As pessoas concordam: computação acelerada é computação com eficiência energética.
O National Energy Research Scientific Computing Center ( NERSC ), a principal instalação do Departamento de Energia dos EUA para ciência aberta, mediu resultados em quatro de seus principais aplicações de computação e AI de alto desempenho.
Eles registraram a velocidade com que as aplicações foram executadas e quanta energia elas consumiram em nós somente de CPU e acelerados por GPU no Perlmutter , um dos maiores supercomputadores do mundo usando GPUs NVIDIA.
Os resultados foram claros. Acelerado com GPUs NVIDIA A100 Tensor Core , a eficiência energética aumentou 5 vezes em média. Um aplicativo de previsão do tempo registrou ganhos de 9,8x.
GPUs economizam megawatts
Em um servidor com quatro GPUs A100, o NERSC obteve aumentos de velocidade de até 12 vezes em um servidor x86 de soquete duplo.
Isso significa que, no mesmo nível de desempenho, o sistema acelerado por GPU consumiria 588 megawatts-hora a menos de energia por mês do que um sistema somente de CPU. Executando o mesmo workload em uma instância de cloud NVIDIA A100 de quatro vias por um mês, os pesquisadores poderiam economizar mais de US$ 4 milhões em comparação com uma instância somente de CPU.
Medindo aplicações do mundo real
Os resultados são significativos porque são baseados em medições de aplicações do mundo real, não em benchmarks sintéticos.
Os ganhos significam que os mais de 8.000 cientistas que usam o Perlmutter podem enfrentar desafios maiores, abrindo as portas para mais avanços.
Entre os muitos casos de uso para as mais de 7.100 GPUs A100 em Perlmutter, os cientistas estão investigando interações subatômicas para encontrar novas fontes de energia verde.
Avançando a ciência em todas as escalas
As aplicações NERSC testadas abrangem dinâmica molecular, ciência de materiais e previsão do tempo.
Por exemplo, o MILC simula as forças fundamentais que mantêm as partículas unidas em um átomo. É usado para avançar a computação quântica, estudar a matéria escura e procurar as origens do universo.
Berkeley GW ajuda a simular e prever propriedades ópticas de materiais e nanoestruturas, um passo fundamental para o desenvolvimento de baterias e dispositivos eletrônicos mais eficientes.
O EXAALT, que obteve um ganho de eficiência de 8,5x nas GPUs A100, resolve um desafio fundamental na dinâmica molecular. Ele permite que os pesquisadores simulem o equivalente a vídeos curtos de movimentos atômicos, em vez das sequências de instantâneos que outras ferramentas fornecem.
A quarta aplicação dos testes, o DeepCAM, é usado para detectar furacões e rios atmosféricos em dados climáticos. Ele obteve um ganho de 9,8x em eficiência energética quando acelerado com GPUs A100.
Economia com computação acelerada
Os resultados do NERSC ecoam cálculos anteriores da economia potencial com a computação acelerada. Por exemplo, em uma análise separada conduzida pela NVIDIA, as GPUs forneceram 42 vezes mais eficiência energética na inferência de AI do que as CPUs.
Isso significa que mudar todos os servidores somente de CPU que executam AI em todo o mundo para sistemas acelerados por GPU pode economizar incríveis 10 trilhões de watts-hora de energia por ano. Isso é como economizar a energia que 1,4 milhão de residências consomem em um ano.
Acelerando a Empresa
Você não precisa ser um cientista para obter ganhos em eficiência energética com computação acelerada.
As empresas farmacêuticas estão usando simulação acelerada por GPU e IA para acelerar o processo de descoberta de medicamentos . Montadoras como o BMW Group estão usando-o para modelar fábricas inteiras .
Eles estão entre as crescentes fileiras de empresas na vanguarda do que o fundador e CEO da NVIDIA, Jensen Huang, chama de revolução industrial de HPC , alimentada por computação acelerada e IA.