Первый суперкомпьютер DGX-1 на базе Tesla V100 применят в медицине

Ученые из Center of Clinical Data Science станут первыми, кто сможет обрабатывать данные с помощью суперкомпьютера для глубокого обучения DGX-1 на базе восьми графических процессоров Tesla V100. V100 показывают результат в 960 терафлопс при вычислениях FP16 благодаря технологии Volta Tensor Core.

/ Flickr / Fritzchens Fritz / PD

Платформу для дата-центров Tesla V100 представили в мае 2017 года. Она содержит 21,1 млрд транзисторов, построена по 12-нанометровому техпроцессу FinFET, а отдельные 640 ядер Tensor используются для обеспечения работы нейронных сетей, выдавая 120 терафлопс при глубоком обучении.

Nvidia провела апгрейд своей шины NVLink — теперь она «развивает» 300 Гбит/с, что почти в два раза больше по сравнению с предыдущей реализацией. Это стало возможно благодаря увеличению числа контактов с четырех до шести и расширению пропускной способности до 25 Гбит/с. Модуль 3D-памяти HBM2 также получил улучшения — пропускная способность выросла до 900 Гбит/с.

Center of Clinical Data Science занимается автоматизацией и машинным обучением в области здравоохранения. Они работают над нейронной сетью, которая анализирует данные об исследованиях заболеваний пациентов и в дальнейшем помогает быстрее ставить диагнозы.

«Врачи вынуждены иметь дело с огромным количеством информации: лабораторные исследования, МРТ, томография, данные о здоровье членов семьи и многое другое. Из-за этого принимать решения невероятно сложно. Технология, которая поможет врачам в диагностике, способна оптимизировать их работу», — рассказал исполнительный директор CCDS Марк Михалски (Mark Michalski).

Ожидается, что в будущем у рентгенологов появится ассистент с искусственным интеллектом, который будет помогать с диагнозами. Сейчас врачи изучают снимки в том порядке, в каком они были сделаны. А искусственный интеллект сможет сразу определить, какие из них наиболее проблемные, чтобы направить специалиста. Также, благодаря нейросетям, ассистенты смогут анализировать снимки буквально по пикселям, а затем сопоставлять их с другой информацией о пациентах и быстро ставить диагноз.

Еще на старом оборудовании исследователи разработали алгоритмы для кардиологической, офтальмологической, дерматологической и психиатрической диагностики. С использованием DGX-1 на базе видеопроцессоров Volta эти алгоритмы станут точнее и обретут более широкое применение.

Кто еще использует GPU

Все больше приложений поддерживают работу с GPU-вычислениями, включая фреймворки для разработки искусственного интеллекта. Поэтому многие дата-центры, которые имеют дело с глубоким обучением, работают одновременно с GPU и CPU — формат называется гетерогенными вычислениями. Таким образом, удается взять лучшее от обоих типов ядер: GPU справляется с ресурсоемкими математическими вычислениями, а CPU «берет» на себя работу операционной системы и многочисленные простые операции.

Согласно исследованию ученых Калифорнийского университета, по сравнению с дата-центрами с вычислительными ядрами одного типа, у гетерогенных на 21% выше производительность и на 23% — энергоэффективность.

Использует мощности GPU в своих системах искусственного интеллекта и машинного обучения компания Facebook. Соответствующая лаборатория внутри компании разрабатывает нейронные сети для решения специфических задач.

По словам экспертов области, объемы данных, которые собирают компании, увеличиваются. Поэтому GPU начинают применяться не только для работы с ресурсоемкими вычислениями для обучения нейросетей. Но и для работы с базами данных.

Например, Nike использует серверы с GPU и ПО MapD для анализа истории продаж и предсказания спроса в отдельных регионах. Еще один клиент MapD — Verizon — использует системы с GPU для анализа логов серверов, отслеживающих мобильные телефоны.

Предлагают работу с серверами с GPU-ускорением и облачные провайдеры. В том числе и компания «ИТ-ГРАД». Решение позволяет экспериментировать с аналитическими или требующими визуальной поддержки проектами. GPU-системы дают организациям возможность быстро анализировать большие своды данных и в некоторых частных ситуациях способны заменить целые кластеры серверов.

Ученые из Center of Clinical Data Science станут первыми, кто сможет обрабатывать данные с помощью суперкомпьютера для глубокого обучения DGX-1 на базе восьми графических процессоров Tesla V100. V100 показывают результат в 960 терафлопс при вычислениях FP16 благодаря технологии Volta Tensor Core.

/ Flickr / Fritzchens Fritz / PD

Платформу для дата-центров Tesla V100 представили в мае 2017 года. Она содержит 21,1 млрд транзисторов, построена по 12-нанометровому техпроцессу FinFET, а отдельные 640 ядер Tensor используются для обеспечения работы нейронных сетей, выдавая 120 терафлопс при глубоком обучении.

Nvidia провела апгрейд своей шины NVLink — теперь она «развивает» 300 Гбит/с, что почти в два раза больше по сравнению с предыдущей реализацией. Это стало возможно благодаря увеличению числа контактов с четырех до шести и расширению пропускной способности до 25 Гбит/с. Модуль 3D-памяти HBM2 также получил улучшения — пропускная способность выросла до 900 Гбит/с.

Center of Clinical Data Science занимается автоматизацией и машинным обучением в области здравоохранения. Они работают над нейронной сетью, которая анализирует данные об исследованиях заболеваний пациентов и в дальнейшем помогает быстрее ставить диагнозы.

«Врачи вынуждены иметь дело с огромным количеством информации: лабораторные исследования, МРТ, томография, данные о здоровье членов семьи и многое другое. Из-за этого принимать решения невероятно сложно. Технология, которая поможет врачам в диагностике, способна оптимизировать их работу», — рассказал исполнительный директор CCDS Марк Михалски (Mark Michalski).

Ожидается, что в будущем у рентгенологов появится ассистент с искусственным интеллектом, который будет помогать с диагнозами. Сейчас врачи изучают снимки в том порядке, в каком они были сделаны. А искусственный интеллект сможет сразу определить, какие из них наиболее проблемные, чтобы направить специалиста. Также, благодаря нейросетям, ассистенты смогут анализировать снимки буквально по пикселям, а затем сопоставлять их с другой информацией о пациентах и быстро ставить диагноз.

Еще на старом оборудовании исследователи разработали алгоритмы для кардиологической, офтальмологической, дерматологической и психиатрической диагностики. С использованием DGX-1 на базе видеопроцессоров Volta эти алгоритмы станут точнее и обретут более широкое применение.

Кто еще использует GPU

Все больше приложений поддерживают работу с GPU-вычислениями, включая фреймворки для разработки искусственного интеллекта. Поэтому многие дата-центры, которые имеют дело с глубоким обучением, работают одновременно с GPU и CPU — формат называется гетерогенными вычислениями. Таким образом, удается взять лучшее от обоих типов ядер: GPU справляется с ресурсоемкими математическими вычислениями, а CPU «берет» на себя работу операционной системы и многочисленные простые операции.

Согласно исследованию ученых Калифорнийского университета, по сравнению с дата-центрами с вычислительными ядрами одного типа, у гетерогенных на 21% выше производительность и на 23% — энергоэффективность.

Использует мощности GPU в своих системах искусственного интеллекта и машинного обучения компания Facebook. Соответствующая лаборатория внутри компании разрабатывает нейронные сети для решения специфических задач.

По словам экспертов области, объемы данных, которые собирают компании, увеличиваются. Поэтому GPU начинают применяться не только для работы с ресурсоемкими вычислениями для обучения нейросетей. Но и для работы с базами данных.

Например, Nike использует серверы с GPU и ПО MapD для анализа истории продаж и предсказания спроса в отдельных регионах. Еще один клиент MapD — Verizon — использует системы с GPU для анализа логов серверов, отслеживающих мобильные телефоны.

Предлагают работу с серверами с GPU-ускорением и облачные провайдеры. В том числе и компания «ИТ-ГРАД». Решение позволяет экспериментировать с аналитическими или требующими визуальной поддержки проектами. GPU-системы дают организациям возможность быстро анализировать большие своды данных и в некоторых частных ситуациях способны заменить целые кластеры серверов.