High Performance Computing

Auf der Fachkonferenz Hot Chips hat Nvidia technische Details zum mit Mediatek entwickelten Kombiprozessor GB10 offengelegt. Der Start ist weiterhin offen.

Es kommt Leben in das Jülicher Containerdorf, in dem bald der Supercomputer Jupiter in Betrieb gehen soll – als Erster in Europa mit mehr als einem ExaFLOP/s.

Die neue Open-Source-API JobSet soll flexiblere und vielfältigere Konfigurationsoptionen für groß angelegte verteilte HPC- und ML-Anwendungsfälle liefern.

Am Forschungszentrum Jülich entsteht eine europäische KI-Fabrik. Dafür bekommt der Exaflops-Supercomputer Jupiter ein drittes Rechenmodul.

Das Projekt "Digital Autonomy with RISC-V in Europe" (DARE) vereint 38 Partnerfirmen und Forschungsinstitute, die Hochleistungs- und KI-Prozessoren entwickeln.

Siemens will seine Position bei Industriesoftware ausbauen und plant eine der größten Übernahmen der Konzerngeschichte. Eine Hürde ist jetzt genommen.

Grün und schnell auf- und abbaubar soll Europas erster Supercomputer der Exascale-Klasse werden. Deshalb entsteht er am FZJ in einem Containerdorf am Waldrand.

Das Ultra Ethernet Consortium (UEC) gibt erste Einblicke in die neue Ethernet-Spezifikation, die eigens für KI-Cluster mit Hochleistungsrechnern gedacht ist.

Mit dem Parallel Computing Service bietet Amazon ab sofort HPC-Cluster aus der Cloud an, die Administratoren möglichst viel Arbeit abnehmen sollen.

Frore will Kühlflüssigkeit mit Vibration bewegen und so extreme Kühlleistungen ermöglichen, auch in Rechenzentren.

Der Supercomputer Aurora hat zwar die Exaflops-Marke geklommen, der Hardware-Partner Intel kam auf der Supercomputing-Konferenz ISC aber trotzdem schlecht weg.

Der US-Superrechner Aurora mit Intel-Technik knackt die Marke von einer Trillion FP64-Berechnungen pro Sekunde, erreicht aber nur Platz 2 der 63. Top500-Liste.

2016 war er eine der schnellsten Maschinen der Welt – nun ist der Supercomputer "Cheyenne" verkauft worden. Er dürfte wohl nie wieder laufen.

Datenschutz, keine teuren Cloud-Dienste, Unabhängigkeit bei den Modellen – für die KI aus dem eigenen RZ gibt es gute Gründe. Aber einfach ist das nicht.

Massiv paralleles Rechnen ist die Paradedisziplin von GPUs. Nicht nur aus diesem Grund kommt Machine Learning nicht ohne sie aus.

Die meisten Infrastrukturprojekte für Machine Learning scheitern grandios. Das ist vermeidbar, wenn man bereit ist, aus den Erfahrungen im HPC-Umfeld zu lernen.

Das FZ Jülich erklärt, wie Jupiter 2024 den EU-Prozessor Rhea1, US-Technik von Nvidia und britische ARM-Rechenkerne kombiniert.

Wirtschaftliche Erfolge im KI-Bereich sind nach Ansicht der Bundesregierung rar gesät. Das will das Forschungsministerium mit einem Aktionsplan ändern.