科學界和工業界正開始利用 AI 與數據中心規模的加速計算相結合的強大指數級算力

研究人員正在尋找能使他們的工作所需計算性能提升百萬倍的“燃料”。

不斷增長的數據導致計算需求飛漲。面對此情況，他們無法完全依靠已是明日黃花的摩爾定律。

因此，他們利用三大“推進器”，獲取所需的指數級加速。

縱向加速和橫向擴展

加速計算是科技的三大現代驅動力之一。在過去的十年中，借助五代 GPU 的進步以及我們在這些 GPU 之上構建的完整軟件棧，加速計算已實現了 1000 倍性能提升。

擴展能力是第二個驅動力，已取得近十萬倍的性能提升。這是因為數據中心正在成為新的計算單元。

例如，在 2015 年，使用一個 Kepler GPU 訓練 ResNet-50（熱門的計算機視覺模型之一）花了將近一個月的時間。今天，我們在 Selene 上訓練同樣的模型只用了不到半分鐘的時間。Selene 是世界上性能超強的工業超級計算機，其包含數千個 NVIDIA Ampere 架構 GPU。

我們開發了許多關鍵技術來實現這種擴展，例如 Megatron 軟件、用于多 GPU 和多節點處理的 Magnum IO，以及用于網絡計算的 SHARP。

開啟深度學習的新時代

當今時代的第三個，也是最具變革性的驅動力是 AI。

去年，深度學習在一毫秒的時間尺度內對 3.05 億個原子進行了模擬，揭示了新冠病毒 SARS-CoV-2 的內部結構。這項工作標志著與 15 年前在 20 秒內對 100 萬個原子進行模擬的最先進技術相比，其效能增加了 1000 萬倍以上。

這就是 AI 和高性能計算的結合正在席卷科學界的原因。研究人員去年在 arXiv 上發表了近 5000 篇關于利用 AI+HPC 進行工作的論文，而五年前此類論文還不到 100 篇。

最近的一篇論文來自 NVIDIA 的研究人員。它展示了一種將神經網絡與經典物理方程式相結合的方法，可令傳統模擬獲得 1000 倍的速度提升。

加快藥物研發

如今，加速計算、大規模擴展和 AI 的結合正在推動科學和工業計算的發展。

在疾病治療領域，加速藥物研發是一切工作的重中之重。這項工作頗具挑戰，開發者需要解碼 3D 蛋白質結構，了解其工作原理，然后發現能夠阻止它們感染健康細胞的化合物。

使用 X 射線和電子顯微鏡的傳統方法只解碼了大約 25000 種人類蛋白質中的 17%。DeepMind 去年在其 AlphaFold 系統中使用了一套 AI 模型，實現了重大飛躍，預測了超過 20000 種人類蛋白質的 3D 結構。

無獨有偶，NVIDIA 和美國加州理工學院的研究人員將機器學習和物理相結合，創造了 OrbNet，可加速多個數量級的分子模擬。初創公司 Entos 利用 OrbNet，令其蛋白質和候選藥物之間的化學反應模擬速度提高了 1000 倍，在三個小時內就完成了原本需要超過三個月時間的工作量。

了解氣候變化

類似情況在其他領域也屢屢發生。科學家希望盡快以千米級分辨率模擬全球氣候，以幫助我們適應不斷變化的天氣模式，更好地為災難做好準備。

但是，為了準確追蹤云層和風暴的運動模式，科學家需要在一米的分辨率級別進行研究。這需要高達 1000 億倍的計算能力。

按照摩爾定律，我們要到 2060 年才能獲得這個能力。因此，尋求百萬倍性能飛躍的科學家正在通過大規模加速計算和 AI 來構建我們星球的數字孿生。

多行業已應用數字孿生

研究人員已經在利用這些技術來構建工廠和城市的數字孿生。

例如，西門子能源公司使用在云中數十個 GPU 上運行的 NVIDIA Modulus AI 框架，模擬了整個發電廠。它可以預測蒸汽的腐蝕性影響造成的機械故障，減少宕機時間，節約成本并持續運作。

這種模擬技術可打造更高效的農場、醫院，以及幫助任何行業轉型。這就是我們開發 Modulus 原因：使創建 AI 驅動、物理級準確的模擬變得簡單。

這是在當今新計算引擎的助力下，我們打造出的又一個工具，可實現下一個百萬倍的飛躍。

數據中心規模的 AI 加速計算將帶來百萬倍的性能提升，從而解決諸如了解氣候變化、研發藥物和推動工業轉型等問題。

責任編輯：haq