英特爾首席架構(gòu)師：打造解決復(fù)雜科學(xué)難題的極光超級(jí)計(jì)算機(jī)

作為阿貢國(guó)家實(shí)驗(yàn)室Aurora超算的首席架構(gòu)師和主要研究員，Olivier Franza在這臺(tái)極具雄心的科學(xué)儀器落地的過(guò)程中發(fā)揮了主導(dǎo)作用。

Aurora超算是英特爾最近參與的備受矚目的項(xiàng)目之一，它對(duì)英特爾整個(gè)系統(tǒng)產(chǎn)品組合都挺有挑戰(zhàn)性。事實(shí)上，Aurora超算不僅是世界上最大的GPU集群，同時(shí)，預(yù)計(jì)將成為第一臺(tái)峰值性能達(dá)到每秒2百億億次(2×10^18)浮點(diǎn)運(yùn)算能力的超算。

作為一位在英特爾工作了22年的老兵，在面對(duì)Aurora超算時(shí)，Olivier Franza還是感受到了壓力。

2016年，Olivier Franza作為系統(tǒng)硬件架構(gòu)師加入了Aurora項(xiàng)目，2021年，他成了首席架構(gòu)師，目睹了Aurora項(xiàng)目向基于GPU架構(gòu)的重大轉(zhuǎn)變。

“首席架構(gòu)師要做的就是根據(jù)客戶的高標(biāo)準(zhǔn)要求，來(lái)調(diào)整超算的整體系統(tǒng)架構(gòu)，”Franza解釋說(shuō)。“首席架構(gòu)師也會(huì)關(guān)注一些基本的參數(shù)，比如總體性能指標(biāo)，功耗情況，還有一些RAS(可靠性、可用性、可維護(hù)性)特性，這些對(duì)于構(gòu)建有擴(kuò)展性的系統(tǒng)都至關(guān)重要?！?

當(dāng)然，首席架構(gòu)師要關(guān)注的是整個(gè)系統(tǒng)方方面面，從一個(gè)個(gè)節(jié)點(diǎn)到一個(gè)個(gè)機(jī)架再到整個(gè)系統(tǒng)，還要包括各種網(wǎng)絡(luò)和存儲(chǔ)組件，都需要考慮到。

一次技術(shù)路線轉(zhuǎn)變?yōu)樗茉煳磥?lái)產(chǎn)品創(chuàng)造了機(jī)會(huì)

Aurora超算是早期規(guī)劃中計(jì)劃采用一系列的英特爾產(chǎn)品技術(shù)。隨著英特爾產(chǎn)品路線的調(diào)整，Aurora的規(guī)劃也做出改變。

當(dāng)英特爾宣布打造數(shù)據(jù)中心GPU產(chǎn)品線后，F(xiàn)ranza參與到了英特爾數(shù)據(jù)中心GPU Max系列產(chǎn)品的設(shè)計(jì)討論工作當(dāng)中。

所以說(shuō)，Aurora超算不是一步到位成現(xiàn)在這樣的。Aurora超算的構(gòu)建過(guò)程，影響著英特爾戰(zhàn)略和產(chǎn)品線規(guī)劃，也使得Aurora超算能在很高的層面解決規(guī)模和性能問(wèn)題。

Franza表示，英特爾通過(guò)從組件到系統(tǒng)做出很多調(diào)整來(lái)滿足Aurora超算的需求。

比如，英特爾至強(qiáng)CPU Max系列處理器的架構(gòu)和概念，就衍生自英特爾至強(qiáng)Phi的一些特性，這是第一個(gè)在封裝里集成了高帶寬和高容量創(chuàng)新內(nèi)存架構(gòu)的產(chǎn)品。

此外，為了追求更高的性能，Aurora超算的各種子系統(tǒng)都取得了一些進(jìn)步，從刀片服務(wù)器的散熱，到高密度集成的方式再到存儲(chǔ)部分，都有許多創(chuàng)新。

值得一提的是，在這一過(guò)程中，英特爾還構(gòu)建了一個(gè)全新的存儲(chǔ)系統(tǒng)——DAOS(分布式異步對(duì)象存儲(chǔ))。

Franza表示，這是一個(gè)開源項(xiàng)目，可以在傳統(tǒng)硬件上實(shí)現(xiàn)高速存儲(chǔ)，而Aurora超算是首批使用DAOS的用戶之一，同時(shí)也是目前DAOS部署規(guī)模最大的用戶。

從設(shè)計(jì)組件到把數(shù)千個(gè)系統(tǒng)連在一起

Aurora超算項(xiàng)目加強(qiáng)了英特爾系統(tǒng)級(jí)思考能力，也推動(dòng)了英特爾內(nèi)部各業(yè)務(wù)部門之間的協(xié)作，與外部阿貢科學(xué)家和HPE(HPE是該項(xiàng)目的另外一個(gè)主要參與者)工程師之間的協(xié)作，有很多跨職能部門和跨組織的協(xié)作工作。

“讓一整個(gè)團(tuán)隊(duì)統(tǒng)一行動(dòng)，交付像Aurora這樣的超級(jí)計(jì)算機(jī)，對(duì)我們?cè)S多人來(lái)說(shuō)，是一生難得一次的經(jīng)歷?！盕ranza說(shuō)。

盡管工程師在六月份就安裝了最后一臺(tái)刀片服務(wù)器，但Aurora超算后續(xù)的大規(guī)模測(cè)試、穩(wěn)定性驗(yàn)證還需要Franza 夜以繼日的工作。

Franza為一個(gè)大的團(tuán)隊(duì)提供指導(dǎo)，該團(tuán)隊(duì)負(fù)責(zé)Aurora超算的啟動(dòng)、驗(yàn)證、穩(wěn)定、優(yōu)化工作，盡可能發(fā)揮系統(tǒng)在負(fù)載下的性能表現(xiàn)。其中最值得注意的是High Performance Linpack(HPL)基準(zhǔn)測(cè)試，這是Top500榜單的排名依據(jù)，榜單上都是全球最強(qiáng)的超算系統(tǒng)。

每天早上，F(xiàn)ranza都會(huì)仔細(xì)檢查每個(gè)節(jié)點(diǎn)在夜間的運(yùn)行情況，并為第二天及以后的工作制定計(jì)劃。每天下午，F(xiàn)ranza都會(huì)開會(huì)總結(jié)進(jìn)展和遇到的難題。這樣的工作每天都有，而機(jī)器也一直在運(yùn)轉(zhuǎn)當(dāng)中。

“我們會(huì)系統(tǒng)地進(jìn)行驗(yàn)證，”Franza解釋說(shuō)?！跋葟膯蝹€(gè)刀片服務(wù)器開始，然后轉(zhuǎn)向機(jī)架規(guī)模，再到多個(gè)機(jī)架規(guī)模，以此進(jìn)行大規(guī)模驗(yàn)證?！?

Aurora超算由10624臺(tái)刀片服務(wù)器組成，擁有63744塊英特爾Max系列GPU，是世界上規(guī)模最大的GPU集群。在166個(gè)機(jī)架當(dāng)中，使用了一共21248塊英特爾至強(qiáng)Max CPU。

Franza介紹稱，Aurora超算中心的大小相當(dāng)于4個(gè)網(wǎng)球場(chǎng)那么大，聽起來(lái)規(guī)模就很大，但只有親眼看到它，才會(huì)真正意識(shí)到它有多大。

Franza的首要工作就是確保系統(tǒng)穩(wěn)定性，功能完善，還要能正常運(yùn)行。這是一項(xiàng)非常艱巨的任務(wù)，而Franza已經(jīng)看到了勝利的曙光。

走在數(shù)據(jù)中心的通道里，看著燈光閃爍著，看著機(jī)器在正常運(yùn)轉(zhuǎn)，這令Franza感到神清氣爽，并且很有滿足感和成就感。

“一生一次難得一次”的努力，打造解決科學(xué)難題的超級(jí)計(jì)算機(jī)

打造一座有影響力的科研超級(jí)計(jì)算機(jī)固然會(huì)面臨很多難題和阻礙，但考慮到Aurora超算在癌癥研究方面的巨大潛力，有機(jī)會(huì)讓所有人受益，F(xiàn)ranza內(nèi)心的使命感支撐他走了過(guò)來(lái)。

Aurora超算不僅會(huì)用于解決世界上一些最復(fù)雜的科學(xué)和工程問(wèn)題，它還是運(yùn)行生成式AI，并將生成式AI用于研究的理想平臺(tái)。

據(jù)了解，Aurora超算將支持迄今為止，規(guī)模最大的大型語(yǔ)言模型，即1萬(wàn)億參數(shù)的Aurora GenAI項(xiàng)目，從而提高科學(xué)家的工作效率、簡(jiǎn)化科學(xué)家的工作。

Franza做的是一件了不起的事情，而工作中令他感到欣慰的還有團(tuán)隊(duì)協(xié)作和友情。

Aurora超算是一項(xiàng)工程量浩大的項(xiàng)目，需要許多人付出長(zhǎng)期努力，需要大量的毅力。

從Franza的介紹中了解到，其核心團(tuán)隊(duì)一直保持著馬拉松式的心態(tài)，直到最后一刻都不能放松，團(tuán)隊(duì)需要的是那種能夠長(zhǎng)時(shí)間專注于極具挑戰(zhàn)性事物的人，而這些人最終所取得的成就是大部分人都很難做到的。