AI 拡張型 HPC
HPC 実装に必要なアーキアーキテクチャーには、AI 実装と多くの類似点があります。どちらも、高度なコンピューティングとストレージ、大容量メモリーと広い帯域幅、高帯域幅ファブリックを使用し、通常大型化している大量のデータセットを処理することで、成果を上げます。ディープラーニングは、非常に大規模で多元的なデータセットを含む HPC が対応する問題に非常に適しています。例えば、Quantifi はインテル® 対応 AI を使用 して、金融市場におけるデリバティブ評価を従来の方法の 700 倍高速化し、1 一般的な評価ワークロード向けのほぼリアルタイムの結果を提供しました。
HPC における AI の可能性は、AI モデルがデータセットの専門的な分析を強化し、同じレベルでの正確性で結果を高速に生成できることです。主要な HPC ユースケースは、次のような高度な AI 機能から恩恵を受けています。
- リスクおよび不正検出、物理、製造などの金融サービス (FSI) 向け分析。
- 産業用製品設計、数値流体力学 (CFD)、コンピューター支援エンジニアリング (CAE)、およびコンピューター支援設計 (CAD)。
- 特に高エネルギー物理学などの分野での科学的可視化とシミュレーション。
- パターン・クラスタリング、ライフサイエンス、ゲノムの配列決定、および医学研究。
- 地球科学とエネルギー分野の調査。
- 天候、気象学、気候科学。
- 天体と宇宙物理学。
ワークロードはどのように変化したか
AI 向けの現在のユースケースの多くは、AI オブジェクト認識用スマートカメラに大きく依存するインテリジェント・トラフィック・システムなど、エッジまたはデータセンターの導入に制限されています。AI モデルを支えるアルゴリズムは、はるかに複雑化し、より大きな可能性を提供していますが、科学的発見、イノベーション、および産業用アプリケーションとビジネス向けアプリケーションのためには、より優れたコンピューティングを必要とします。AI 推論を HPC レベルにどのように拡大するか、あるいは、数週間ではなく数時間で交差点でのトラフィックのパターンの認識からゲノムの配列決定へどう移動するかが課題です。
幸いなことに、HPC のコミュニティーは、より多くの並列処理のニーズ、膨大なデータセット向けの高速 I/O、分散型のコンピューティング環境の効率的なナビゲーションなど、大規模な AI の課題に対処する方法において数十年もの経験を提供しています。これらのような HPC の機能は、AI を高速化し、ディープラーニング推論を介してエキスパート・ヒューリスティックを 1 秒間に何千ものトランザクション、ワークロード、またはシミュレーションへ適用するなどの有益な成果を達成することに役立っています。
物理に基づいたニューラル・ネットワーク (PINN)
AI 拡張型 HPC のユースケースの 1 つの例として、より実質的な生産を生むための物理的法則の推論モデルへの統合があります。これらの応用では、ニューラル・ネットワークは、質量保存、エネルギー、速度などの既存の法則に従う必要があり、これは物理に基づいたニューラル・ネットワーク (PINN) と呼ばれます。PINN は、流量分析、分子動力学、翼とジェットエンジンの設計、および高エネルギー物理学などのユースケース向けの HPC モデリングとシミュレーションの強化、または置き換えに使用できます。
例えば、CERN の研究者は、インテル® Xeon® スケーラブル・プロセッサー・ファミリーのインテル® ディープラーニング・ブースト (インテル® DL ブースト) を使用して、粒子衝突のためのモンテカルロ・シミュレーションを置き換えました。低精度 int8 の量子化は、若干の精度向上により、ソフトウェア・シミュレーションと比較して最大で 68,000 倍高速な処理を実現します。2
HPC における AI を、データの成長が推進
HPC と AI ワークロードの主な推進力は、一貫したデータの成長と HPC スケール分析との歩調を合わせる必要性です。AI アルゴリズムは複雑さを増しており、過去数年で、特にディープラーニングの手法が紹介されて以降、これまで以上にはるかに大量のデータセットを処理することが可能になっています。ゲノム配列決定などの領域は、とてつもない量のデータを生成し、Broad Institute of MIT and Harvard のような機関は、毎日約 24 テラバイトもの新しいデータを作成しています。3
AI が重要なワークロードの高速化を支援するため、発見は後れを取ることがありません。例えば、インテルは Broad Institute と提携し、ハードウェア対応の AI アクセラレーションを統合し、主要なゲノムのツールセット向けの HPC ワークロードを推進する、Genomics Analytics Toolkit (GATK) 向けのインテル® Select ソリューションを開発しました。GATK Select ソリューションを使用して、Broad Institute は Burrow-Wheeler Aligner (BWA) アプリケーションの 1.75 倍の高速化と HaplotypeCaller アプリケーションの 2 倍の高速化を実現しました。3
San Diego Supercomputer Center (SDSC) は、世界最大規模の学術データセンターを提供しており、データの使用、管理、ストレージ、保存における国際的リーダーとして認められています。AI を中心としたこのシステムを利用することで、科学者はトレーニングと推論の加速化のための新しいアプローチを開発できます。ケーススタディー: SDSC が AI を中心とした「Voyager」スーパーコンピューターを構築。
HPC 導入における AI の課題を解決
AI 向けの HPC 構成に関しては、従来 CPU アーキテクチャー内における AI 要件と HPC 要件の間に矛盾が存在します。AI 重視のワークロードは、通常コア数を速度のために犠牲にしますが、HPC ワークロードは、高コア数とより多くのコアツーコアの帯域幅でのより優れたコンピューティング・パフォーマンスを好みます。継続した世代間の改善により、インテルはインテル® Xeon® スケーラブル・プロセッサー・ファミリーにおける内蔵アクセラレーションなどのソリューションを提供しています。
ハードウェア層とソフトウェア層両方における次の主要なイノベーションは、AI ソリューションの設計と構築を容易にしています。
- インテル® Xeon® スケーラブル・プロセッサー・ファミリーは、内蔵された AI アクセラレーションにより、必要とされる高レベルの AI パフォーマンスを実現します。インテル® プロセッサー限定の、インテル® DL ブースト・ベクトル・ニューラル・ネットワーク・インストラクション (VNNI) 搭載インテル® AVX-512 は、より短い時間での高速な洞察向けの最適化された AI パフォーマンスを実現します。
- インテル® oneAPI AI 分析ツールキット内の低精度最適化ライブラリーにより、HPC および AI プラットフォーム向けのコード化が容易になり、同時にパフォーマンスの向上と精度のしきい値の維持が可能になります。
- マシンラーニング向けインテル® FPGA は、高度な並列化をサポートし、HPC および AI ワークロード向けの結果と洞察獲得への時間を加速するのに役立ちます。
- Habana Labs の Gaudi プラットフォーム、ディープラーニング・プロセッサー・テクノロジーに特化したインテルのデータセンター・チームにより、データ・サイエンティストとマシンラーニング・エンジニアは、わずか数行のコードでトレーニングを高速化し、新しいモデルを構築したり、既存のモデルを移行することができ、より高い生産性と低い運用コストを享受することができます。Habana アクセラレーターは、AI モデルのトレーニングと推論を大規模に行うことを目的に構築されています。
- AI 開発者は、HPC クラスターでより効率的に動作するよう、手法とコードを改良しています。新しい最適化は、データの読み込みから前処理、トレーニング、推論まで、エンドツーエンドでワークロードを加速しています。
複雑性もまた、HPC と AI 導入における主要な摩擦の要因です。必要なスキルセットは、非常にドメイン固有であり、ビジネスの成功には HPC と AI で熟練した人材を獲得する必要があります。インテルは HPC と AI 両方のコミュニティーと緊密に強力して専門知識とアイデアを共有しているため、インテルの業界のリーダーシップが道を切り開くのに役立つことができます。
結論: AI インテリジェンスを HPC に導入
AI は、新しいテクノロジーや方法により HPC アプリケーションへ注入されており、迅速な発見や洞察のための AI 分析のペースや規模を向上させています。これらのイノベーションにより、データ・サイエンティストや研究者は、AI に依存してより多くのデータを処理し、より現実的なシミュレーションを作成し、より精度の高い予測をすることが、もっと短い時間で可能になります。