От лаборатории к цифровому моделированию: как меняется современная наука

Вычислительные мощности становятся частью самой научной работы: AI, моделирование и обработка больших массивов данных требуют инфраструктуры, сопоставимой по значимости с лабораторным оборудованием. О том, как меняется подход к организации таких ресурсов и какую роль в этом играют HPC и искусственный интеллект, рассказал корреспонденту BAQ.KZ директор технологической компании Темирлан Зинабдин.

Современный научный эксперимент все чаще сопровождается значительным объемом цифровых данных. Их необходимо хранить, обрабатывать, сопоставлять и анализировать, а развитие искусственного интеллекта дополнительно увеличивает требования к вычислительным ресурсам.

«Современная наука становится все более зависимой от вычислений. Когда мы говорим о научной инфраструктуре, обычно представляем лаборатории, исследовательские установки, оборудование. Но сегодня рядом с этим появляется еще один обязательный элемент - вычислительная инфраструктура», - отметил Темирлан Зинабдин.

При этом речь уже идет не об отдельных серверах. Для ряда современных исследований необходимы высокопроизводительные вычисления (HPC), GPU-кластеры, быстрые системы хранения данных и высокоскоростные каналы связи. Такие ресурсы позволяют не только обрабатывать результаты уже проведенных экспериментов, но и создавать цифровые модели процессов, анализировать большое количество параметров и заранее проверять различные сценарии.

«Представьте, что исследователь проводит сложный эксперимент. Сегодня можно построить цифровую модель процесса, обработать миллионы параметров, провести большое количество виртуальных сценариев и уже после этого переходить к следующему этапу эксперимента. В некоторых направлениях вычисление становится такой же частью исследования, как сама физическая установка», - сказал эксперт.

Именно поэтому вопрос заключается не только в наличии вычислительных мощностей, но и в том, где они должны находиться и каким образом исследователь получает к ним доступ. Собственный центр обработки данных при этом нужен далеко не каждому научному учреждению: часть задач может выполняться с использованием облачных ресурсов.

Однако при постоянной работе с большими массивами данных возникают дополнительные требования к скорости доступа, стоимости длительных вычислений, конфигурации GPU и HPC, а также к безопасности. Отдельное значение имеет передача данных - при работе с большими объемами информации постоянная отправка массивов на удаленную площадку и их последующее возвращение может создавать дополнительную нагрузку.

«Во многих случаях можно использовать облако, и строительство собственного ЦОДа требуется далеко не каждому научному учреждению. Но на определенном масштабе появляются другие требования: это объем данных, скорость доступа к ним, стоимость постоянных вычислений, требования к безопасности, возможность работать с определенной конфигурацией GPU и HPC. Поэтому мы рассматриваем гибридную архитектуру, где часть ресурсов может находиться непосредственно рядом с научной площадкой, а часть - предоставляться через облачную инфраструктуру», - пояснил Зинабдин.

Такой подход позволяет распределять нагрузку между разными уровнями инфраструктуры в зависимости от конкретной задачи. Локальные мощности могут использоваться для постоянной работы, а дополнительные ресурсы подключаться при необходимости.

На этом фоне отдельное место занимает искусственный интеллект. Его применение в науке уже не ограничивается отдельными экспериментальными проектами: AI может использоваться для анализа результатов исследований, поиска закономерностей, классификации данных, моделирования и работы с научной литературой.

Однако возможности таких инструментов напрямую зависят от инфраструктуры, на которой они работают. Чем сложнее модель и больше массив данных, тем выше требования к GPU, серверам, системам хранения и сетям.

«Важно не воспринимать AI как отдельную программу, которую достаточно установить на компьютер. Чем сложнее модель и больше массив данных, тем серьезнее требования к инфраструктуре. AI начинается с алгоритма, но работает он на вполне физическом оборудовании - GPU, серверах, системах хранения, сетях», - отметил эксперт.

Для таких областей, как ядерная физика, вычислительная инфраструктура может использоваться сразу по нескольким направлениям - от математического моделирования до обработки научных данных и высокопроизводительных вычислений. При этом конкретные задачи определяются самими исследователями, тогда как технологическая инфраструктура должна обеспечить необходимые для них ресурсы.

Важность вычислительного слоя особенно заметна там, где проведение реального эксперимента требует значительных времени и ресурсов. Предварительное моделирование позволяет проверить различные сценарии в цифровой среде и определить, какие из них целесообразно исследовать уже в рамках физического эксперимента.

«Физический эксперимент никуда не исчезает. Но рядом с ним возникает вычислительный слой. И чем сложнее исследования, тем важнее этот слой становится. Возможность сначала проверить большое количество сценариев в цифровой среде не заменяет реальный эксперимент, но позволяет быстрее отсеивать неподходящие варианты, точнее формулировать гипотезы и эффективнее использовать дорогостоящее научное оборудование», - рассказал Зинабдин.

При этом развитие локальной вычислительной инфраструктуры не обязательно означает дублирование уже существующих национальных мощностей и суперкомпьютеров. Разные уровни инфраструктуры могут выполнять разные задачи и дополнять друг друга.

Локальные центры могут обеспечивать постоянную работу с конкретными проектами и данными, тогда как более крупные вычислительные системы могут использоваться при возникновении пиковой нагрузки. Такой подход позволяет не создавать собственную масштабную инфраструктуру исключительно для задач, которые возникают несколько раз в год.

«Я бы не противопоставлял эти вещи. Национальная инфраструктура решает один класс задач, отраслевые и локальные вычислительные центры - другой. Более того, нормальная экосистема как раз предполагает, что эти мощности могут дополнять друг друга», - считает эксперт.

По его словам, в перспективе может сформироваться распределенная модель, объединяющая локальную инфраструктуру, облачные ресурсы и доступ к крупным вычислительным системам. При этом эффективность такой системы зависит не только от оборудования, но и от специалистов, способных использовать его для решения научных задач.

Именно поэтому развитие вычислительной инфраструктуры может сопровождаться созданием площадок, объединяющих ученых, инженеров и IT-специалистов. В таком формате речь идет уже не просто о размещении серверов, а о совместных исследованиях, образовательных проектах и разработке новых решений.

«Можно построить хороший ЦОД, установить современные GPU, но сами по себе они научных результатов не создают. Нужны люди, проекты и компетенции. Поэтому Scientific Computing & AI Center мы рассматриваем как площадку, где смогут пересекаться ученые, инженеры и IT-специалисты», - отметил Зинабдин.

Подобный подход может применяться далеко за пределами ядерной физики. Рост объемов данных и сложности математических моделей наблюдается в генетике, медицине, химии, материаловедении, геологии, климатических исследованиях и энергетике.

В результате вычислительные ресурсы постепенно становятся одним из факторов скорости научной работы. Чем быстрее исследователь может обработать данные, провести моделирование и проверить гипотезу, тем быстрее он может перейти к следующему этапу исследования.

«Ученый не должен думать о том, где найти сервер, как передать огромный массив данных или хватит ли мощности для очередной модели. Он должен заниматься своей основной задачей - исследованием. Если мы сможем создать инфраструктуру, которая берет техническую часть на себя и дает ученым возможность быстрее проверять гипотезы, работать с большими объемами данных и использовать современные AI-инструменты, тогда это будет действительно полезный результат», - заключил эксперт.