رفتن به محتوای اصلی
ابررایانشانویدیا· 7 دقیقه مطالعه· در هوش مصنوعی

رونمایی انویدیا از پردازنده Rubin HPC؛ جهش ۵۰ هزار هسته‌ای برای عامل‌های هوش مصنوعی

شرکت انویدیا در کنفرانس SC26 از پردازنده گرافیکی Rubin HPC با بیش از ۵۰ هزار هسته پردازشی پرده برداشت. این تراشه که برای سال ۲۰۲۸ برنامه‌ریزی شده، با هدف تسریع شبیه‌سازی‌های علمی و مهندسی توسط عامل‌های هوش مصنوعی طراحی شده است.

به قلم کوروش پاکزاد

این خبر را به اشتراک بگذارید

گوش‌ دهید

صنعت ابررایانش در آستانه یک جهش معماری بزرگ قرار گرفته است. در حالی که تمرکز جهان فناوری در سال‌های اخیر معطوف به آموزش مدل‌های زبانی بوده، اکنون نیاز به شبیه‌سازی‌های فیزیکی و شیمیایی فوق‌سریع به اولویت اصلی مراکز تحقیقاتی تبدیل شده است و سخت‌افزارهای جدیدی را می‌طلبد.[5][6]

پاسخ شرکت انویدیا به این نیاز فزاینده، معرفی پردازنده گرافیکی Rubin HPC در جریان کنفرانس SC26 شیکاگو است. این پردازنده که عضوی از پلتفرم Vera Rubin به شمار می‌رود، با جای دادن بیش از ۵۰ هزار هسته پردازشی CUDA در یک تراشه واحد، رکورد جدیدی را در صنعت سخت‌افزار به ثبت رسانده است.[4][5]

برخلاف مدل‌های قبلی که بیشتر بر هوش مصنوعی مولد تمرکز داشتند، Rubin HPC به طور خاص برای شتاب‌بخشی به عامل‌های هوش مصنوعی در محیط‌های علمی بهینه‌سازی شده است. این عامل‌ها اکنون می‌توانند هزاران ماده یا مولکول جدید را پیشنهاد دهند، اما ارزیابی آن‌ها نیازمند شبیه‌سازی‌های بسیار سریع و دقیق است.[2][5]

ایان باک، معاون بخش ابررایانش انویدیا، در این باره می‌گوید: «برای عامل‌های هوش مصنوعی که با مسائل علمی و مهندسی دست‌وپنجه نرم می‌کنند، شبیه‌سازی سریع‌تر به معنای کشف سریع‌تر است.» او تاکید کرد که این تراشه فاصله میان طرح یک فرضیه تا رسیدن به نتیجه آزمایشگاهی را به شدت کاهش می‌دهد.[2][5]

چالش جابه‌جایی داده‌ها در محاسبات علمی

یکی از بزرگترین موانع در محاسبات علمی مدرن، مانند مدل‌سازی تغییرات اقلیمی یا تحلیل‌های ژنومیک، نحوه دسترسی به داده‌ها است. در این نوع پردازش‌ها، برنامه‌ها باید مقادیر پراکنده‌ای را از میان مجموعه‌داده‌های عظیم استخراج کرده و پس از انجام محاسبات، این روند را میلیاردها بار تکرار کنند.[2]

مقایسه تعداد هسته‌های پردازشی در معماری‌های مختلف انویدیا نشان‌دهنده جهش عظیم در نسخه HPC است.

اگر هسته‌های پردازشی مجبور باشند برای دریافت این داده‌ها منتظر بمانند، بخش بزرگی از توان محاسباتی تراشه هدر می‌رود. انویدیا برای حل این مشکل، فناوری جدیدی به نام «شتاب‌دهنده داده‌های پراکنده» را در Rubin HPC معرفی کرده است که جریان اطلاعات را همگام با توان پردازشی افزایش می‌دهد.[5]

این معماری متوازن تضمین می‌کند که بیش از ۵۰ هزار هسته CUDA همواره با داده‌های مورد نیاز تغذیه شوند و در حالت انتظار باقی نمانند. این ویژگی به ویژه در عملیات‌های ماتریس پراکنده، محاسبات شبکه‌ای و الگوریتم‌های مرتب‌سازی که پایه و اساس شبیه‌سازی‌های مهندسی هستند، نقش حیاتی ایفا می‌کند.[4][5]

برای تسهیل ارتباط میان پردازنده‌ها در خوشه‌های بزرگ، انویدیا از نسل هفتم فناوری ارتباطی NVLink در این تراشه استفاده کرده است. این فناوری به پردازنده‌های گرافیکی اجازه می‌دهد تا در سطح یک رک سرور، داده‌ها را با سرعت بسیار بالایی با یکدیگر تبادل کنند و گلوگاه‌های شبکه‌ای را از بین ببرند.[4][6]

مقایسه با نسل‌های پیشین و رقبا

جهش سخت‌افزاری در Rubin HPC زمانی آشکارتر می‌شود که آن را با سایر محصولات انویدیا مقایسه کنیم. نسخه استاندارد پردازنده Rubin که پیش‌تر برای کارخانه‌های هوش مصنوعی معرفی شده بود، دارای ۲۸ هزار و ۶۷۲ هسته CUDA است، در حالی که نسخه HPC این رقم را تقریبا دو برابر کرده است.[6][7]

همچنین برای درک بهتر این مقیاس، می‌توان به قدرتمندترین کارت گرافیک مصرفی آینده انویدیا یعنی RTX 5090 اشاره کرد که تنها ۲۱ هزار و ۷۶۰ هسته پردازشی دارد. این اختلاف فاحش نشان می‌دهد که Rubin HPC برای سطحی از محاسبات طراحی شده که فراتر از نیازهای تجاری و سازمانی معمول است.[4]

با این حال، انویدیا هنوز جزئیات مهمی مانند ظرفیت حافظه، پهنای باند و میزان مصرف انرژی این تراشه را منتشر نکرده است. نسخه استاندارد Rubin از ۲۸۸ گیگابایت حافظه HBM4 با پهنای باند ۲۲ ترابایت بر ثانیه بهره می‌برد، اما مشخص نیست که نسخه HPC دقیقا از چه پیکربندی حافظه‌ای استفاده خواهد کرد.[4][7]

یکی دیگر از ابهامات بزرگ، عملکرد این تراشه در محاسبات ممیز شناور با دقت مضاعف (FP64) است که استاندارد طلایی در ابررایانش محسوب می‌شود. در حالی که شرکت رقیب یعنی AMD با پردازنده Instinct MI430X خود وعده ۲۸۸ ترافلاپس پردازش بومی FP64 را داده است، انویدیا در این زمینه سکوت کرده است.[7]

فناوری شتاب‌دهنده داده‌های پراکنده در این تراشه، جریان اطلاعات را همگام با توان پردازشی افزایش می‌دهد.

نقش عامل‌های هوش مصنوعی در کشف مواد

تغییر پارادایم اصلی که Rubin HPC برای پشتیبانی از آن طراحی شده، ظهور «عامل‌های هوش مصنوعی» در محیط‌های پژوهشی است. این سیستم‌های خودمختار می‌توانند به جای انسان، میلیون‌ها ترکیب شیمیایی یا ساختار آیرودینامیکی را در زمان کوتاهی پیشنهاد دهند و برای آزمایش آماده کنند.[2][5]

اما پیشنهاد دادن تنها نیمی از مسیر است؛ هر طرح پیشنهادی باید از طریق شبیه‌سازی‌های فیزیکی و شیمیایی دقیق ارزیابی شود تا کارایی آن در دنیای واقعی اثبات گردد. افزایش تعداد طرح‌های پیشنهادی توسط هوش مصنوعی، بار پردازشی عظیمی را بر دوش سیستم‌های شبیه‌سازی قرار داده است.[2][3]

تراشه جدید انویدیا دقیقا همین حلقه بازخورد محاسباتی را هدف قرار داده است. با کاهش زمان مورد نیاز برای هر شبیه‌سازی، تیم‌های تحقیقاتی می‌توانند ایده‌های بیشتری را آزمایش کرده و در نهایت تنها امیدوارکننده‌ترین گزینه‌ها را برای تولید نمونه‌های فیزیکی و آزمایشگاهی انتخاب کنند.[2][5]

این رویکرد می‌تواند روند توسعه داروهای جدید، طراحی باتری‌های کارآمدتر برای خودروهای الکتریکی و حتی ساخت مواد مقاوم‌تر برای صنایع هوافضا را به شکل چشمگیری تسریع کند. در واقع، هوش مصنوعی اکنون نه تنها داده‌ها را تحلیل می‌کند، بلکه خود به عنوان یک پژوهشگر فعال وارد عمل شده است.[4][5]

توسعه اکوسیستم نرم‌افزاری و ابزارهای جدید

سخت‌افزار قدرتمند بدون نرم‌افزار بهینه‌شده کارایی چندانی ندارد و انویدیا در کنفرانس SC26 مجموعه‌ای از ابزارهای جدید را برای پشتیبانی از این تراشه معرفی کرد. این شرکت کتابخانه‌های نرم‌افزاری CUDA-X خود را با هدف پوشش دادن حوزه‌های متنوعی از اخترفیزیک تا زیست‌شناسی سلولی گسترش داده است.[1][8]

یکی از جذاب‌ترین ابزارهای معرفی شده، کتابخانه cuPhoton.xBeam است که به طور خاص برای تحلیل داده‌های تلسکوپ افق رویداد (EHT) طراحی شده است. به گفته انویدیا، این ابزار می‌تواند فرآیند تحلیل داده‌های مربوط به سیاه‌چاله‌ها را که پیش از این یک ماه زمان می‌برد، تنها در هشت دقیقه به انجام برساند.[8]

در حوزه مکانیک کوانتومی نیز ابزار جدیدی به نام Daviator معرفی شده است که سرعت محاسبات پیچیده این حوزه را تا ۲۲ برابر افزایش می‌دهد. این پیشرفت‌ها نشان می‌دهند که انویدیا قصد دارد تمام زنجیره ارزش محاسبات علمی را تحت پوشش پلتفرم یکپارچه خود قرار دهد.[8]

ابزارهای نرم‌افزاری جدید انویدیا زمان تحلیل داده‌های پیچیده علمی را به کسری از زمان گذشته کاهش داده‌اند.

همچنین برای پژوهشگرانی که به ابررایانه‌های بزرگ دسترسی ندارند، انویدیا کیت توسعه DGX Spark HPC را رونمایی کرد. این کیت شامل یک خوشه چهار گرهی است که به محققان اجازه می‌دهد بارهای کاری چندگرهی و مدل‌های هوش مصنوعی را مستقیما روی میز کار خود اجرا و آزمایش کنند.[5]

دو دهه تسلط با پلتفرم CUDA

معرفی Rubin HPC همزمان با بیستمین سالگرد انتشار پلتفرم برنامه‌نویسی CUDA صورت گرفت. در نوامبر ۲۰۰۶ و در جریان کنفرانس SC06، انویدیا این پلتفرم را معرفی کرد و مسیر استفاده از پردازنده‌های گرافیکی را برای محاسبات همه‌منظوره و علمی هموار ساخت.[5][9]

امروزه بیش از ۱۱ میلیون توسعه‌دهنده در سراسر جهان از CUDA استفاده می‌کنند و این پلتفرم به استاندارد بلامنازع صنعت تبدیل شده است. اکوسیستم نرم‌افزاری غنی انویدیا، که اکنون بیش از هزار کتابخانه تخصصی را در بر می‌گیرد، بزرگترین مزیت رقابتی این شرکت در برابر رقبایی چون AMD و اینتل است.[9]

با این حال، وابستگی شدید به این اکوسیستم انحصاری، نگرانی‌هایی را در میان برخی از پژوهشگران و نهادهای دولتی ایجاد کرده است. تلاش‌هایی برای توسعه جایگزین‌های متن‌باز در جریان است، اما سرعت نوآوری انویدیا در ترکیب سخت‌افزار و نرم‌افزار، کار را برای رقبا بسیار دشوار کرده است.[2][9]

چشم‌انداز آینده و زمان‌بندی عرضه

با وجود تمام هیجانات پیرامون Rubin HPC، پژوهشگران و شرکت‌های ارائه‌دهنده خدمات ابری باید تا سال ۲۰۲۸ برای دسترسی به این تراشه منتظر بمانند. این فاصله زمانی طولانی نشان می‌دهد که معماری جدید هنوز در مراحل توسعه و آزمایش قرار دارد و به تولید انبوه نرسیده است.[3][7]

در حال حاضر، تیم‌هایی که خوشه‌های پردازشی Vera Rubin را از شرکت‌هایی مانند CoreWeave اجاره می‌کنند، در واقع در حال استفاده از سیلیکون‌های متمرکز بر استنتاج هوش مصنوعی هستند. نسخه HPC به عنوان یک موج دوم از این معماری وارد بازار خواهد شد و نیازمند برنامه‌ریزی بودجه‌ای بلندمدت است.[7]

این زمان‌بندی به رقبای انویدیا فرصت می‌دهد تا جایگاه خود را در بازار محاسبات علمی تقویت کنند. با این حال، استراتژی انویدیا در پیوند زدن عامل‌های هوش مصنوعی با شبیه‌سازی‌های فیزیکی، چشم‌اندازی را ترسیم می‌کند که در آن مرز میان هوش مصنوعی و علوم پایه به طور کامل از بین خواهد رفت.[5][7]

این زمان‌بندی به رقبای انویدیا فرصت می‌دهد تا جایگاه خود را در بازار محاسبات علمی تقویت کنند.

علاوه بر این، انویدیا در این رویداد به پیشرفت‌های خود در حوزه رایانش کوانتومی نیز اشاره کرد. این شرکت با همکاری IBM و فرمی‌لب، پلتفرمی را برای طراحی مشترک سیستم‌های کوانتومی معرفی کرده است که نشان‌دهنده نگاه بلندمدت انویدیا به نسل بعدی محاسبات فوق‌سریع است.[1]

در نهایت، موفقیت معماری Rubin HPC به این بستگی دارد که آیا نوآوری‌های آن در زمینه جابه‌جایی داده‌ها می‌تواند در عمل، سرعت شبیه‌سازی‌های پیچیده را به شکل معناداری افزایش دهد یا خیر. تا زمان انتشار بنچمارک‌های رسمی و مستقل، جامعه علمی با دقت و انتظار تحولات این حوزه را دنبال خواهد کرد.[3][7]

نکات کلیدی

  • انویدیا پردازنده Rubin HPC را با بیش از ۵۰ هزار هسته CUDA برای عرضه در سال ۲۰۲۸ معرفی کرد.
  • این تراشه دارای فناوری «شتاب‌دهنده داده‌های پراکنده» برای جلوگیری از توقف هسته‌ها در حین محاسبات است.
  • هدف اصلی این پردازنده، شتاب‌بخشی به شبیه‌سازی‌های علمی است که توسط عامل‌های هوش مصنوعی پیشنهاد می‌شوند.
  • ابزارهای نرم‌افزاری جدیدی مانند cuPhoton.xBeam زمان تحلیل داده‌های اخترفیزیک را از یک ماه به هشت دقیقه کاهش داده‌اند.

آنچه نمی‌دانیم

  • انویدیا هنوز ظرفیت حافظه، پهنای باند دقیق و میزان مصرف انرژی پردازنده Rubin HPC را اعلام نکرده است.
  • عملکرد این تراشه در محاسبات ممیز شناور با دقت مضاعف (FP64) که برای ابررایانه‌ها حیاتی است، مشخص نیست.
  • قیمت نهایی و پیکربندی دقیق سیستم‌هایی که از این پردازنده استفاده خواهند کرد، در هاله‌ای از ابهام قرار دارد.

روند رویداد

  1. نوامبر ۲۰۰۶

    انویدیا پلتفرم برنامه‌نویسی CUDA را معرفی کرد و مسیر استفاده از پردازنده‌های گرافیکی در محاسبات علمی را گشود.

  2. اوایل سال ۲۰۲۴

    معماری استاندارد Rubin با تمرکز بر آموزش مدل‌های زبانی بزرگ و با ۲۸ هزار هسته معرفی شد.

  3. نوامبر ۲۰۲۶

    رونمایی از پردازنده Rubin HPC با بیش از ۵۰ هزار هسته در کنفرانس SC26 شیکاگو.

  4. سال ۲۰۲۸

    زمان‌بندی اعلام شده توسط انویدیا برای عرضه عمومی و استقرار پردازنده‌های Rubin HPC در دیتاسنترها.

Nvidia Executives 40%Scientific Researchers 35%Industry Analysts 25%
Nvidia Executives
معتقدند شبیه‌سازی سریع‌تر توسط عامل‌های هوش مصنوعی کلید اکتشافات علمی است.
Scientific Researchers
به دنبال ابزارهایی برای کاهش زمان تحلیل داده‌های عظیم و شبیه‌سازی‌های پیچیده هستند.
Industry Analysts
عملکرد تراشه را در مقایسه با رقبا و استانداردهای سنتی ابررایانش ارزیابی می‌کنند.

دیدگاه‌هایی که این گزارش پوشش نداده

  • توسعه‌دهندگان پلتفرم‌های متن‌باز جایگزین CUDA
  • مدیران بودجه در مراکز تحقیقاتی دانشگاهی

منابع

پوشش منابع

9 منبع

3 دیدگاه شناسایی‌شده

Nvidia Executives 40%Scientific Researchers 35%Industry Analysts 25%
  1. [1]StorageReviewScientific Researchers

    NVIDIA SC26: Rubin HPC GPU With 50,000 CUDA Cores Due in 2028

    مطالعه در StorageReview →
  2. [2]Unite.ai

    NVIDIA Announces Rubin HPC GPU for Scientific Computing

    مطالعه در Unite.ai →
  3. [3]The DefiantIndustry Analysts

    Nvidia Unveils Rubin HPC GPU for Scientific Computing

    مطالعه در The Defiant →
  4. [4]NotebookCheck

    Nvidia's new Rubin HPC GPU packs more than 50,000 CUDA cores

    مطالعه در NotebookCheck →
  5. [5]NvidiaNvidia Executives

    NVIDIA Announces Rubin HPC — A New GPU to Accelerate Agents for Science

    مطالعه در Nvidia →
  6. [6]Tom's HardwareNvidia Executives

    Nvidia announces Rubin HPC GPU with 'record number of CUDA cores'

    مطالعه در Tom's Hardware →
  7. [7]ExplainXIndustry Analysts

    NVIDIA Rubin HPC: 50,000+ CUDA Cores, NVLink 7, and Agentic Science

    مطالعه در ExplainX →
  8. [8]SiliconAngleScientific Researchers

    Nvidia debuts Rubin HPC GPU and new research tools at SC26

    مطالعه در SiliconAngle →
  9. [9]Biggo

    Nvidia unveils Rubin HPC at SC26

    مطالعه در Biggo →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.