Summit zajmuje powierzchnię dwóch kortów tenisowych. A ponad 200 km światłowodu spina urządzenia. Razem z inną supermaszyną o nazwie Sierra kosztował 325 milionów dolarów. Jego zbudowanie pięć lat temu powierzono firmom IBM, Nvidia (producent procesorów graficznych) i Mellanox (dostawca rozwiązań sieciowych). Summit znajduje się w Narodowym Laboratorium Oak Ridge w Tennessee, a jego „siostra bliźniaczka”, Sierra w Kalifornii. „Szczyt” jest przeznaczony do cywilnych badań naukowych, Sierra do symulacji broni nuklearnej. Superkomputer z Tennessee pracuje dla naukowców na całym świecie, wykonując badania m.in. z medycyny, kosmologii i klimatu.

Summit posiada wyspecjalizowane szybkie połączenia, które spinają tysiące procesorów w jeden spójny system

„Jest milion razy bardziej wydajny niż laptop z najwyższej półki. Umożliwia przesiewanie tysięcy zmiennych oraz tworzenie modeli i symulacji, które pomagają znaleźć odpowiedzi na najbardziej złożone problemy na świecie – wyjaśnia Michael Rosenfield, wiceprezes Data Centric Solutions Działu Badań IBM.

Pod koniec ubiegłego roku Summit zaczął pracować w eksaskali (ang. exascale), zostawiając jeszcze dalej w tyle wszystkie inne supermaszyny, w tym gigantyczne serwery Google’a czy Facebooka. Wykorzystany został w projekcie uczenia maszynowego w badaniach nad klimatem, które prowadził rząd USA. 27 tysięcy wydajnych procesorów graficznych szkoliło algorytmy głębokiego uczenia się maszyny, w tempie miliarda miliardów operacji na sekundę. Taka prędkość to już tzw. eksaflopsy.

Wielki sztuczny mózg

Summit ma inną strukturę, niż maszyny w centrach danych i obliczeń firm internetowych. Tam serwery współpracują ze sobą, dzieląc problemy na części, bo nie są scalone w jeden gigantyczny sztuczny mózg. Summit posiada wyspecjalizowane szybkie połączenia, które spinają tysiące procesorów w jeden spójny system.

Eksperyment uczenia maszynowego z wykorzystaniem Summit’a będzie miał wpływ na przyszłość nie tylko prognozowania i powstrzymywania zmian klimatu, ale także na rozwój sztucznej inteligencji. W nowym świetle pokazał potencjał maszyn, symulujących procesy fizyczne i chemiczne. Udowodniono, że uczenie maszynowe może śmiało korzystać z największej mocy obliczeniowej, dając o wiele lepsze wyniki.

Prowadzenie głębokiej nauki na superkomputerach to nowy pomysł, który pojawił się w dobrym momencie dla badaczy klimatu. W samych tylko Stanach Zjednoczonych ekstremalne zjawiska pogodowe spowodowały w 2016 r. 297 ofiar śmiertelnych i 53,5 miliarda dolarów strat. Globalnie klęski żywiołowe wyrządziły 175 miliardów dolarów szkód.

Realistyczne, błyskawiczne symulacje

Rządy, biznes i ludzie otrzymują ostrzeżenia przed dziką pogodą, aby zminimalizować jej wpływ, ale dzisiaj informacje są ograniczone i docierają z niewielkim wyprzedzeniem. Poza tym obecne modele globalnej prognozy pogody mogą przewidywać aurę w skali regionalnej. Wydajność superkomputerów jest bardziej wiarygodna.

Badania z wykorzystaniem Summit’a potwierdziły, że głęboka nauka maszyn może generować bardziej realistyczne symulacje chmur w prognozach klimatycznych. Może to poprawić prognozy zmieniających się wzorców opadów.

„Zadania, które zajmowały miesiące lub tygodnie, wymagają teraz kilku dni lub godzin. Aby wykorzystać możliwości SI komputera Summit, od kilku lat pracowaliśmy nad źródłami danych i algorytmami, które wykorzystują nie tylko procesory graficzne, ale także sieci o wysokiej wydajności – stwierdza Michael Rosenfield.

Dodaje, że oprogramowanie może nauczyć komputery rozpoznawania obiektów na obrazach, rozumienia treści dokumentów, prognozowania popytu lub oceny ryzyka. „Jako przykład pokazaliśmy, że używając technologii superkomputerowej możemy wyszkolić model do identyfikacji rzeczy o dokładności zdecydowanie wyższej niż ludzka i zrobić to o wiele szybciej, niż człowiek” – zapewnia Rosenfield.

• Facebook
• Google
• IBM
• NVIDIA
• Oak Ridge National Laboratory
• Summit
• USA
• Zjednoczone Emiraty Arabskie