Штучний інтелект навчає суперкомп'ютери працювати ефективніше

AI оптимізує роботу суперкомп’ютерів, обираючи "модель дня"

Джерело: techxplore.com

Науковці Національної лабораторії Томаса Джефферсона (США) розробили штучні нейронні мережі для контролю та оптимізації високопродуктивних обчислювальних систем. Головна мета – зменшити витрати та підвищити надійність суперкомп'ютерів, які використовуються для обробки експериментальних даних.

Як це працює?

Дослідники створили систему DIDACT (Digital Data Center Twin), яка використовує методи безперервного навчання. Моделі машинного навчання (ML) аналізують роботу обчислювальних кластерів, виявляють аномалії та прогнозують потенційні збої.

Щодня система обирає "модель-чемпіона", яка найкраще навчилася на актуальних даних. Це дозволяє автоматично коригувати роботу кластерів, мінімізуючи затримки та збільшуючи продуктивність.

Чому це важливо?

Сучасні наукові установки, такі як прискорювачі частинок і радіотелескопи, генерують терабайти інформації щогодини. Національна лабораторія Томаса Джефферсона використовує потужні обчислювальні кластери, що працюють 24/7 для аналізу фізичних експериментів.

Втрати продуктивності через несправності або неефективне використання ресурсів означають величезні фінансові витрати та затримки в наукових дослідженнях. DIDACT допомагає вирішити цю проблему, автоматично виявляючи збої ще до того, як вони призведуть до серйозних проблем.

Що далі?

Команда розглядає можливість розширення DIDACT для оптимізації енергоспоживання – наприклад, регулювання охолодження дата-центрів або управління потужністю процесорів залежно від завантаженості системи.

"Мета – отримати більше науки за менші гроші", – пояснює Браян Гесс, керівник проєкту.

Розвиток подібних систем може зробити роботу великих обчислювальних центрів значно ефективнішою, що відкриє нові можливості для сучасної науки.