بزرگ‌ترین گردهمایی ابررایانش جهان در شیکاگو آغاز شد

کنفرانس بین‌المللی ابررایانش SC26 روز یکشنبه ۱۵ نوامبر ۲۰۲۶ با آغاز برنامه‌های آموزشی و کارگاه‌های تخصصی در شهر شیکاگوی آمریکا کار خود را آغاز کرد. این رویداد شش‌روزه که از مهم‌ترین گردهمایی‌های صنعت محاسبات پیشرفته به شمار می‌رود، امسال بر چالش‌های افزایش قدرت پردازش، ارتباط میان هزاران پردازنده، توسعه نرم‌افزارهای علمی و ترکیب رایانش کلاسیک با فناوری‌های نوظهور تمرکز دارد.

برنامه روز نخست از ساعت ۸:۳۰ صبح به وقت محلی آغاز شد و مجموعه‌ای از آموزش‌ها و نشست‌های تخصصی درباره برنامه‌نویسی پردازنده‌های گرافیکی، مدیریت داده‌های علمی، اجرای نرم‌افزارها روی ابررایانه‌ها و استفاده از رایانش کوانتومی در کنار سامانه‌های محاسباتی متداول را در بر گرفت.

آزمایشگاه ملی لارنس برکلی آمریکا، مرکز ابررایانش یولیش آلمان و شرکت‌هایی مانند NVIDIA از جمله مجموعه‌هایی هستند که پژوهشگران و متخصصان آن‌ها در برنامه‌های این دوره مشارکت دارند.

کنفرانس SC26 تا ۲۰ نوامبر ادامه خواهد داشت. بااین‌حال، بخش نمایشگاهی آن طبق برنامه رسمی از ۱۷ نوامبر آغاز می‌شود. بنابراین روز افتتاحیه بیشتر به آموزش‌های عملی و نشست‌های تخصصی اختصاص دارد و معرفی محصولات یا برنامه‌های مربوط به روزهای آینده را نباید به‌عنوان رویدادهای انجام‌شده در ۱۵ نوامبر گزارش کرد.

چرا کنفرانس SC26 برای صنعت فناوری اهمیت دارد؟

ابررایانه‌ها دیگر فقط ابزارهایی برای حل مسائل پیچیده دانشگاهی نیستند. امروزه از آن‌ها برای طراحی دارو، پیش‌بینی وضعیت آب‌وهوا، بررسی تغییرات اقلیمی، شبیه‌سازی عملکرد موتورهای پیشرفته و تحلیل مجموعه‌های عظیم داده استفاده می‌شود.

تفاوت اصلی یک ابررایانه با رایانه رومیزی قدرتمند فقط در سرعت یک پردازنده نیست. ابررایانه از مجموعه بزرگی از پردازنده‌ها، شتاب‌دهنده‌ها، حافظه‌ها و تجهیزات شبکه تشکیل می‌شود که باید برای حل یک مسئله هماهنگ عمل کنند.

این هماهنگی در عمل دشوار است. حتی اگر تعداد پردازنده‌ها افزایش پیدا کند، ممکن است سرعت اجرای یک برنامه به همان نسبت بیشتر نشود، زیرا انتقال اطلاعات و تقسیم کار میان پردازنده‌ها زمان‌بر است.

برای نمونه، در یک شبیه‌سازی هواشناسی، بخش‌های مختلف جو زمین میان تعداد زیادی واحد پردازشی تقسیم می‌شوند. هر واحد بخشی از محاسبات را انجام می‌دهد، اما نتایج آن ممکن است بر محاسبات بخش مجاور تأثیر بگذارد.

در نتیجه، پردازنده‌ها باید در فاصله‌های زمانی مشخص اطلاعات خود را مبادله کنند. اگر ارتباطات شبکه‌ای کند باشد، حتی سریع‌ترین تراشه‌ها هم ممکن است بخشی از زمان خود را در انتظار داده سپری کنند.

کنفرانس‌هایی مانند SC26 محلی برای بررسی همین مسائل هستند. پژوهشگران الگوریتم‌ها، معماری سخت‌افزار و روش‌های برنامه‌نویسی را بررسی می‌کنند تا مشخص شود چگونه می‌توان از ظرفیت سامانه‌های پیشرفته استفاده مؤثرتری کرد.

برنامه رسمی امسال موضوعاتی مانند معماری پردازنده‌ها، شبکه، ذخیره‌سازی، نرم‌افزارهای سیستمی، تحلیل داده و یادگیری ماشین را در بر می‌گیرد.

آموزش اجرای نرم‌افزارها روی هزاران پردازنده

یکی از برنامه‌های مهم روز نخست، آموزش برنامه‌نویسی توزیع‌شده برای پردازنده‌های گرافیکی در مقیاس اگزاسکیل بود.

اگزاسکیل به سامانه‌هایی اشاره دارد که می‌توانند در شرایط مشخص به توان پردازشی در مقیاس یک کوینتیلیون عملیات ممیز شناور در ثانیه دست پیدا کنند.

این توان محاسباتی بسیار زیاد است، اما استفاده مؤثر از آن به طراحی مناسب نرم‌افزار وابسته است.

در برنامه‌نویسی یک رایانه معمولی، توسعه‌دهنده می‌تواند فرض کند که بخش بزرگی از اطلاعات در حافظه همان دستگاه قرار دارد. در مقابل، یک ابررایانه ممکن است از هزاران واحد پردازشی تشکیل شده باشد که هرکدام حافظه محلی و محدودیت‌های ارتباطی مخصوص خود را دارند.

برنامه باید به شکلی طراحی شود که کار میان این واحدها تقسیم شود و در عین حال هزینه تبادل داده بیش از حد افزایش پیدا نکند.

در برنامه روز ۱۵ نوامبر، آموزش Efficient Distributed GPU Programming for Exascale برای بررسی این موضوع در نظر گرفته شده بود.

در چنین آموزش‌هایی، مسئله صرفاً آشنایی با دستورهای برنامه‌نویسی GPU نیست. شرکت‌کنندگان باید بیاموزند چگونه محاسبات را میان شتاب‌دهنده‌های متعدد تقسیم کنند، انتقال داده را مدیریت کنند و از توقف غیرضروری واحدهای پردازشی جلوگیری کنند.

این مهارت‌ها برای اجرای شبیه‌سازی‌های علمی بزرگ و بعضی کاربردهای پردازش داده اهمیت دارند.

مرکز ابررایانش یولیش آلمان نیز حضور متخصصان خود در این آموزش را در برنامه رسمی مشارکتش تأیید کرده است.

چالش اجرای برنامه‌های C++ روی سخت‌افزارهای متفاوت

بخش دیگری از برنامه روز افتتاحیه به فناوری Kokkos اختصاص داشت؛ چارچوبی نرم‌افزاری که برای توسعه برنامه‌های محاسباتی قابل‌انتقال میان معماری‌های مختلف استفاده می‌شود.

یکی از مشکلات شناخته‌شده صنعت ابررایانش، وابستگی نرم‌افزارها به نوع سخت‌افزار است.

برای مثال، برنامه‌ای که برای استفاده از یک معماری مشخص GPU بهینه شده، ممکن است روی سخت‌افزار تولیدکننده دیگری به تغییرات قابل‌توجهی نیاز داشته باشد.

این مسئله برای مؤسسات علمی که برنامه‌های محاسباتی آن‌ها سال‌ها توسعه پیدا کرده‌اند اهمیت زیادی دارد.

بازنویسی یک نرم‌افزار پژوهشی بزرگ برای هر نسل جدید پردازنده می‌تواند زمان و هزینه زیادی داشته باشد. علاوه بر این، هر تغییر ممکن است نیازمند آزمون دوباره صحت نتایج باشد.

Kokkos تلاش می‌کند بخشی از این مشکل را با فراهم کردن روش‌های قابل‌انتقال برنامه‌نویسی موازی کاهش دهد.

در برنامه روز نخست SC26، آموزشی برای آشنایی با کاربردهای Kokkos در برنامه‌ها و کتابخانه‌های C++ در نظر گرفته شده است.

هدف چنین رویکردهایی حفظ تعادل میان قابلیت انتقال نرم‌افزار و دستیابی به عملکرد مناسب است.

البته قابل‌انتقال بودن یک برنامه تضمین نمی‌کند که بدون تنظیم اضافی روی تمام معماری‌ها به بالاترین سرعت ممکن برسد.

عملکرد به ساختار الگوریتم، مدیریت حافظه، تعداد عملیات و ویژگی‌های سخت‌افزار مقصد وابسته خواهد بود.

کانتینرها چگونه وارد دنیای ابررایانه‌ها شده‌اند؟

یکی دیگر از نشست‌های آموزشی روز ۱۵ نوامبر به استفاده از کانتینرها در محیط‌های محاسباتی بزرگ اختصاص داشت.

فناوری کانتینر در توسعه نرم‌افزارهای تجاری و خدمات ابری محبوب شده است، زیرا امکان بسته‌بندی برنامه همراه با وابستگی‌های نرم‌افزاری آن را فراهم می‌کند.

در یک محیط پژوهشی، مسئله وابستگی‌های نرم‌افزاری می‌تواند بسیار پیچیده باشد.

ممکن است یک برنامه علمی به نسخه مشخصی از Python، کتابخانه‌های محاسباتی، ابزارهای پردازش داده و تنظیمات سیستم‌عامل نیاز داشته باشد.

اگر این برنامه روی رایانه پژوهشگر به‌درستی اجرا شود، لزوماً به این معنا نیست که بدون تغییر روی ابررایانه دیگری نیز کار خواهد کرد.

کانتینرها می‌توانند بخشی از محیط اجرای برنامه را به‌صورت بسته‌ای مشخص منتقل کنند و بازتولید آزمایش‌ها را آسان‌تر سازند.

در آموزش Using Containers to Accelerate HPC، ابزارهایی مانند Podman، Docker و Apptainer در برنامه معرفی شده‌اند.

همچنین موضوعاتی مانند اجرای برنامه‌های مبتنی بر MPI، استفاده از GPU درون کانتینر و مدیریت ورودی و خروجی داده‌ها مطرح است.

MPI یکی از فناوری‌های شناخته‌شده برای ارتباط میان فرایندهای محاسباتی در سامانه‌های توزیع‌شده است.

ترکیب آن با کانتینرها می‌تواند برای توسعه‌دهندگانی مفید باشد که می‌خواهند برنامه‌های علمی خود را میان محیط‌های مختلف جابه‌جا کنند.

البته اجرای کانتینر روی یک ابررایانه با اجرای آن روی رایانه شخصی یکسان نیست. محدودیت‌های امنیتی، مدیریت منابع و نوع ارتباط با شتاب‌دهنده‌ها باید در طراحی محیط لحاظ شوند.

شبکه‌های علمی به موضوعی اصلی تبدیل شده‌اند

در روز نخست، سیزدهمین کارگاه بین‌المللی INDIS نیز در برنامه قرار گرفت.

این کارگاه به شبکه‌های مورد استفاده برای انتقال اطلاعات علمی در مقیاس بزرگ اختصاص دارد.

در پژوهش‌های مدرن، داده‌ها ممکن است در یک کشور تولید شوند، در مرکز دیگری پردازش شوند و سپس برای تحلیل در اختیار گروه‌های تحقیقاتی مختلف قرار بگیرند.

برای مثال، یک آزمایشگاه فیزیک ممکن است حجم بسیار زیادی از داده‌های آزمایشگاهی تولید کند. انتقال این اطلاعات به مراکز محاسباتی و سپس به پژوهشگران نیازمند شبکه‌هایی است که ظرفیت، قابلیت اطمینان و پایداری مناسبی داشته باشند.

شبکه‌های متداول اینترنتی برای برخی کاربردها کافی هستند، اما انتقال مداوم مجموعه‌های داده بسیار بزرگ ممکن است به زیرساخت‌های تخصصی نیاز داشته باشد.

موضوع کارگاه INDIS امسال Connected Science: Bridging Research and Industry اعلام شده است.

این عنوان بر ارتباط میان مراکز پژوهشی و شرکت‌های صنعتی در توسعه فناوری شبکه تأکید دارد.

یکی از اهداف چنین همکاری‌هایی این است که فناوری‌های شبکه تنها در محیط‌های آزمایشگاهی باقی نمانند و بتوان از آن‌ها برای پاسخ‌گویی به نیازهای عملیاتی استفاده کرد.

در کنار ظرفیت ارتباطی، موضوعاتی مانند مدیریت ترافیک، پایداری انتقال، انعطاف‌پذیری و هماهنگی میان سازمان‌های مختلف نیز اهمیت دارند.

برنامه رسمی کارگاه نشان می‌دهد صنعت ابررایانش افزایش سرعت پردازنده‌ها را جدا از توسعه شبکه‌های انتقال داده بررسی نمی‌کند.

ترکیب رایانش کوانتومی و ابررایانه‌های متداول

یکی از حوزه‌های دیگر روز افتتاحیه، یکپارچه‌سازی رایانش کوانتومی با زیرساخت ابررایانش بود.

در دومین کارگاه بین‌المللی چارچوب‌های نرم‌افزاری و مدیریت بار کاری برای اکوسیستم‌های Quantum-HPC، پژوهشگران به بررسی ابزارهای لازم برای اجرای گردش‌کارهای ترکیبی پرداختند.

رایانه‌های کوانتومی با رایانه‌های کلاسیک تفاوت بنیادی دارند. در حالی که رایانه‌های متداول اطلاعات را با بیت‌ها پردازش می‌کنند، رایانه‌های کوانتومی از کیوبیت‌ها استفاده می‌کنند.

اما این تفاوت به معنای آن نیست که یک رایانه کوانتومی می‌تواند جایگزین تمام محاسبات کلاسیک شود.

سخت‌افزارهای کوانتومی موجود با محدودیت‌هایی مانند نویز، تعداد محدود کیوبیت‌ها و دشواری اجرای مدارهای کوانتومی عمیق روبه‌رو هستند.

به همین دلیل، یکی از مسیرهای پژوهشی استفاده از سامانه‌های ترکیبی است.

در این معماری، ابررایانه کلاسیک می‌تواند بخش‌هایی از محاسبه، آماده‌سازی داده و ارزیابی نتایج را انجام دهد و پردازنده کوانتومی برای وظایف مناسب به کار گرفته شود.

هماهنگی میان این دو محیط به نرم‌افزارهای مدیریتی و برنامه‌ریزی نیاز دارد.

برنامه کارگاه SC26 شامل موضوعاتی مانند معماری مشترک، مدیریت منابع ناهمگون، ارتباطات، تحمل خطا و کاهش اثر خطاهای کوانتومی است.

برگزاری چنین کارگاهی به معنای دستیابی به برتری کوانتومی در همه کاربردها نیست؛ بلکه نشان می‌دهد پژوهشگران در حال بررسی روش‌های عملی استفاده از سخت‌افزار کوانتومی در کنار سامانه‌های موجود هستند.

Python همچنان در مرکز محاسبات علمی قرار دارد

Python در سال‌های اخیر به یکی از زبان‌های اصلی پردازش داده و پژوهش‌های محاسباتی تبدیل شده است.

خوانایی مناسب، کتابخانه‌های علمی گسترده و امکان اتصال به نرم‌افزارهای نوشته‌شده با زبان‌های دیگر از دلایل استفاده گسترده از آن هستند.

اما اجرای Python در مقیاس ابررایانه با چالش‌هایی همراه است.

برخی بخش‌های برنامه ممکن است به‌دلیل ساختار اجرا یا محدودیت‌های پردازشی نسبت به زبان‌های کامپایل‌شده کندتر باشند. از سوی دیگر، مدیریت داده میان پردازنده‌های متعدد می‌تواند پیچیده شود.

در روز نخست SC26، کارگاه High Performance Python for Science at Scale برای بررسی تجربه‌های عملی توسعه‌دهندگان و پژوهشگران در استفاده از Python در مقیاس بزرگ در برنامه قرار گرفت.

این کارگاه به اشتراک‌گذاری روش‌ها و ابزارهایی اختصاص دارد که می‌توانند توسعه برنامه‌های علمی بزرگ را آسان‌تر کنند.

برای مثال، یک پژوهشگر ممکن است بخش اصلی تحلیل داده را با Python بنویسد، اما محاسبات سنگین را به کتابخانه‌هایی منتقل کند که از کد بومی یا شتاب‌دهنده‌های سخت‌افزاری استفاده می‌کنند.

راه دیگر تقسیم کار میان چند فرایند یا چند گره محاسباتی است.

روش مناسب به نوع داده، الگوریتم و معماری سامانه بستگی دارد.

در چنین شرایطی، مهارت برنامه‌نویسی صرف کافی نیست و توسعه‌دهنده باید رفتار حافظه، شبکه و پردازنده‌ها را نیز بشناسد.

آموزش مدل‌های علمی با داده‌های بسیار بزرگ

یکی دیگر از آموزش‌های روز ۱۵ نوامبر، Deep Learning at Scale: Engineering High-Resolution Scientific AI Models بود.

این برنامه بر مشکلات اجرای مدل‌های یادگیری عمیق روی داده‌های علمی با وضوح و ابعاد بالا تمرکز داشت.

در بعضی کاربردهای علمی، داده‌ها بسیار بزرگ‌تر از تصاویر معمولی مورد استفاده در برنامه‌های مصرفی هستند.

برای مثال، شبیه‌سازی یک سامانه آب‌وهوایی ممکن است مجموعه‌ای چندبعدی از مقادیر دما، فشار، سرعت باد و دیگر متغیرها تولید کند.

پردازش چنین اطلاعاتی به حافظه زیاد و انتقال سریع داده نیاز دارد.

هنگامی که یک مدل یادگیری عمیق برای پردازش این داده‌ها میان چند GPU توزیع می‌شود، مسئله جدیدی ایجاد می‌شود: پردازنده‌ها باید بخش‌هایی از اطلاعات و نتایج میانی را با یکدیگر مبادله کنند.

این ارتباط ممکن است به یکی از عوامل محدودکننده سرعت آموزش تبدیل شود.

همچنین افزایش وضوح داده‌ها می‌تواند مصرف حافظه را به‌شدت بالا ببرد.

برنامه آموزشی آزمایشگاه ملی لارنس برکلی به موضوعاتی مانند توان عبور داده، فشار بر حافظه و هزینه ارتباطات در آموزش توزیع‌شده اختصاص داشت.

این موضوع نشان می‌دهد توسعه هوش مصنوعی علمی فقط به یک مدل جدید وابسته نیست. برای اجرای عملی آن در مقیاس بزرگ، نیاز به مهندسی دقیق زیرساخت و نرم‌افزار وجود دارد.

نقش آزمایشگاه‌های ملی و دانشگاه‌ها در SC26

یکی از ویژگی‌های مهم کنفرانس SC، مشارکت هم‌زمان دانشگاه‌ها، مراکز پژوهشی دولتی و شرکت‌های فناوری است.

آزمایشگاه ملی لارنس برکلی آمریکا برای SC26 برنامه گسترده‌ای از مشارکت پژوهشگران خود منتشر کرده که شامل آموزش‌ها، نشست‌های تخصصی و ارائه‌های علمی در طول شش روز کنفرانس است.

مرکز ابررایانش یولیش آلمان نیز از مشارکت در برنامه‌های روز افتتاحیه خبر داده است.

چنین مراکزی در توسعه الگوریتم‌ها، نرم‌افزارهای علمی و مدیریت سامانه‌های بزرگ نقش دارند.

برای مثال، مرکز ابررایانش ممکن است مسئول ارائه زیرساخت به صدها گروه پژوهشی باشد که هرکدام نرم‌افزار و نیاز پردازشی متفاوتی دارند.

در چنین شرایطی، مدیران مرکز باید میان افزایش عملکرد، استفاده بهینه از برق، قابلیت اطمینان و دسترسی منصفانه کاربران تعادل برقرار کنند.

این مسائل در محیط‌های تجاری نیز اهمیت دارند.

شرکت‌هایی که مراکز داده بزرگ اداره می‌کنند با بسیاری از چالش‌های مشابه در زمینه مدیریت منابع، شبکه و مصرف انرژی روبه‌رو هستند.

به همین دلیل، ارتباط میان پژوهشگران و صنعت می‌تواند به انتقال تجربه و توسعه ابزارهای قابل استفاده در محیط‌های مختلف کمک کند.

در عین حال، حضور یک سازمان در کنفرانس به‌خودی‌خود به معنای معرفی یک محصول یا کشف علمی جدید نیست. برای چنین ادعایی باید نتایج مشخص هر ارائه بررسی شود.

برنامه‌های مهم NVIDIA از روزهای بعد ادامه پیدا می‌کند

NVIDIA نیز برنامه مفصلی برای مشارکت در SC26 اعلام کرده است.

این شرکت علاوه بر حضور در نشست‌های فنی، نمایش‌هایی درباره زیرساخت‌های محاسباتی و گردش‌کارهای علمی مبتنی بر شتاب‌دهنده‌ها برنامه‌ریزی کرده است.

اما باید میان فعالیت‌های روز افتتاحیه و برنامه‌های بعدی تفاوت گذاشت.

طبق برنامه رسمی NVIDIA، سخنرانی ویژه Ian Buck و رویداد Build-a-Claw برای دوشنبه ۱۶ نوامبر برنامه‌ریزی شده‌اند.

همچنین نمایشگاه تجاری کنفرانس در روزهای ۱۷ تا ۱۹ نوامبر برگزار می‌شود.

بنابراین نمی‌توان در گزارش مربوط به ۱۵ نوامبر نوشت که تمام نمایش‌های سخت‌افزاری یا سخنرانی‌های اصلی NVIDIA انجام شده‌اند.

اهمیت حضور این شرکت در SC26 به نقش پردازنده‌های گرافیکی در محاسبات پیشرفته مربوط است.

GPUها علاوه بر تولید تصاویر گرافیکی، برای اجرای عملیات موازی در شبیه‌سازی‌های علمی و یادگیری ماشین استفاده می‌شوند.

اما دستیابی به عملکرد مناسب تنها به قدرت تراشه وابسته نیست و به نرم‌افزار، حافظه و ارتباطات شبکه‌ای نیز نیاز دارد.

همین ارتباط میان سخت‌افزار و برنامه‌نویسی از موضوعات مهم برنامه روز افتتاحیه بوده است.

چالش انرژی و پایداری ابررایانه‌ها

افزایش توان پردازشی معمولاً نیازمند سرمایه‌گذاری بیشتر در زیرساخت و مصرف انرژی است.

یک مرکز ابررایانش پیشرفته علاوه بر پردازنده‌ها به تجهیزات ذخیره‌سازی، شبکه پرسرعت، منابع تغذیه و سامانه‌های خنک‌کننده نیاز دارد.

وقتی تعداد شتاب‌دهنده‌ها افزایش پیدا می‌کند، مدیریت گرمای تولیدشده به یکی از مسائل مهم طراحی تبدیل می‌شود.

به همین دلیل، صرفاً افزایش تعداد تراشه‌ها همیشه بهترین راه افزایش توان عملیاتی نیست.

بهینه‌سازی نرم‌افزار می‌تواند در بعضی کاربردها امکان انجام محاسبات بیشتر با همان زیرساخت را فراهم کند.

برای مثال، کاهش انتقال غیرضروری داده میان حافظه و پردازنده ممکن است زمان اجرا و مصرف انرژی یک برنامه را کاهش دهد.

همچنین الگوریتم مناسب یا تقسیم بهتر وظایف میان پردازنده‌ها می‌تواند بهره‌وری سامانه را افزایش دهد.

بخشی از برنامه‌های فنی SC26 به همین موضوعات مرتبط است؛ از مهندسی عملکرد گرفته تا توسعه روش‌های قابل‌انتقال برای برنامه‌نویسی سامانه‌های مختلف.

بااین‌حال، برنامه‌ریزی یک نشست درباره بهره‌وری انرژی به معنای ارائه نتیجه قطعی یا صرفه‌جویی اندازه‌گیری‌شده در همان روز نیست.

برای ارزیابی چنین دستاوردهایی باید نتایج پژوهش‌ها و آزمایش‌های مستقل بررسی شوند.

نمایشگاه SC26 چه زمانی آغاز می‌شود؟

کنفرانس SC26 در مجموع از ۱۵ تا ۲۰ نوامبر برگزار می‌شود، اما برنامه‌های مختلف آن در یک روز آغاز نمی‌شوند.

روزهای نخست بیشتر به آموزش‌ها و کارگاه‌های تخصصی اختصاص دارند.

بخش نمایشگاهی مطابق جدول رسمی از سه‌شنبه ۱۷ نوامبر آغاز خواهد شد و تا پنجشنبه ۱۹ نوامبر ادامه خواهد داشت.

در این نمایشگاه، شرکت‌های سازنده سخت‌افزار، ارائه‌دهندگان خدمات محاسباتی و مجموعه‌های توسعه‌دهنده نرم‌افزار فرصت دارند محصولات و فناوری‌های خود را معرفی کنند.

اما در تاریخ ۱۵ نوامبر، اطلاعات مربوط به معرفی‌های آینده هنوز نباید به‌عنوان نتایج قطعی کنفرانس ثبت شوند.

این تفاوت در پوشش خبری رویدادهای چندروزه اهمیت دارد.

ممکن است شرکتی پیش از افتتاح نمایشگاه درباره برنامه‌های خود اطلاعیه منتشر کند یا خبرگزاری‌ها اطلاعاتی از محصولات آینده ارائه دهند.

بااین‌حال، انتشار برنامه یا اطلاعیه اولیه با انجام نمایش زنده و اعلام نتایج آزمایش‌ها تفاوت دارد.

در گزارش روز افتتاحیه، آنچه با اطمینان قابل ثبت است آغاز برنامه رسمی کنفرانس و برگزاری جلسات زمان‌بندی‌شده در تقویم آن است.

SC26 چه تغییری در مسیر محاسبات پیشرفته نشان می‌دهد؟

بررسی برنامه روز نخست SC26 نشان می‌دهد موضوعات ابررایانش دیگر به رقابت بر سر دستیابی به بالاترین عدد توان پردازش محدود نیستند.

افزایش ظرفیت شبکه، مدیریت نرم‌افزار، قابلیت انتقال برنامه‌ها و اتصال فناوری‌های محاسباتی مختلف به یکدیگر اهمیت بیشتری پیدا کرده‌اند.

همچنین استفاده از کانتینرها و چارچوب‌های برنامه‌نویسی قابل‌انتقال نشان می‌دهد توسعه‌دهندگان به دنبال ساده‌تر کردن اجرای نرم‌افزارهای علمی در زیرساخت‌های متفاوت هستند.

از سوی دیگر، حضور موضوعاتی مانند رایانش کوانتومی ترکیبی و یادگیری عمیق در مقیاس بالا نشان‌دهنده گسترش کاربرد ابررایانه‌ها در حوزه‌های جدید است.

البته این تغییرات به معنی کنار گذاشتن محاسبات کلاسیک یا جایگزینی کامل آن با هوش مصنوعی نیست.

بسیاری از مسائل علمی همچنان بر پایه الگوریتم‌های عددی و روش‌های شبیه‌سازی سنتی حل می‌شوند. فناوری‌های جدید بیشتر در کنار این روش‌ها قرار می‌گیرند و برای بعضی کاربردها امکانات تازه‌ای فراهم می‌کنند.

برنامه کنفرانس نیز همین تنوع را بازتاب می‌دهد: از بهینه‌سازی زبان C++ و استفاده از Python گرفته تا توسعه شبکه‌های داده و زیرساخت کوانتومی.

ادامه کنفرانس تا ۲۰ نوامبر

افتتاح SC26 در ۱۵ نوامبر آغاز یک برنامه شش‌روزه است که در روزهای آینده با نشست‌های علمی، ارائه پژوهش‌ها و نمایش فناوری‌های صنعتی ادامه پیدا می‌کند.

انتظار می‌رود مباحث مرتبط با معماری سامانه‌های پیشرفته، پردازش علمی، شبکه و ذخیره‌سازی در طول کنفرانس پیگیری شوند.

بااین‌حال، نتایج نهایی این نشست‌ها و معرفی‌های احتمالی شرکت‌ها باید بر اساس اطلاعیه‌ها و ارائه‌های واقعی همان روزها گزارش شوند.

در روز افتتاحیه، مهم‌ترین اتفاق شروع برنامه‌های آموزشی و کارگاه‌هایی بود که به برخی مشکلات اساسی محاسبات پیشرفته می‌پرداختند.

این مشکلات شامل استفاده مؤثر از هزاران پردازنده، جابه‌جایی اطلاعات علمی، اجرای قابل‌اعتماد نرم‌افزارها و ترکیب زیرساخت‌های محاسباتی مختلف هستند.

SC26 فرصتی است تا متخصصان درباره روش‌های حل این مسائل تجربه و دانش خود را به اشتراک بگذارند، اما حضور فناوری در برنامه کنفرانس لزوماً به معنای آماده‌شدن آن برای استفاده گسترده تجاری نیست.

نتایج علمی، بنچمارک‌ها و دستاوردهای قابل‌اندازه‌گیری در روزهای بعد تصویر دقیق‌تری از تأثیر این رویداد بر آینده ابررایانش ارائه خواهند کرد.

 

مشاهده بیشتر

نوشته های مشابه

دکمه بازگشت به بالا