Новости про исследования и наука и суперкомпьютеры

Процессор MANA создан из сверхпроводящего ниобия и построен из адиабатических квантово-флуктуационных параметронов (AQFP — quantum-flux-parametrons). Каждый из этих параметронов работает как переключатель на эффекте Джозефсона. Всего в прототипе MANA таких джозефсоновских стоков более 20 000.

«AQFP использовалась для построения микропроцессора, оптимизированного для адиабатических операций, таким образом энергия, вытекающая из источника питания может быть восстановлена при относительно низких частотах около 10 ГГц», — пояснил Кристофер Айала, профессор-корреспондент Национального университета Йокогамы. «Это мало, в сравнении с сотнями гигагерц в аналогичной сверхпроводящей электронике».

Представленный прототип работает на частоте 2,5 ГГц, однако в ближайшем будущем разработчики надеются поднять частоту до 5—10 ГГц. Поскольку чип требует сверхнизкой температуры 4,2 К и работает, будучи погружённым в жидкий гелий, он лучше всего приспособлен для центров обработки данных и суперкомпьютеров. Однако у разработчиков есть стратегия по использованию MANA в качестве основания для практических криосистем с высокой производительностью и высокой энергоэффективностью.

Проект Folding@home привлекает ресурсы для симуляции динамики белков, которая поможет побороть болезнь Альцгеймера, рак, а теперь — и COVID-19.

В качестве помощи CERN делегирует 10 000 вычислительных ядер из основного центра обработки данных. При этом отмечается, что это лишь треть от всех «рабочих блоков», которые исследовательский центр передал Folding@home. Другие ресурсы были переданы непосредственно Большим адронным коллайдером. Но даже так, БАК и CERN стали лишь 87-м крупнейшим делегатом вычислительных ресурсов в проект Folding@project.

После вспышки COVID-19 производительность Folding@project выросла более чем на 1200%. Сейчас общая производительность распределённой системы превышает 2,5 экзафлопса, что делает её мощнее 500 лучших суперкомпьютеров в мире вместе взятых.

Одним из примеров такого единения стал проект Folding@Home. Это вычислительный проект, запущенный Стэндфордским Университетом. Его суть заключается в том, что пользователи могут делиться мощностью своего графического и центрального процессоров для решения неких очень сложных задач. Сейчас такой задачей является исследование короновируса.

По информации авторов проекта, нынешняя производительность этого распределённого компьютера превысила 2,4 экзафлопс.

Сообщается, что этот компьютер стал «быстрее, чем 500 лучших суперкомпьютеров вместе взятых!» Также приводится сравнение Folding@Home с другими суперкомпьютерами, из которого видно, что эта распределённая система «в 15 раз быстрее любого нынешнего суперкомпьютера».

Удивительно, как технологии могут объединять людей, и каких результатов можно достигать сообща.

Суперкомпьютер Tianhe-2 может выполнять 33860 триллионов операций в секунду, однако скорее всего такая производительность никогда не будет использоваться на полную мощность. По данным издания China Morning Post, учёный, доктор Као Юнь заявил, что огромный массив данных препятствует работе вычислительного монстра и более медленные машины Института физики высоких энергий Китайской Академии Наук могут выполнять ту же работу быстрее и дешевле. Это значит, что новый суперкомпьютер неприменим для расчётов физики высоких энергий и учёный не уверен, пригодится ли он вообще.

На самом деле для современных суперкомпьютеров это большая проблема. К примеру Titan, построенный Cray в Национальной Лаборатории Ок Ридж, Теннеси, использовался лишь в шести практически одинаковых проектах связанных с молекулярной физикой, эмулируя сжигание топлива в двигателе для повышения его эффективности и моделирования передвижения молекул воздуха при изменении климата.

Ожидалось, что Tianhe-2 будет контролировать работу светофоров, предсказывать землетрясения, разрабатывать новые лекарства, проектировать автомобили и создавать спецэффекты для кино, но в реальности этот многоцелевой компьютер не слишком-то хорош, как большинство дорогих городских суперкомпьютеров, и большую часть своей жизни он будет просто простаивать.

По данным bitcoinwatch.com, хэшрейт сети bitcoin превысил 1 экзафлоп. Конечно, это не технически выверенное число, поскольку сам процесс майнинга не требует проведения операций с плавающей запятой, основываясь лишь на расчётах целых чисел, так что это число скорее оценочное. Тем не менее, эта цифра говорит о том, что общая вычислительная мощь сети теперь в 8 раз больше, чем у 500 самых быстрых суперкомпьютеров в мире, вместе взятых.

Сами флопы оцениваются на основе ресурсов видеокарты, затрачиваемых на расчёт одного хэша системы. Так, на подсчёт одного хэша тратится 12700 флоп, а значит можно и рассчитать общую производительность системы. Оценочным же данный расчёт стал после выпуска в 2011 году специализированной микросхемы для майнинга. Поскольку эта микросхема не выполняет вообще никаких операций с плавающей запятой, то и говорить о её влиянии на общие экзафлопы нельзя.

Тем не менее, 1 экзафлоп это очень большая величина. К примеру, самый быстрый на сегодня суперкомпьютер — IBM Sequoia, имеет производительность равную 16,3 петафлопа, или 1,6% от общей мощности сети.

Но к счастью, учёные и исследователи из Университетского колледжа Лондона разработали решение, которое позволит навсегда попрощаться с синим экраном смерти.

В процессе работы современные компьютеры берут данные из памяти, обрабатывают их, а затем снова возвращают в ОЗУ. Такой порядок работы в обычных условиях не вызывает проблем, однако в случае наличия ошибок в программе возникают проблемы и с передачей данных, в результате чего происходит сбой в работе системы.

Главным отличием компьютера, разработанного в Лондоне, является то, что все данные и инструкции постоянно зеркалируются на различных системах. Системы работают одновременно и независимо одна от другой, и единственная вещь, которой они обмениваются — это участки памяти с контекстными данными.

В случае сбоя в работе одной из систем или повреждения данных, компьютер может восстановить их из другой системы и начать выполнение инструкции заново.

Конечно, при таком подходе нельзя похвастать высокой производительностью, но у учёных ещё есть много идей по совершенствованию разработанной схемы вычислений. К тому же система может оказаться полезной там, где важна высокая надёжность, например в военном ведомстве или в энергетике.