Diese Website kann über die Links auf dieser Seite Affiliate-Provisionen verdienen. Nutzungsbedingungen. 
Es ist eine Tatsache des Lebens, dass es ständiger Wachsamkeit bedarf, um Ihren PC in Topform zu halten. Stellen Sie sich nun vor, Sie würden versuchen, einen Supercomputer mit Millionen von Teilen am Laufen zu halten. Mit dieser Aufgabe beschäftigt sich derzeit Justin Whitt, Program Director am Oak Ridge National Laboratory (ORNL). In einem kürzlich geführten Interview sprach er über einige der Probleme, die das Labor mit seinem neuen Frontier-Supercomputer hatte. Diese Monstermaschine ist der weltweit erste Exascale-Computer. Er debütierte im Juni auf Platz 1 der TOP500-Liste der leistungsstärksten Computer der Welt. Er hat einige der Kinderkrankheiten bei Frontier beschrieben und gesagt, dass es derzeit alle paar Stunden zu Systemausfällen kommt.
Frontier war drei Jahre lang im Bau, mit Kosten von 600 Millionen Dollar. Es läuft auf der HPE Cray EX235a Architektur mit AMD EPYC 64C Prozessoren. Es verfügt über 74 Schränke mit mehr als 9.400 AMD-betriebenen Knoten für insgesamt 606.208 CPU-Kerne. Seine 37.888 AMD Radeon Instinct MI250X-GPUs geben ihm auch 8.335.360 GPU-Kerne. Es verwendet über 90 Meilen Kabel, um alles miteinander zu verbinden.
Obwohl die Wartung eines Systems wie diesem mühsam klingt, ist das Whitts Job, und er sagt, dass es bisher eine interessante Reise war. Er beschrieb die Probleme, mit denen das Team in einem Interview mit InsideHPC konfrontiert ist: „Wir arbeiten an Hardwareproblemen und stellen sicher, dass wir verstehen (was sie sind), weil Sie Ausfälle dieser Größenordnung haben werden.“ Er fasste die Situation zusammen, indem er sagte: „Mean time between failure on ein System dieser Größe dauert Stunden, nicht Tage.”
[eingebetteter Inhalt]
Whitt lehnte es ab, ins Detail zu gehen, bei welcher Hardware Probleme aufgetreten sind. InsideHPC sagt, dass es früher die HPE Slingshot Fabric war, ein Hochgeschwindigkeits-Switch mit 64 Ports, der die Blades innerhalb des Systems verbindet. Diese Probleme wurden anscheinend behoben, da das System den High-Performance Linpack-Benchmark ausführen konnte. Aktuell hängen einige der Probleme offenbar mit den AMD Instinct GPU-Beschleunigern zusammen. „Die Probleme umfassen viele verschiedene Kategorien, die GPUs sind nur eine“, sagte Whitt. Er sagte, dass die Probleme ziemlich gleichmäßig auf die verschiedene Hardware von Frontier verteilt sind. Außerdem treten die Probleme anscheinend auf, wenn der Computer extrem anspruchsvolle Workloads ausführt, so Whitt Laut Whitt ist das Ausführen eines Benchmarks eine andere Dose Würmer als das Ausführen wissenschaftlicher Anwendungen.
Unabhängig davon wird erwartet, dass das System nicht vor Januar 2023 vollständig für wissenschaftliche Aufgaben betriebsbereit ist. Das bedeutet Whitt und Sein Team hat noch etwas Zeit, um Fehler zu beheben. Dennoch scheint es, als hätte das Team seine Arbeit darauf ausgeschnitten. Whitt sagte, dass es „hervorragend wäre, einen einzigen Tag ohne einen Ausfall zu verbringen.“ Er sagte dann, das Ziel für die Betriebszeit „beträgt immer noch Stunden“, was anscheinend länger ist als die aktuelle Ausfallrate. Obwohl dies nach einer schwierigen Situation klingt, hat Frontier 60 Millionen Teile, daher ist es nicht verwunderlich, dass es einige „Schluckauf“ gibt Pfingst. Trotz dieser Probleme und Verzögerungen in der Lieferkette im Zusammenhang mit COVID-19 ist das Unternehmen laut Whitt immer noch auf Kurs für das Einführungsdatum, an dem Frontier mit seiner eigentlichen Aufgabe beginnen wird, Benutzerprogramme und nicht nur Benchmarks auszuführen.
Jetzt gelesen:
