這種轉變不僅僅是理論上的,而是已經在發生。在 SC24 上,兩個 Gordon Bell 入圍計畫揭示如何使用AI和混合精度來幫助推進基因組學和蛋白質設計。
沙烏地阿拉伯阿布都拉國王科技大學(King Abdullah University of Science and Technology)教授David Keyes 在其題為「使用混合精度於基因組學研究(Using Mixed Precision for Genomics)」的論文中,使用0.8 exaflops 的混合精度來探索基因組與其廣義基因型之間的關係,進一步探索與疾病盛行率的關聯性。
同樣地,來自美國阿貢國家實驗室(Argonne National Laboratory)的運算生物學家 Arvind Ramanathan 在 NVIDIA Grace Hopper 驅動的 Alps 系統上,利用了 3 exaflops 的 AI 效能來加速蛋白質設計。
為了進一步推進 AI 驅動的藥物探索和救命療法的開發,研究人員可以使用 NVIDIA BioNeMo,這是專為製藥應用設計的強大工具。BioNeMo 框架 現已開源,可加速用於藥物探索和分子設計的AI模型建立、客製化和部署。
在 TOP500 中,AI和混合精度浮點運算的廣泛應用反映了全球運算重點的轉變。現在,TOP500 系統可獲得總共 249 exaflops 的 AI 效能,推動了各產業的創新和發現。
TOP500 統計 AI、FP32 和 FP64 FLOPS 年度變化
NVIDIA 加速的 TOP500 系統在 AI 和混合精度系統效能等關鍵指標上表現卓越。NVIDIA 的加速運算平台以超過 190 exaflops 的 AI 運算效能和 17 exaflops 的單精度(FP32)效能,成為科學運算的新引擎。此外,NVIDIA 還提供 4 exaflops 的雙精度(FP64)效能,用於仍需要高精度的特定科學計算。