4月11日,全球首张黑洞照片发布。看过相关报道的都知道,这张照片的出炉很不容易。首先是,通过全球8台亚毫米射电望远镜构建成口径13000公里的超级“虚拟”望远镜——视界面望远镜(EHT)进行“拍照”,拍照之后的是“洗”照片。而洗照片需要处理百万G数据。这背后是超算中心在支撑。
大家是不是好奇,超算中心是如何运算处理这些数据来“洗”照片的。上海超算中心副主任李根国表示黑洞照片形成主要有两部分数据,第一是观察获得的数据,第二是演化模拟的数据。
一个方面是基于观测的数据,通过望远镜基于观测或者卫星采集数据,这些数据是一个天文数字,比如此次黑洞照片每台望远镜都记录了大约1 PB(100万GB)的总数据。
第二个方面是基于计算机的演化模拟,整个宇宙符合一定的运动规律,比如地球围绕太阳旋转,整个太阳系如何在银河系运转。通过宇宙的运动规律,再加上观测数据,就要有大量的CPU和超级计算机来计算出结果。
上海超算中心作为一个公共的服务平台,面向全社会服务的资源。虽然因为黑洞照片火了一把,但是普通民众对于超算中心的概念还是比较模糊。李根国形象的把超算中心比喻为发电厂,超算中心提供的是计算力,电厂提供的是电力,普通民众看到的电力资源是通过电网来获取的,现在的计算力也是通过互联网提供给广大用户。

今天超算中心的作用逐步从科学走向企业。基于社会各界对于计算能力的需求增加,上海超算中心也不断在提升自己的计算能力,为全社会提供计算服务。同时上海超算中心与英特尔成立了联合实验室,这个联合实验室来测试英特尔最新款的CPU的性能和应用,包括对近期发布的基于第二代英特尔至强可扩展处理器的曙光先进计算服务器系列产品。
李根国透露目前上海超算中心正在部署新的第6台超级计算机,这台超级计算机是由中科曙光制造的,内部搭载了第二代英特尔至强可扩展处理器,计算能力为3.3PF。相对于目前上海超算中心的魔方2超级计算机,算力提升了10倍。这样就能继续满足不同类型的特别是工业和科学计算的需求。
第二代英特尔至强可扩展处理器,除了满足计算处理,同时集成加速面向大数据和人工智能深度学习推理的加速技术。新的处理器兼顾了计算的同时也兼顾了新的需求,特别是大数据和人工智能的需求,这在超算里面也有新的方向,因此在超算领域一个方面在为传统的科学家提供资源,同时因为政府的公共服务平台,也会面向新的应用方向就是人工智能,特别是制造业,制造业里面类似于有一些厂商做自动驾驶的,这些工作也是需要超级算力作为支撑。
展望超算,未来大有可为
在物理、化学领域里,目前的高性能计算应用大部分采用分子动力学、量子力学等方法,通过计算模拟来研究微观系统的行为。这类研究一般都需要进行较大并行度规模计算。研究体系的规模越大、越复杂、越精选,需要的计算资源也越多,计算的并行度也越大。
在生物、医药领域里,高性能计算应用主要涉及到蛋白质研究、基因比对、药物筛选、器官模拟等。在这些领域的计算模拟中,除了采用物理、化学研究中的计算方法外,还会涉及很多数据处理类型的计算,这类计算的特点是任务量特别大,但对计算的并行度要求不高。
在天文学和天体物理的研究中,高性能计算主要通过采用牛顿力学的方法研究星系演变、星体力场等宏观天体的行为。这类计算往往需要较多的计算资源,进行较大并行规模的计算。
在航空航天领域中,数值计算被大量地用于飞行器设计、飞行过程模拟等。例如,在飞机设计过程中,数值计算是方案设计总体和气动设计的最为重要手段之一。人们可以通过计算空气动力学,观察计算模拟的流动现象,分析计算结果,验证设计思想和方法,优化设计方向,为设计工作的推进提供有力的数据支持。此外,人们还可以通过计算模拟,对航天器材的结构设计、材料特性等进行优化和改进等。
在采访过程中,李根国多次表示,对于超级计算的应用,其实最重要的是软件,目前绝大多数的工业仿真软件、科学计算的软件,都是基于国外开源的软件在做。未来希望有越来越多的国产软件可以应用在超级计算机上。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。