美國世界最快超算是擺設(shè)？消息稱可靠性糟糕

建造一臺超級計(jì)算機(jī)總是具有挑戰(zhàn)性的，但是創(chuàng)建業(yè)界第一個外掛級系統(tǒng)是遇到了完全意想不到的事情，需要在硬件和軟件方面做大量的工作。不幸的是，這種情況可能發(fā)生在橡樹嶺國家實(shí)驗(yàn)室的Frontier超級計(jì)算機(jī)上，它幾乎不能在沒有眾多硬件故障的情況下持續(xù)一天。

ORNL的Frontier是業(yè)界首個設(shè)計(jì)用于提供高達(dá)1.685 FP64 ExaFLOPS峰值性能的系統(tǒng)，使用AMD的64核EPYC Trento處理器、Instinct MI250X計(jì)算GPU和HPE的Slingshot互連，功率為21兆瓦。HPE構(gòu)建了該系統(tǒng)，并使用了為擴(kuò)展應(yīng)用設(shè)計(jì)的Cray EX（在新標(biāo)簽中打開）架構(gòu)，主要用于超高速超級計(jì)算機(jī)。

雖然從紙面上看，F(xiàn)rontier超級計(jì)算機(jī)看起來特別好，而且機(jī)器系統(tǒng)的硬件部分已經(jīng)交付，但似乎硬件方面的問題一直追著機(jī)器上線，并提供給需要大約1 FP64 ExaFLOPS性能的研究人員。

"橡樹嶺領(lǐng)導(dǎo)力計(jì)算設(shè)施（OLCF）的項(xiàng)目主管Justin Whitt在接受InsideHPC（在新標(biāo)簽中打開）采訪時說："我們正在解決硬件方面的問題，確保我們了解（它們是什么）。"在這種規(guī)模的情況下，你將會出現(xiàn)故障。這種規(guī)模的系統(tǒng)的平均故障間隔時間是幾小時，而不是幾天。"

關(guān)于Frontier的潛在硬件故障的傳言已經(jīng)流傳了很久。根據(jù)InsideHPC（在新標(biāo)簽中打開）的另一篇報道，一些人說該系統(tǒng)的Slingshot互連出現(xiàn)了問題。此外，其他人表示，AMD的Instinct MI250X計(jì)算GPU今年并不像預(yù)期那樣可靠。請記住，擁有更多流處理器和高時鐘的X版本只向特定客戶提供。

Whitt先生沒有證實(shí)系統(tǒng)在Instinct或Slingshot方面遇到任何特別的問題，但他壓根兒就沒有說過機(jī)器遭受到眾多的硬件問題。

"很多挑戰(zhàn)都集中在這些[GPU]上，但這并不是我們看到的大多數(shù)挑戰(zhàn)，"OLCF的負(fù)責(zé)人說。"在零部件故障的常見罪魁禍?zhǔn)字校@是一個相當(dāng)好的分布，它是一個很大的組成部分。我不認(rèn)為在這一點(diǎn)上，我們對AMD的產(chǎn)品有很多擔(dān)憂。"

橡樹嶺國家實(shí)驗(yàn)室的Frontier超級計(jì)算機(jī)到目前為止還不是唯一使用HPE的Cray EX架構(gòu)與Slingshot互連、AMD的EPYC CPU和AMD的Instinct計(jì)算GPU的系統(tǒng)。例如，芬蘭的Lumi超級計(jì)算機(jī)（Cray EX、EPYC Milan、Instinct MI250X計(jì)算GPU）提供550 PetaFLOPS的峰值性能，被官方列為世界上第三大最強(qiáng)大的超級計(jì)算機(jī)。也許，問題是有效的，該機(jī)器的規(guī)?？偣彩褂昧?000萬個零件。

鑒于仍未正式部署，最初承諾在2022年上線的 "前沿 "超級計(jì)算機(jī)是否能在2023年開始供研究人員使用，只有時間才能證明。

來源：中關(guān)村在線