Modern yüksek performanslı hesaplama (HPC), yalnızca hızlı hesaplamalara değil, aynı zamanda bilimsel keşifleri açığa çıkaran AI sistemlerini de destekliyor.
HPC, her biri, teknolojilerin yaratıcı bir şekilde yeniden kullanılmasıyla tetiklenen birçok evrim geçirdi. Örneğin, erken dönem süper bilgisayarları, standart bileşenlerden yararlanıyordu. Araştırmacılar, güçlü kümeler oluşturmak için kişisel bilgisayarları kullandılar ve hatta bilimsel çalışmalar için oyun grafik kartlarını uyarladılar.
Bugünün HPC sistemleri, çoğunlukla NVIDIA tarafından desteklenen hız odaklı tasarımlar olarak öne çıkıyor. Bugün, ISC 2025’te açıklanan TOP500 listesi, bu durumu pekiştiriyor; zira NVIDIA, bu listenin %77’sini oluşturan sistemlere güç sağlıyor.
Ayrıca, Tensor Cores gibi yenilikçi özellikler, matris çarpımı gibi yaygın işlemler için daha hızlı hesaplamalar sağlıyor. Öte yandan, karışık hassasiyet gibi tekniklerin artan kullanımı (birden fazla kayan nokta hassasiyet formatını birleştiren bir teknik) performansı ve enerji verimliliğini artırıyor; bu durum, iklim bilimi ve tıp gibi alanlarda önemli ilerlemelere neden oluyor.
NVIDIA, TOP500’ün Liderlerini Güçlendiriyor
NVIDIA, en son TOP500 listesinde 381 sistemiyle üstün bir konumda. Bu sistemler arasında, Jülich Süperbilgisayar Merkezi’nin JUPITER süper bilgisayarı, listeye yeni bir giriş olarak #4. sırayı elde etti.
TOP500 listesindeki ilk 100 sistemin 83’ü, öncelikle hız için hızlandırılmış hesaplama kullanıyor; yalnızca 17 sistemi ise sadece CPU ile çalışıyor.
Ayrıca, en son Green500 listesinde, dünyanın en enerji verimli FP64 süper bilgisayarlarının ilk iki sistemi, NVIDIA GH200 Grace Hopper Süper Çipleri tarafından destekleniyor ve ilk 10’un 9’u NVIDIA ile hızlandırılmış durumda.
Bilim İçin Tensor Cores
AI performansı yalnızca kayan nokta işlemlerinin miktarının artmasından gelmiyor. Daha ziyade, sistemler artık donanım ile yazılımın birleştirilmesiyle daha etkili hale geliyor; bunun en iyi örneklerinden biri Tensor Cores kullanımı.
Tensor Cores, NVIDIA GPU’larının içerisinde yer alan ve matris işlemlerini hızlandırmak için tasarlanmış gelişmiş bileşenlerdir. Karmaşık hesaplamaları daha verimli bir şekilde ele alarak, model eğitimi ve tahmini gibi süreçlerin hızını artırır.
Tensor Cores, organizasyonlar daha düşük hassasiyetler (örneğin FP8) ile model eğitimi yaparken, yaygın matris işlemleri için daha hızlı hesaplamalar sağlar; her hatua hassasiyet azalmasıyla neredeyse iki kat daha fazla verimlilik sunar ve bu da sonuçların doğruluğunu korur. Ancak, yalnızca belirli simülasyon iş yüklerindeki işlemler şu anda Tensor Cores’tan yararlanabiliyor; bu işlemler toplam çalışma süresinin küçük bir kısmını oluşturur ve genelde genel performansa önemli bir etkisi olmaz.
GPU’larda giderek daha fazla fiziksel alana sahip olan düşük hassasiyetli Tensor Cores’ın, bilimsel keşifleri ilerletmek için donanımı yeniden kullanma fırsatı sunduğu belirtiliyor.
NVIDIA, Tensor Cores’ın bilimsel simülasyonlara yönelik daha geniş bir yelpazede nasıl kullanılabileceği için yeni yöntemler geliştirmeye yatırım yapıyor.
RIKEN Hesaplamalı Bilim Merkezi’nden Yuki Uchino ve Shibaura Teknoloji Enstitüsü’nden profesör Katsuhisa Ozaki tarafından yayınlanan bir çalışma, GPU’ların içindeki tam sayı birimlerinin, Tensor Cores’taki Tam Sayı Matris Çarpma Hızlandırıcıları ve Ozaki şeması adı verilen bir algoritma aracılığıyla FP64 dahil olmak üzere herhangi bir hassasiyeti başarmasının mümkün olduğunu gösterdi.
Bu şemadan ilham alan NVIDIA, daha geniş bir GPU Tensor Cores seti ile yüksek hassasiyetli tensör ve matris hesaplamalarını hızlandırmak için kütüphaneler geliştiriyor; bu kütüphaneler, doğruluk, performans ve enerji verimliliğini artırmaya odaklanıyor.
Bu kütüphanelerin kullanımı, bazı şaşırtıcı faydalar gösterdi: Yaklaşık 1,000 atomdan oluşan bir silicon simülasyonu, bu kütüphaneleri kullanarak FP64 donanımına göre %80 hız kazandı ve aynı sonuçları sunarak hem zaman hem de enerji tasarrufu sağladı.
Bu yeni kütüphaneler sayesinde, BerkeleyGW gibi yaygın HPC simülasyonları, daha düşük hassasiyetli Tensor Cores’tan faydalanarak büyük performans ve enerji verimliliği kazanımlarına erişebilecek.
AI Süper Hesaplaması Bilimi İlerletiyor
TOP500 listesi, bugünün süper bilgisayarlarının yüksek hassasiyetli hızlarını vurgularken, karışık hassasiyet ve AI kullanarak bilimsel keşiflerin sağladığı etkileri tam olarak anlatamıyor.
Geçen yıl, kimya ve fizik alanında Nobel Ödülleri, AI teknolojilerini kullanan araştırmacılara verildi. Bunlar arasında, Demis Hassabis ve John Jumper gibi isimler var; bu kişiler, Google DeepMind’ın protein yapı tahmini için AlphaFold modelinde yaptıkları çalışmalarla ödüllendirildi. Ayrıca, Toronto Üniversitesi’nden emekli Profesör Geoff Hinton ve Princeton Üniversitesi’nden emekli Profesör John Hopfield, yapay sinir ağı mimarilerini ilerlettiği için onurlandırıldılar.
HPC için prestijli Gordon Bell Ödülü de, David Keyes liderliğindeki KAUST ekibine, 80 yıl boyunca atmosfer, yüzey ve okyanus dalgaları gibi değişkenlerin saatlik tahminlerini sağlayan devasa ERA5 iklim kümesi emülasyonunu gerçekleştiren karışık hassasiyet yöntemleri için verildi.
Karışık hassasiyet tekniği, birden fazla kayan nokta hassasiyet formatını birleştirir. Düşük hassasiyetli veri türlerinin kullanımı, daha iyi performans ve verimlilik sağlarken, uygulamaların daha az kaynakla çalışmasını ve performansı artırmasını mümkün kılar.
Bilimde karışık hassasiyet kullanımı, bilim insanlarının yeni AI modelleri oluşturdukça giderek daha yaygın hale geliyor.
Büyük Britanya’da, University of Bristol’un Isambard-AI sistemi — NVIDIA Grace Hopper tarafından güçlendiriliyor — karışık hassasiyeti kullanarak Nightingale AI gibi modelleri eğitmek için kullanıldı.
Nightingale AI, görüntüleme, kardiyoloji ve elektronik sağlık kayıtlarını entegre ederek sağlık ve biyomedikal araştırmalar için yapılandırılmış bir temel modeldir. Diğer sağlık alanındaki büyük dil modellerinin aksine, Nightingale AI yalnızca metin tabanlı akıl yürütme kullanmaz; bunun yerine, tıbbi içgörü sağlamak için görsel desenleri ve standart teşhis tekniklerini kullanarak geniş miktarda hasta verisinden faydalanır. Nightingale AI’nın amacı, doktor ofisi asistanları ve tele sağlık triage sistemleri gibi diğer sağlık uygulamaları için bir temel oluşturmaktır.
Karışık hassasiyet kullanarak, Isambard-AI, multimodal LLM’leri gibi Nightingale AI’yi eğitmek için gereken büyük ölçek ve hassasiyeti sağladı; bu da eğitim veya tahmin için aşırı donanım gerektirmedi.
Gelecek HPC Dönemi
Hızlandırılmış hesaplama, gelişmiş tensör teknolojileri ve karışık hassasiyet yöntemleri, hesaplamalı bilimi dönüştürüyor ve AI destekli daha fazla buluş potansiyelini gösteriyor.
JUPITER gibi sistemler TOP500’e katılırken, bilimsel amaçlar için AI kullanma üzerine yeni çalışmalar — Isambard-AI ve yüksek hassasiyetli görevlerde Tensor Core performansını hızlandıran Ozaki emülasyon yöntemi gibi yenilikler bu yeni dönemi başlatıyor.
Süper bilgisayarlar, bazı ölçümlere göre daha hızlı hale gelmeye devam edecek; ancak yalnızca hız yeterli değil. Önemli bilimsel sorulara yeni içgörüler bulmak, keşifleri hızlandıran akıllı ve esnek yaklaşımlara bağlı olacak; bu, bilimsel topluluk ve dünya ihtiyaçlarını karşılamayı amaçlıyor.
ISC’de Bize Katılın
AI ve yüksek performanslı hesaplama (HPC) alanındaki son gelişmeleri duyurmak için büyük bir heyecan içindeyiz; ISC 2025‘te sizlerle buluşacağız.
NVIDIA’yı E30 numaralı standında ziyaret ederek en son teknolojik gelişmelerimizin nasıl keşif ve sürdürülebilirliği hızlandırdığını öğrenebilirsiniz.
