مقالات

Argonne منابع محاسباتی علمی را برای مأموریت Genesis DOE گسترش می دهد


Newswise – آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده (DOE) در حال گسترش منابع محاسباتی پشت سرویس استنتاج خود است که با استقرار یک سیستم در مقیاس بزرگ به نام تارا رهبری می شود.

سرویس استنتاج که توسط مرکز محاسبات رهبری Argonne (ALCF) مدیریت می‌شود، امکان دسترسی به طیف گسترده‌تری از مدل‌های پیشرفته و ابزارهای جدید برای ادغام ابر هوش (SI)، که هوش مصنوعی نیز نامیده می‌شود، را در جریان‌های کاری علمی در اختیار محققان قرار می‌دهد. در محاسبات با کارایی بالا، استنتاج به اجرای یک مدل آموزش دیده برای ارزیابی داده ها، تولید پیش بینی یا حل مسائل علمی خاص اشاره دارد.

قدرت و قابلیت‌های محاسباتی افزوده، نقش این سرویس را به عنوان یک عامل کلیدی برای ماموریت Genesis DOE تقویت می‌کند، یک ابتکار ملی که برای تسریع علم کشف، تقویت امنیت ملی و هدایت نوآوری انرژی طراحی شده است.

Venkat Viswanath، رهبر تیم SI در ALCF گفت: «ALCF مدت‌هاست که منابع محاسباتی مورد نیاز برای انجام علم در مقیاس را در اختیار محققان قرار داده است. “از آنجایی که استنتاج و جریان های کاری مبتنی بر عامل نقش فزاینده ای در علم ایفا می کنند، ما در حال تکامل هستیم تا خدمات و ابزار جدیدی ارائه کنیم که مکمل سیستم های محاسباتی ما باشد و به دانشمندان کمک کند در تحقیقات خود بهره وری بیشتری داشته باشند.”

سرویس Inference در حال حاضر برای محققان در جامعه کاربران ALCF، دانشمندان آزمایشگاه‌های ملی DOE و تیم‌هایی که روی پروژه‌های Genesis Mission کار می‌کنند در دسترس است.

هسته اصلی توسعه Tara است، سیستمی که با همکاری شرکت Hewlett Packard (HPE) و بر اساس معماری اگزا مقیاس HPE Cray Supercomputing EX4000 ساخته شده است. تارا دارای 672 گره محاسباتی مجهز به 2688 سوپرتراشه NVIDIA GH200 Grace Hopper است. تقریباً 100 برابر حافظه GPU بیشتر از آنچه قبلاً در دسترس بود ارائه می دهد.

ALCF همچنین Minerva را معرفی کرد، سیستمی که با همکاری World Wide Technology توسعه یافته و متشکل از هشت گره مجهز به 64 پردازنده گرافیکی NVIDIA B200 است. پلتفرم متیس اخیراً از دو به شش SambaRack افزایش یافته است و تعداد کل به 96 SambaNova SN40L رسیده است. این سیستم ها پلتفرم موجود Sophia را تکمیل می کنند.

ظرفیت محاسباتی اضافه شده، سرویس استنتاج را قادر می سازد تا طیف وسیع تری از مدل های پیشرفته را میزبانی کند و از تقاضای رو به رشد محققان پشتیبانی کند. این سرویس اکنون بیش از 50 مدل را ارائه می‌کند، از مدل‌های زبان بزرگ باز (LLM) تا مدل‌های مبتنی بر علم و مدل‌های بینایی رایانه‌ای.

محققان می توانند از طریق یک رابط برنامه نویسی کاربردی که مدل ها را به برنامه های کاربردی نرم افزاری متصل می کند، یا از طریق یک رابط کاربرپسند و چت مانند مشابه ChatGPT، به سرویس استنتاج دسترسی داشته باشند. از آنجایی که مدل ها به صورت محلی در ALCF اجرا می شوند، این سرویس همچنین یک محیط امن برای کار با داده های تحقیقاتی حساس را فراهم می کند.

عوامل پشتیبانی یک حوزه اصلی توسعه خدمات هستند. برخلاف یک ربات چت که در درجه اول به درخواست‌ها پاسخ می‌دهد، یک عامل می‌تواند یک مدل را با ابزارهای نرم‌افزاری و منابع محاسباتی برای انجام وظایف از طرف محقق متصل کند. به عنوان مثال، یک عامل می تواند به یک دانشمند کمک کند تا اسکریپت ها و پارامترهای محاسباتی را آماده کند و نتایج را تجزیه و تحلیل کند. عامل ها همچنین می توانند به بهینه سازی کدهای علمی برای اجرای کارآمد در معماری های مختلف کامپیوتر کمک کنند.

کاترین ریلی، مدیر علوم ALCF گفت: «ما به زمانی می‌رویم که گردش‌های کاری عامل نقش بسیار بیشتری در فرآیند علمی بازی می‌کند. ما می بینیم که محققان عواملی را برای اتصال ابزارهای علمی، خودکار کردن محاسبات چند مرحله ای و تجزیه و تحلیل داده ها، و استفاده از نتایج تجربی برای کمک به تعیین اینکه چه چیزی در آینده بررسی می شود، به کار می گیرند.

سرویس استنتاج پیشرفته اکنون چندین پروژه تحقیقاتی را پشتیبانی می کند.

ChemGraph، یک چارچوب مبتنی بر عامل مبتنی بر آرگون برای شیمی محاسباتی و علم مواد، از LLM‌های میزبانی شده توسط Inference Service برای کمک به ساده‌سازی و خودکارسازی گردش‌های کاری علمی استفاده می‌کند. محققان می توانند یک مشکل را به زبان ساده توصیف کنند و ChemGraph عواملی برای کمک به برنامه ریزی و هماهنگ کردن شبیه سازی ها و تحلیل ها دارد.

SYNAPS-I یک پروژه Genesis Mission است که قابلیت‌هایی را برای آزمایش‌های خودمختار در تأسیسات منبع نور و نوترون DOE توسعه می‌دهد. در یک نمایش اخیر، محققان از یک عامل خواستند تا رابط بین دو منطقه را در یک نمونه میکروالکترونیک بیابد. سیستم نمونه را اسکن می کند، از مدل های بصری برای تجزیه و تحلیل تصاویر استفاده می کند و تا زمانی که منطقه مورد نظر را پیدا کند، پیمایش می کند. این تلاش نشان داد که چگونه یک مدل ارائه شده از طریق سرویس استنتاج می‌تواند به بخشی از یک جریان کاری مستقل که عامل‌ها، داده‌های تجربی و یک ابزار علمی را متصل می‌کند تبدیل شود.

مدل‌های پیشرفته می‌توانند به منابع محاسباتی قابل توجهی برای پیاده‌سازی و بهره‌برداری نیاز داشته باشند و آنها را فراتر از دسترس بسیاری از تیم‌های تحقیقاتی فردی قرار دهد. هدف ALCF با ارائه یافته‌ها به‌عنوان یک منبع مشترک، کمک به محققان بیشتری است که این قابلیت‌ها را برای مسائل علمی در مقیاس به کار گیرند.

ویسوانات گفت: «فرصت این است که استنتاج بخشی طبیعی‌تر از جریان‌های کاری علمی شامل شبیه‌سازی، تجزیه و تحلیل داده‌ها و آزمایش‌ها باشد». همانطور که مدل‌ها و عوامل به پیشرفت خود ادامه می‌دهند، به محققان کمک می‌کنند تا با مشکلات پیچیده‌تر مقابله کنند، در مقیاس‌های بزرگ‌تر کار کنند و سریع‌تر از ایده‌ها به اکتشافات حرکت کنند.»

جیم کالینز نویسنده علم و فناوری برای Argonne است که متخصص در پوشش علوم کامپیوتر، ابر رایانه و تحقیقات مبتنی بر هوش مصنوعی است. او بیش از 15 سال است که درباره علم می نویسد.

تسهیلات محاسباتی رهبری آرگون قابلیت های ابررایانه و هوش مصنوعی را در اختیار جامعه علمی و مهندسی قرار می دهد تا اکتشافات و درک اساسی را در طیف گسترده ای از رشته ها پیش ببرد. ALCF که توسط برنامه تحقیقات محاسبات علمی پیشرفته (ASCR) وزارت انرژی ایالات متحده (DOE) پشتیبانی می شود، یکی از دو مرکز محاسباتی رهبری DOE در کشور است که به علم باز اختصاص دارد.

آزمایشگاه ملی آرگون با انجام تحقیقات بنیادی و کاربردی پیشرو در تقریباً هر رشته علمی به دنبال راه حلی برای مشکلات مبرم ملی در علم و فناوری است. Argonne توسط UChicago Argonne، LLC برای دفتر علوم وزارت انرژی ایالات متحده اداره می شود.

دفتر علوم وزارت انرژی ایالات متحده بزرگترین حامی تحقیقات پایه در علوم فیزیکی در ایالات متحده است و برای رسیدگی به برخی از مهم ترین چالش های زمان ما تلاش می کند. برای اطلاعات بیشتر، به https://energy.gov/​science مراجعه کنید.




Source link

نوشته های مشابه

دیدگاهتان را بنویسید

دکمه بازگشت به بالا