c't 1/2018
S. 34
News
Forschung

27-Petaflops-Supercomputer in München

Der bisherige SuperMUC Phase 1 und Phase 2 leistet 5,7 PFlops im Linpack. Bild: LRZ/Andreas Heddergott

Am Leibniz-Rechenzentrum (LRZ) in Garching baut Lenovo den SuperMUC Next Generation auf. Für den neuen Supercomputer mit 26,7 Petaflops theoretischer Rechenleistung wurde am 14. Dezember der Vertrag unterzeichnet. Das LRZ erwartet 20,4 PFlops Linpack-Rechenleistung, was etwas mehr ist als beim schweizerischen Piz Daint, der mit 19,59 PFlops derzeit auf Platz 3 der Top500-Liste der Superrechner steht. Wenn der SuperMUC-NG in Betrieb geht, wohl rechtzeitig zur übernächsten Top500-Liste im November 2018, dürfte er noch in den Top Ten liegen: Bis dahin sollen die zwei Power9-Systeme Summit und Sierra in den USA mit jeweils über 100 PFlops die bisher führenden chinesischen Systeme TaihuLight und Tianhe-2 von den Plätzen 1 und 2 verdrängen.

Anders als Summit, Sierra und Piz Daint soll SuperMUC-NG seine Rechenleistung nicht aus Nvidia-Tesla-Karten schöpfen, sondern aus den AVX-512-Einheiten von 12.896 Xeon-SP-Prozessoren mit je 24 Kernen (zusammen 309.504 CPU-Kerne). Die 6448 Cluster-Knoten vom Typ Lenovo ThinkSystem SD 650 DWC laufen unter SuSE Linux Enterprise (HPC Module), Version 12. Intel steuert den Compiler bei. Als paralleles Dateisystem dient IBM Spectrum Scale (GPFS). Die Knoten kommunizieren per Intel Omni Path Architecture (OPA) mit direkter Anbindung in den Xeons. 6304 Rechenknoten sind als sogenannte „Thin Nodes“ mit je 96 GByte RAM ausgestattet, 144 weitere „Fat Nodes“ mit je 768 GByte; das ergibt insgesamt 715 TByte Hauptspeicher.

Genau wie beim bisherigen SuperMUC, der mittlerweile zusammen mit der Ausbaustufe „Phase 2“ insgesamt 5,7 PFlops im Linpack liefert, sind die einzelnen Lenovo-Knoten mit einer Warmwasser-Direktkühlung ausgestattet. Sie soll die Energieeffizienz steigern. Außerdem optimiert SuperMUC-NG bei der Ausführung von Rechenjobs die Effizienz, indem er die Taktfrequenzen der beteiligten Prozessoren anpasst.

SuperMUC-NG wird im Rahmen eines Strategie- und Finanzierungsplanes für das Gauss Centre for Supercomputing (GCS) gemeinsam von Bund und dem Freistaat Bayern je zur Hälfte finanziert. Die Gesamtkosten des Projektes betragen bei einer Laufzeit von 6 Jahren 96 Millionen Euro. (ciw@ct.de)

Apples Forschung am Auto-Projekt

Eines von vielen Apple-Projekten rund um autonomes Fahren: Kamera-bewehrte Fahrzeuge nehmen Messdaten und Fotos auf, um detaillierte 3D-Karten anzulegen, die auch Straßenmarkierungen und Ampeln enthalten.

Ruslan „Russ“ Salakhutdinov, Chef der KI-Abteilung bei Apple, hat Anfang Dezember auf der Fachkonferenz „Neural Information Processing Systems“ (NIPS) bislang geheimgehaltene Projekte des Konzerns präsentiert, die sich rund um autonomes Fahren drehen.

Dazu gehört eine Software, die Fußgänger, Autos und die befahrbaren Teile einer Straße anhand von Kamerabildern erkennt. Das System lasse sich nicht durch Regentropfen auf der Objektivlinse irritieren und soll auch die Position von Fußgängern erfassen können, die von parkenden Autos verdeckt sind. Die Autobranche setzt bisher bei der Fußgängererkennung auf Radarsysteme oder auf Kombinationen aus Radar und Stereo-Kameras. Diese Technik hat besonders bei schlechten Sichtverhältnissen wie Sprühregen, Nebel oder hartem Gegenlicht durch eine tief stehende Sonne Vorteile.

Salakhutdinov, nicht zu verwechseln mit dem gleichnamigen russischen Fußballer, hat auf der Tagung außerdem eine jüngst publizierte Forschungsarbeit zur 3D-Objekterkennung per Lidar-Sensoren vorgestellt (Light detection and ranging, eine auf Laserstrahlen basierende Radar-ähnliche Technik). Außerdem ging er auf Methoden zur Erfassung der Umgebung und zur Bestimmung der eigenen Position ein (Simultaneous Localization and Mapping, SLAM).

Bereits auf der NIPS 2016 hatte Salakhutdinov angekündigt, dass sein Forschungsteam „bald Ergebnisse veröffentlichen“ werde. Das ist bemerkenswert, weil Apple eigene Projekte normalerweise bis zur Produktvorstellung geheim zu halten versucht. In diesem Fall musste die Firma offenbar Zugeständnisse machen, weil Spitzenkräfte im Bereich der künstlichen Intelligenz andernfalls kaum zu gewinnen sind. Salakhutdinov hat seit 2009 mehr als 40 Forschungsbeiträge publiziert und hält parallel eine Professur am Machine Learning Department der Carnegie Mellon University in Pittsburgh. Er arbeitete zuvor unter anderem fü̈r Microsoft, Samsung und Google. (dz@ct.de)

Kommentieren