Introduction : Le rôle du CHP dans la science moderne

Ces systèmes étroitement intégrés de calcul des nœuds, d'interconnexions à grande vitesse et de stockage hiérarchique permettent aux chercheurs de s'attaquer à des problèmes d'une énorme ampleur, de simuler la formation de galaxies à la modélisation du repliement des protéines et à l'analyse des petaoctets de données génomiques. Les progrès récents dans les composants matériels conduisent à une nouvelle vague de capacités en grappes, permettant des calculs qui étaient autrefois impraticables ou impossibles à devenir routiniers. Cet article examine les développements matériels clés qui remodelent les grappes de HPC et leur impact profond sur la découverte scientifique.

Percées dans la technologie Processeur et Accélérateur

CPU multi-cœurs pour calcul général

Les processeurs EPYC (Genoa, Bergamo) offrent jusqu'à 128 cœurs par prise avec la mémoire DDR5 et la connectivité PCIe Gen5, tandis que les processeurs Intel , Xeon Scalable (Sapphire Rapids) intègrent des accélérateurs intégrés pour l'IA et l'analyse des données. Ces processeurs offrent une performance unique forte en même temps que le parallélisme massif, ce qui les rend idéales pour les emplois MPI étroitement couplés et les applications multithreadées.

Unités de traitement des graphiques (GPU) et accélération parallèle

Les GPU sont devenus le principal accélérateur de choix pour les simulations scientifiques et l'apprentissage automatique, grâce à leurs milliers de cœurs spécialisés optimisés pour les opérations parallélistes de données. NVIDIAS H100 (Hopper) GPU dispose de 80 Go de mémoire HBM3 et d'un nouveau moteur de transformation qui accélère les modèles de grande langue, tandis que la série Instinct MI300 d'AMD combine les pucelettes CPU et GPU avec la mémoire unifiée sur un seul paquet. L'adoption généralisée de l'informatique accélérée GPU – souvent avec un à huit GPU par nœud – a réduit le temps à la solution pour les codes de dynamique moléculaire, de dynamique des fluides computationnels et d'apprentissage profond.

FPGA et accélérateurs personnalisés

Les réseaux de portes programmables sur le terrain (FPGA) offrent un terrain intermédiaire entre les ASIC à fonction fixe et les processeurs à usage général. Les FPGA modernes, y compris les familles Xilinx Alveo et Intel Stratix, intègrent des unités à point flottant durci et des émetteurs à haute vitesse et peuvent être reprogrammés pour mettre en place des datapaths personnalisés. Dans les grappes HPC, les FPGA sont utilisés pour accélérer des noyaux spécifiques — tels que le traitement des signaux en astronomie radio, en QCD réseau ou en alignement génomique — où leur faible latence et leur reconfiguration offrent des avantages uniques.

Mémoire et stockage Innovations

Mémoire à bande haute (HBM) pour charges de travail intensives

La bande passante de la mémoire reste un goulot d'étranglement critique pour de nombreuses applications scientifiques. La mémoire haute bande passante, en particulier HBM2e et HBM3, s'attaque à cela en empilant la mémoire sur le même paquet que la matrice de calcul, fournissant plusieurs canaux de chemins de données ultra-large. NVIDIAS H100 GPU, par exemple, fournit plus de 3 TB/s de bande passante de mémoire — plus de 10 fois que d'une prise CPU typique basée sur DDR5. HBM apparaît également dans des paquets basés sur CPU: AMDS EPYC --Bergamo , offre HBM3 dans certains UGS, et IntelS Xeon Max (Sapphire Rapids-HBM) intègre 64 GB de HBM2e directement sur le paquet. Cette innovation permet à des ensembles de données entiers de résider dans la mémoire haute vitesse, éliminant les transferts de données chronométrage vers et à partir de la RAM traditionnelle.

Mémoire non volatile Express (NVMe) et mémoire persistante

La vitesse de stockage a été révolutionnée par les lecteurs à état solide (SSD) NVMe utilisant l'interface PCIe Gen4 et Gen5. Les lecteurs NVMe de qualité Enterprise peuvent maintenir des vitesses de lecture séquentielles supérieures à 14 Go/s et des IOPS aléatoires sur des millions, ce qui permet de créer des modèles d'E/S communs aux points de contrôle/redémarrage et aux flux de travail intensifs en matière de données. Au-delà de NVMe, Intel (avant de mettre fin à la ligne Optane) et d'autres fournisseurs ont exploré des technologies de mémoire persistantes qui combinent la vitesse de DRAM avec la non-volatilité du stockage.

Systèmes de fichiers parallèles et hiérarchies de stockage

Même les lecteurs NVMe locaux les plus rapides ne peuvent pas gérer les demandes d'entrées/sorties agrégées de centaines ou de milliers de nœuds. (Projet LustreLes versions récentes utilisent les serveurs de stockage NVMe et RDMA (Accès direct à la mémoire à distance) pour réduire la latence et augmenter le débit global à des centaines de Go/s. De nombreux groupes mettent maintenant en place une hiérarchie de stockage à plusieurs niveaux : une petite quantité de NVMe rapide dans chaque nœud pour les tampons en rupture, un système de fichiers parallèles sur NVMe/SSD pour les données actives, et un niveau de capacité sur les DHD ou les bandes pour les archives.

Interconnections haute vitesse : l'os de la performance des grappes

InfiniBand: La norme pour la communication à faible latence

InfiniBand reste l'interconnexion dominante pour les grappes de CHP à grande échelle, offrant une faible latence (sous-microsecondes Ping-pong) et un débit élevé (jusqu'à 600 Gb/s avec NDR200). La dernière génération — NDR (prochaine vitesse de données) — fournit 400 Gb/s par port, double le débit de HDR et prend en charge la collecte de données RDMA, les opérations atomiques et le routage adaptatif. InfiniBand est utilisé dans plus de la moitié des supercalculateurs Top500, y compris de nombreux systèmes supérieurs.

Ethernet et RDMA sur Ethernet Convergé (RoCE)

Pour les grappes où le coût ou l'interopérabilité est une préoccupation, Ethernet haute vitesse (200 GbE, 400 GbE) combiné à RoCEv2 offre une alternative viable à InfiniBand. RoCEv2 permet à RDMA de dépasser les tissus Ethernet standard, réduisant les frais généraux et latences du processeur pour les messages point à point. Les commutateurs Ethernet modernes de fournisseurs comme Arista, Mellanox (NVIDIA) et Cisco supportent le contrôle de congestion (par exemple, DCQCN), la pulvérisation de paquets et la télémétrie pour approcher les performances d'InfiniBand. La prochaine norme de 800 GbE comblera encore l'écart.

Dans un nœud, la communication GPU-to-GPU et GPU-to-CPU est souvent plus critique que le réseau internoeud. NVIDIA , quatrième génération en H100, fournit jusqu'à 900 Go/s de bande passante bidirectionnelle entre les GPU dans le même serveur, ce qui permet le parallélisme du modèle et le partage de mémoire à grande échelle. De nouvelles connexions de caches comme CXL (Compute Express Link) permettent aux CPU, aux accélérateurs et aux dispositifs de mémoire de partager un espace mémoire cohérent sur un tissu basé sur PCIe. CXL devrait jouer un rôle majeur dans les futurs clusters, permettant la désagrégation de mémoire, le regroupement de mémoire et l'attachement cohérent de l'accélérateur sans le passage de l'interface MPI ou de la CUDA IPC.

Interconnects optiques et quantiques émergents

La technologie d'interconnexion optique est en train de se transformer en réseaux HPC. La photonique en silicone et l'optique co-emballée peuvent réduire la consommation d'énergie et augmenter la densité de bande passante au-delà de ce que les liaisons électriques de cuivre peuvent réaliser. Des entreprises comme NVIDIA et Intel investissent dans des émetteurs-récepteurs optiques qui peuvent conduire 1,6 Tb/s par fibre. Pour les communications intra-rack ou intra-noeud, les câbles optiques sont déjà utilisés dans des systèmes comme Frontier pour remplacer les câbles encombrants en cuivre.

Percées scientifiques activées par les avances matérielles

Modélisation du climat et prévision météorologique

Les modules d'exascale comme Frontier et El Capitan permettent aux modèles climatiques d'atteindre une résolution de kilomètres, notamment la microphysique des nuages, les tourbillons océaniques et la chimie atmosphérique. Le modèle de système terrestre d'exascale énergétique (E3SM), par exemple, permet d'accélérer le GPU et de simuler des décennies de climat en jours. Ces simulations sont essentielles pour comprendre les retours d'informations sur le cycle du carbone, l'élévation du niveau de la mer et les phénomènes météorologiques extrêmes.

Génomique et biologie computationnelle

En génomique, la capacité de séquencer des populations entières et d'effectuer des études d'association à l'échelle du génome exige des exaoctets de données et des pétaflops de calcul. Les progrès matériels tels que l'alignement accéléré de lecture et l'appel de variantes alimenté par le GPU ont réduit le temps d'analyser un génome humain de jours en minutes.

Simulations d'astrophysique et de cosmologie

Les innovations matérielles dans les interconnexions permettent à des milliers de GPU de communiquer sans heurts dans de grands ensembles. Le projet -CosmoFlow-de Lawrence Berkeley National Laboratory a utilisé TensorFlow avec des grappes GPU pour former des réseaux neuraux profonds qui prédisent les paramètres cosmologiques à partir de simulations N-body, un exploit rendu possible par les interconnexions rapides NVLink et RDMA. De même, les simulations -mergerTree-de-Summit (avant Frontier) ont montré comment l'accélération de GPU et la bande passante à haute mémoire ont amélioré la détection des fusions de particules de plus de 10×.

Sciences des matériaux et chimie

Les calculs des premiers principes utilisant la théorie fonctionnelle de la densité (DFT) et la dynamique moléculaire (MD) ont été accélérés par des codes GPU-ware (p. ex. VASP, LAMMPS, GROMACS). Le traitement parallèle massif des GPU, combiné à la bande passante haute mémoire de HBM, permet la simulation de systèmes à million d'atomes sur des échelles de temps microseconde. De nouvelles architectures CPU-GPU hybrides avec mémoire unifiée simplifient la programmation tout en maintenant les performances.

Orientations futures : Exascale et au-delà

Projets informatiques exascales

La réalisation de performances exascales — un milliard de calculs par seconde — marque une étape importante pour le matériel HPC. Le système Frontier d'Oak Ridge a été le premier des 500 premiers en 2022 avec un pic de 1,1 exaflops, utilisant les processeurs AMD EPYC et les processeurs Instinct connectés via l'interconnexion Slingshot‐11. Le futur El Capitan du Lawrence Livermore National Laboratory et Aurora d'Argonne pousseront plus loin dans la gamme 2‐5 exaflops. Ces systèmes reposent sur des emballages avancés, des puces et un refroidissement liquide pour gérer les densités d'énergie.

Architectures hétérogéniques et accélérateurs spécialisés

Les futurs groupes HPC seront encore plus hétérogènes. Plutôt que d'utiliser uniquement des processeurs et des processeurs, les systèmes intégreront des unités de traitement de tenseurs (TPU), des unités de traitement neuronal (NPU) et des tissus FPGA qui peuvent être reconfigurés dynamiquement pour des charges de travail spécifiques. Les architectures Intel , Ponte Vecchio et AMD , CDNA, combinent déjà plusieurs tuiles avec des liaisons à grande vitesse. La tendance vers des accélérateurs spécifiques à domaine – par exemple, SpiNNaker pour la simulation cérébrale ou des anéantisseurs d'inspiration quantique pour l'optimisation – nécessitera des interconnecteurs et des interlogiciels qui peuvent unifier ces divers appareils en un modèle de programmation cohérent.

Calcul photonique et quantique comme accélérateurs HPC

Les puces photoniques, comme celles développées par Lightmater, Ayar Labs et d'autres, peuvent bientôt servir de coprocesseurs d'accélérateurs pour l'algèbre linéaire et les réseaux neuraux optiques. Elles exploitent la lumière à grande vitesse et à faible énergie par bit pour effectuer des multiplications matricielles à des taux dépassant les GPU électroniques. À plus long terme, les processeurs quantiques pourraient décharger des problèmes spécifiques (p. ex. simulation de chimie quantique, factorisation intégrale, certaines tâches d'optimisation) des systèmes HPC classiques. Le département américain de l'énergie a déjà financé des projets visant à intégrer des unités de traitement quantique (UQPU) dans les flux de travail HPC, en utilisant des interconnections classiques appropriées pour corriger les erreurs et les rétroactions.

Conclusion

L'évolution incessante du matériel HPC — des processeurs multi-cœurs et des processeurs à grande parallèle aux interconnexions ultra-rapides et aux niveaux de mémoire — ne cesse d'augmenter l'enveloppe de ce qui est scientifiquement possible. Aujourd'hui, les grappes peuvent simuler des phénomènes complexes à des résolutions et à des échelles de temps inimaginables il y a une décennie. La tendance vers des architectures hétérogènes, désagrégées et économes en énergie promet de faire de nouveaux sauts dans la capacité. Liste des 500 premiers, Câble HPC, et publications des fournisseurs NVIDIA et AMD- Oui.