Membuat perangkat lunak yang akan membuka kekuatan exascale
Software

Membuat perangkat lunak yang akan membuka kekuatan exascale


Kinerja exaFLOP sistem Aurora – setara dengan satu triliun komputasi floating point per detik – akan memberi para peneliti seperangkat alat yang belum pernah ada sebelumnya untuk mengatasi masalah ilmiah di exascale. Kredit: Laboratorium Nasional Argonne

Organisasi riset terkemuka dan produsen komputer di AS bekerja sama dalam pembangunan beberapa superkomputer tercepat di dunia — sistem exascale yang mampu melakukan lebih dari satu miliar miliar operasi per detik. Satu miliar miliar (juga dikenal sebagai satu triliun atau 1018) adalah tentang jumlah neuron dalam sepuluh juta otak manusia.

Superkomputer tercepat saat ini memecahkan masalah di petascale, yang berarti mereka dapat melakukan lebih dari satu kuadriliun operasi per detik. Dalam arti paling dasar, exascale 1.000 kali lebih cepat dan lebih bertenaga. Memiliki mesin baru ini akan memungkinkan ilmuwan dan insinyur menjawab pertanyaan sulit tentang alam semesta, perawatan kesehatan canggih, keamanan nasional, dan banyak lagi.

Pada saat yang sama perangkat keras untuk sistem bersatu, begitu pula aplikasi dan perangkat lunak yang akan berjalan di atasnya. Banyak peneliti yang mengembangkannya — anggota Exascale Computing Project (ECP) Departemen Energi AS (DOE) — baru-baru ini menerbitkan makalah yang menyoroti kemajuan mereka sejauh ini.

Laboratorium Nasional Argonne DOE, rumah masa depan bagi sistem exascale Aurora, adalah mitra kunci dalam ECP; para peneliti tidak hanya terlibat dalam pengembangan aplikasi, tetapi juga merancang bersama perangkat lunak yang diperlukan agar aplikasi dapat berjalan secara efisien.

Menghitung langit pada skala ekstrim

Salah satu aplikasi yang menarik adalah pengembangan kode untuk secara efisien mensimulasikan “alam semesta virtual” sesuai permintaan dan pada kesetiaan tinggi. Ahli kosmologi dapat menggunakan kode tersebut untuk menyelidiki bagaimana alam semesta berevolusi dari awal mulanya.

Simulasi dengan ketelitian tinggi sangat diminati karena survei langit yang lebih luas dilakukan pada beberapa panjang gelombang, memperkenalkan lebih banyak lapisan data yang tidak dapat diprediksi oleh sistem komputasi kinerja tinggi (HPC) yang ada dengan cukup detail.

Melalui proyek ECP yang dikenal sebagai ExaSky, peneliti memperluas kemampuan dua kode simulasi kosmologis yang ada: HACC dan Nyx.

“Kami memilih HACC dan Nyx dengan sengaja karena mereka memiliki dua cara berbeda untuk menjalankan masalah yang sama,” kata Salman Habib, direktur divisi Ilmu Komputasi Argonne. “Saat Anda memecahkan masalah yang kompleks, ada yang salah. Dalam kasus tersebut, jika Anda hanya memiliki satu kode, akan sulit untuk melihat apa yang salah. Itulah mengapa Anda memerlukan kode lain untuk membandingkan hasil.”

Untuk memanfaatkan sumber daya exascale, peneliti juga menambahkan kemampuan dalam kode mereka yang tidak ada sebelumnya. Hingga saat ini, mereka harus mengecualikan beberapa fisika yang terlibat dalam pembentukan struktur detail di alam semesta. Tetapi sekarang mereka memiliki kesempatan untuk melakukan simulasi yang lebih besar dan lebih kompleks yang memasukkan lebih banyak masukan ilmiah.

“Karena mesin baru ini lebih bertenaga, kami dapat memasukkan fisika atom, dinamika gas, dan efek astrofisika dalam simulasi kami, membuatnya jauh lebih realistis,” kata Habib.

Hingga saat ini, kolaborator di ExaSky telah berhasil memasukkan fisika gas ke dalam kode mereka dan telah menambahkan teknologi perangkat lunak canggih untuk menganalisis data simulasi. Langkah selanjutnya untuk tim adalah terus menambahkan lebih banyak fisika, dan setelah siap, uji perangkat lunak mereka pada sistem generasi berikutnya.

Analisis dan reduksi data online

Pada saat aplikasi seperti ExaSky sedang dikembangkan, peneliti juga merancang bersama perangkat lunak yang diperlukan untuk mengelola data yang mereka buat secara efisien. Saat ini, aplikasi HPC telah menghasilkan data dalam jumlah besar, terlalu banyak untuk disimpan dan dianalisis secara efisien dalam bentuk aslinya. Oleh karena itu, data perlu dikurangi atau dikompresi dengan cara tertentu. Proses penyimpanan data dalam jangka panjang, bahkan setelah dikurangi atau dikompresi, juga lambat dibandingkan dengan kecepatan komputasi.

“Secara historis, ketika Anda menjalankan simulasi, Anda akan menulis data ke penyimpanan, lalu seseorang akan menulis kode yang akan membaca data dan melakukan analisis,” kata Ian Foster, direktur divisi Sains dan Pembelajaran Data Argonne. . “Melakukannya selangkah demi selangkah akan sangat lambat pada sistem exascale. Simulasi akan lambat karena Anda menghabiskan semua waktu untuk menulis data dan analisis akan lambat karena Anda menghabiskan waktu membaca semua data kembali. “

Salah satu solusi untuk ini adalah menganalisis data pada saat simulasi berjalan, proses yang dikenal sebagai analisis data online atau analisis in situ.

Pusat ECP yang dikenal sebagai Co-Design Center for Online Data Analysis and Reduction (CODAR) sedang mengembangkan metode analisis data online, serta teknik reduksi dan kompresi data untuk aplikasi exascale. Metode mereka akan memungkinkan simulasi dan analisis terjadi secara lebih efisien.

CODAR bekerja sama dengan berbagai tim aplikasi untuk mengembangkan metode kompresi data, yang menyimpan informasi yang sama tetapi menggunakan lebih sedikit ruang, dan metode reduksi, yang menghapus data yang tidak relevan.

“Pertanyaan tentang apa yang penting sangat bervariasi dari satu aplikasi ke aplikasi lainnya, itulah sebabnya kami bekerja sama dengan tim aplikasi untuk mengidentifikasi apa yang penting dan apa yang tidak,” kata Foster. “Tidak apa-apa kehilangan informasi, tetapi itu perlu dikontrol dengan sangat baik.”

Di antara solusi yang telah dikembangkan tim CODAR adalah Cheetah, sistem yang memungkinkan para peneliti membandingkan pendekatan desain bersama mereka. Lainnya adalah Z-checker, sistem yang memungkinkan pengguna mengevaluasi kualitas metode kompresi dari berbagai perspektif.

Pembelajaran mendalam dan pengobatan presisi untuk pengobatan kanker

Komputasi exascale juga memiliki aplikasi penting dalam perawatan kesehatan, dan DOE, National Cancer Institute (NCI) dan National Institutes of Health (NIH) memanfaatkannya untuk memahami kanker dan pendorong utama yang memengaruhi hasil. Untuk melakukan ini, proyek Pengobatan Presisi yang Diaktifkan Pembelajaran Mendalam Exascale untuk Kanker sedang mengembangkan kerangka kerja yang disebut CANDLE (CANcer Distributed Learning Environment) untuk mengatasi tantangan penelitian utama dalam kanker dan bidang perawatan kesehatan penting lainnya.

CANDLE adalah kode yang menggunakan sejenis algoritme pembelajaran mesin yang dikenal sebagai jaringan neural untuk menemukan pola dalam kumpulan data besar. CANDLE sedang dikembangkan untuk tiga proyek percontohan yang diarahkan pada (1) memahami interaksi protein utama, (2) memprediksi respons obat dan (3) mengotomatiskan ekstraksi informasi pasien untuk menginformasikan strategi pengobatan.

Masing-masing masalah ini berada pada skala yang berbeda — tingkat molekuler, pasien, dan populasi — tetapi semuanya didukung oleh lingkungan pembelajaran mendalam yang dapat diskalakan sama di CANDLE. Paket perangkat lunak CANDLE secara luas terdiri dari tiga komponen: kumpulan jaringan neural dalam yang menangkap dan mewakili tiga masalah, pustaka kode yang diadaptasi untuk komputasi tingkat-exascale dan komponen yang mengatur bagaimana pekerjaan akan didistribusikan ke seluruh sistem komputasi.

“Lingkungan akan benar-benar memungkinkan peneliti individu untuk meningkatkan penggunaan superkomputer DOE mereka pada pembelajaran mendalam dengan cara yang belum pernah dilakukan sebelumnya,” kata Rick Stevens, direktur laboratorium asosiasi Argonne untuk Ilmu Komputer, Lingkungan dan Kehidupan.

Penerapan seperti ini hanyalah titik kritis. Setelah sistem ini online, potensi kemampuan baru tidak akan ada habisnya.

Mitra laboratorium yang terlibat dalam ExaSky termasuk Argonne, Los Alamos, dan Lawrence Berkeley National Laboratories. Kolaborator yang mengerjakan CANDLE termasuk Argonne, Lawrence Livermore, Los Alamos dan Laboratorium Nasional Oak Ridge, NCI dan NIH.

Makalah, berjudul “Exascale application: skin in the game”, diterbitkan di Transaksi Filosofis Royal Society A.


Metode analisis baru memfasilitasi evaluasi data teknik yang kompleks


Informasi lebih lanjut:
Francis Alexander dkk. Aplikasi Exascale: skin dalam game, Transaksi Filsafat Royal Society A: Matematika, Fisika dan Ilmu Teknik (2020). DOI: 10.1098 / rsta.2019.0056

Justin M. Wozniak dkk. CANDLE / Supervisor: kerangka kerja alur kerja untuk pembelajaran mesin yang diterapkan pada penelitian kanker, BMC Bioinformatika (2018). DOI: 10.1186 / s12859-018-2508-4

Disediakan oleh Laboratorium Nasional Argonne

Kutipan: Membuat perangkat lunak yang akan membuka kekuatan exascale (2020, 15 Oktober) diakses 27 November 2020 dari https://techxplore.com/news/2020-10-software-power-exascale.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Keluaran Singapore Hari Ini