Ferveret ha annunciato l’impiego della propria piattaforma di calcolo ad alte prestazioni da parte di ricercatori del Massachusetts Institute of Technology impegnati nello sviluppo di metodi di intelligenza artificiale per lo studio dei materiali nucleari. La collaborazione coinvolge il Materials in Extreme Environments Lab del MIT, diretto da Ericmoore Jossou, docente nei dipartimenti di Nuclear Science and Engineering e di Electrical Engineering and Computer Science. L’attività scientifica riguarda l’analisi dei materiali sottoposti a condizioni estreme, con particolare attenzione alle caratteristiche strutturali e ai difetti osservabili su scala nanometrica attraverso tecniche avanzate di microscopia e imaging a raggi X coerenti. La piattaforma Ferveret viene utilizzata per sostenere due attività computazionali: lo sviluppo di metodi AI per l’elaborazione delle misure di diffrazione coerente a raggi X e l’addestramento di potenziali interatomici basati sul machine learning, destinati a rappresentare le interazioni tra atomi e a simulare il comportamento dei materiali. Nel primo ambito rientrano tecniche come la Bragg Coherent Diffraction Imaging, attraverso le quali modelli generativi informati dalle leggi fisiche possono contribuire alla ricostruzione delle informazioni di fase a partire dai dati sperimentali. Nel secondo, i modelli apprendono relazioni tra configurazioni atomiche, energie e forze, riducendo la necessità di ripetere calcoli elettronici particolarmente onerosi per ogni passaggio di una simulazione. L’obiettivo è estendere la scala spaziale e temporale delle analisi atomistiche, avvicinandone l’accuratezza a quella dei calcoli basati sulla teoria del funzionale della densità, pur senza che siano stati pubblicati benchmark quantitativi specifici in grado di dimostrare tale livello di precisione per i progetti interessati.
L’infrastruttura utilizza Adaptive Phase Cooling, una tecnologia di raffreddamento sviluppata da Ferveret sulla base di principi di trasferimento termico studiati anche nell’ingegneria dei reattori nucleari. Il meccanismo è fondato sull’ebollizione sottoraffreddata, nella quale il calore prodotto dai componenti elettronici provoca la formazione di bolle di vapore sulle superfici calde, mentre il liquido circostante rimane a una temperatura inferiore al proprio punto di ebollizione. Le bolle si distaccano rapidamente e condensano direttamente nel fluido più freddo, ripristinando il contatto del liquido con la superficie da raffreddare. Questa configurazione differisce dai tradizionali sistemi a immersione bifase con ebollizione satura, nei quali il vapore si raccoglie in una zona separata prima della condensazione. Secondo Ferveret, la condensazione locale permette di utilizzare involucri più compatti e condizioni operative prossime alla pressione ambiente, rendendo possibile l’integrazione della tecnologia direttamente a livello di server. La soluzione commerciale comprende Lambert, un’unità di raffreddamento in formato rack 4U, uno scambiatore termico specificamente progettato e un software di controllo che adatta le condizioni operative al carico termico. Il sistema si collega all’infrastruttura di smaltimento del calore del centro dati e punta a mantenere acceleratori e processori entro temperature compatibili con prestazioni sostenute anche durante carichi computazionali prolungati.
Ferveret attribuisce alla propria tecnologia un incremento fino al 15% della capacità computazionale utile a livello di server rispetto ad alcune soluzioni avanzate di raffreddamento diretto al chip e un miglioramento complessivo fino al 35% quando vengono considerati anche gli effetti sull’efficienza energetica dell’impianto. Il primo valore deriva da prove presentate in precedenza in collaborazione con l’Intelligent Connectivity Laboratory della University of California, Los Angeles, utilizzando acceleratori NVIDIA H200 e misurando l’efficienza computazionale in TFLOPS per kilowatt di potenza assorbita dal server. Il secondo deriva da una valutazione che combina il miglioramento dell’efficienza del server con la riduzione del Power Usage Effectiveness del centro dati, ipotizzando il passaggio da un PUE di 1,20 a 1,03. Le due percentuali non costituiscono quindi misure intercambiabili: la prima riguarda il rapporto tra lavoro computazionale e potenza elettrica del server, mentre la seconda incorpora anche una simulazione dei consumi delle infrastrutture ausiliarie. Non sono stati messi a disposizione tutti i dati sperimentali e i protocolli necessari a riprodurre indipendentemente i confronti. Nell’ambito della collaborazione con il MIT, il raffreddamento rappresenta un componente infrastrutturale destinato a sostenere l’esecuzione continuativa delle elaborazioni AI e delle simulazioni dei materiali, mentre i benefici effettivi dipenderanno dall’hardware utilizzato, dalle impostazioni energetiche e dalle caratteristiche specifiche dei carichi scientifici.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)