Kā HPC ietekmē pasauli

Augstas veiktspējas skaitļošana jeb HPC (angl. High-Performance Computing) ir spēja apstrādāt lielus datu apjomus un veikt sarežģītus aprēķinus lielā ātrumā. HPC resursi un zināšanas ir ļoti būtiska vērtība jebkurai mūsdienu sabiedrībai un palīdz nodrošināt konkurences priekšrocības pētniecībā un rūpniecībā. Superdatori ir konkurētspējīgākas un spēcīgākas Eiropas ekonomikas sastāvdaļa. Iesākumā aplūkosim zinātnes paradigmas un superdatoru lomu tajās. Kas ir paradigma? Šis vārds ir nācis no grieķu valodas un paradigma nozīmē “modelis” vai “paraugs” vai “piemērs”. Paradigmas izmanto zinātnē, valodniecībā un citur, lai radītu vārdus, kurus turpmāk lieto lai apzīmētu kādu specifisku jomu.Paradigmas mainās laika gaitā un attīstās. Kā piemēru var minēt izglītību. Senos laikos uzskatīja, ka skolotājs iemāca skolēnu un bez skolotāja nekāda zināšanu un prasmju apguve nav iespējama. Tātad izglītības paradigma ir mācīšana. Mūsdienās jau situācija ir mainījusies un saprotam, ka bez paša mācīšanās skolnieks nekādas zināšanas un prasmes neiegūs. Tāpēc notika paradigmas maiņa no mācīšana uz mācīšanos. Latviešu valodā te tādu paradigmas maiņu pat īsti nejūtam, jo mainās tikai vārda locījums, bet angļu valodā gan tas ir manāms – no teaching uz learning. Tas nozīmē, ka tagad izglītībā ir jārada tādi apstākļi lai skolēns varētu efektīvi pats mācīties. Šī paradigmas maiņa izglītībā arī deva pamatu tālmācības (angl. distance education) attīstībai. Arī šo kursu Tu mācies nevis Tevi māca. Te ir tā priekšrocība, ka vari izvēlēties savu mācību vietu, laiku un mācību tempu, kas nav iespējams klātienes nodarbībā klasē kopā ar skolotāju un citiem skolēniem.Zinātniskajos pētījumos mūsdienās tiek izmantotas dažādas metodes, lai rastu skaidrojumus dabas parādībām un izteiktu prognozes par to uzvedību, bet kā tas viss veidojās vēstures gaitā. Eksperimentālā zinātne Senie cilvēki visu darīja praktiski un atrada veidu kā iededzināt ugunskuru, lai gan varbūt pat nesaprata kāpēc rodas uguns. To mēs saucam par eksperimentu. Eksperimentālās zinātnes pamatā ir novērojumi un mērījumi. Agrīnā astronomija ir eksperimentālās zinātnes piemērs. Senie astronomi vēroja debesis vispirms ar acīm un pēc tam ar teleskopiem un fiksēja Saules, Mēness, Saules sistēmas planētu un dažu zvaigžņu pozīcijas un kustību. Viņi secināja, ka novērojumi atbilst konkrētiem modeļiem. Līdzīgi mikroskopus var izmantot, lai novērotu nelielu daļiņu nejaušu kustību šķidrumā (Brauna kustība) utt.Dažādiem eksperimentiem ir nepieciešami atšķirīgi mērīšanas aparāti. Eksperimentu veikšana var būt ļoti dārga vai pat neiespējama. Tomēr eksperimentālo zinātni var uzskatīt par fundamentālo paradigmu: teorijas un datorsimulācijas galu galā tiek apstiprinātas vai noraidītas, pamatojoties uz mērījumiem. Teorētiskā zinātne Laika gaitā cilvēki sāka saprast, ka dabā parādības var aprakstīt ar kādiem likumiem, algoritmiem, formulām un tā radās teorija. Tas atkal ir grieķu vārds un nozīmē “pētījums” vai “aplūkošana”. Teorētiskā zinātne izstrādā modeļus, kurus dažkārt sauc par dabas likumiem, kas atbilst vai "izskaidro" mērījumus un labākajā gadījumā prognozē parādības, kas vēl nav novērotas. Piemēram, pamatojoties uz novērojumiem, var paredzēt saulrieta laiku konkrētai dienai. Novērojumi arī parāda, ka akmens lidojuma laiks ir aptuveni vienāds neatkarīgi no tā svara, kad tas tiek nomests no viena augstuma. Ņūtona izstrādātie gravitācijas un dinamikas matemātiskie modeļi spēj radīt prognozes ķermeņu kustībai, kas ļoti labi atbilst izmērītajiem rezultātiem.Novērojumu dati ļauj zinātniekiem tos analizēt un mēģināt tos izskaidrot, aprakstīt ar noteiktām matemātiskām formulām. Parasti vispirms ir novērojumi, un tad tiek izstrādāta teorija, lai tos izskaidrotu. Bet ne vienmēr. Piemēram, pirms vairāk nekā 50 gadiem teorētiķi Fransuā Englerts (François Englert) un Pīters Higss (Peter Higgs), lai izskaidrotu masas (matērijas, zvaigžņu, planētu) esamību, piedāvāja ieviest jaunu fizikālu lauku, ko tagad sauc par Higsa lauku. Pirmo eksperimentālo aptiprinājumu Higsa laukam ieguva tikai 2012. gadā. Skaitļošanas zinātne Kopš 20. gadsimta vidus, kad sāka parādīties datori, kurus tai laikā sauca par Elektroniskajām skaitļošanas mašīnām (ESM), atkal mainījās paradigma. Tad eksperimentālo un teorētisko zinātni ir papildinājusi skaitļošanas zinātne (angl. computational science). Skaitļošanas zinātni var definēt kā disciplīnu, kas saistīta ar matemātisko modeļu izstrādi, ieviešanu un izmantošanu, lai analizētu un atrisinātu problēmas, izmantojot datorsimulācijas un skaitlisko analīzi.Ir ierobežojumi tam, ko var izdarīt ar pildspalvu un papīru vai kādus eksperimentus var veikt. Piemēram, turpinot astronomisko tēmu, ir pietiekami vienkārši pierakstīt vienādojumus, kas raksturo Saules, Mēness un Zemes kustību. Šī ir tā sauktā trīs ķermeņa problēma, salīdzinoši vienkārša vienādojumu kopa, kuru tomēr nevar atrisināt analītiski, lai iegūtu iesaistīto debesu ķermeņu pozīcijas. Tomēr skaitliski var atrast aptuvenu atrisinājumu.Līdzīgi var analizēt klimatu un ledājus: ir ļoti svarīgi zināt, kas ar tiem notiks nākotnē. Bet, protams, mēs nevaram veikt eksperimentus globālā mērogā, lai to noskaidrotu. Tāpat daudzos gadījumos nepieciešamie eksperimenti būtu pārāk dārgi, pārāk bīstami, pārāk lēni, pārāk grūti vai sarežģīti, neētiski utt.Tomēr mēs varam iegūt priekšstatu par procesiem, lietojot skaitļošanas zinātni. Skaitļošanas zinātnē parasti sarežģītus matemātiskus modeļus, kas apraksta problēmu, risina, izmantojot skaitliskus algoritmus, kurus pēc tam realizē kā datorprogrammas, ko darbina superdatoros. Skaitļošanas zinātnes uzdevuma realizēšanu var raksturot ar šādiem soļiem:Vienādojumu, kas apraksta problēmu, uzrakstīšana. To sauc par matemātisko modelēšanu. Efektīvu skaitlisko algoritmu izvēle modeļa risināšanai. Datorprogrammu, kas efektīvi ievieš algoritmu, izveide. Iegūtās programmas darbināšana datorā. (2. – 4. darbību sauc par problēmas skaitlisko modelēšanu.)Tādā veidā eksperimentus var daļēji aizstāt ar modelēšanu. Protams, tikai eksperimenti, ja tādi ir iespējami, var apstiprināt modeli un iegūtos rezultātus. Skaitļošanas zinātne parasti balstās uz teorētiskiem modeļiem. Tomēr dažos gadījumos datorus var izmantot arī, lai atklātu un pierādītu matemātikas teorijas. Piemēram, tā sauktā četru krāsu teorēma tika pierādīta 70. gados ar datora palīdzību. Lielo datu zinātne Mūsdienas var saukt par lielo datu laikmetu (angl. Big Data), jo tagad cilvēki sazinās sociālajos tīklos internetā izmantojot mobilos telefonus. Pieejamo datu apjoms aug pēc eksponenciāla likuma un mums ir pieejami milzīgi datu apjomi no dažādiem avotiem (eksperimentiem un modelēšanas) praktiski visās zinātņu jomās. Tas ir novedis pie ceturtās zinātnes paradigmas – datu zinātnes. Tā izmanto lielos datus, ko radījušas pirmās trīs zinātnes paradigmas (eksperiments, teorija un skaitļošana).Datu zinātni var definēt kā jomu, kas izmanto dažādas matemātiskas metodes un algoritmus, lai no datiem iegūtu zināšanas un priekšstatus. Šo informāciju atsevišķos gadījumos var izmantot jaunu matemātisko modeļu formulēšanai. Piemēram, Tiho Brahe mērījumi veidoja datus, kurus Johannes Keplers analizēja, formulējot Keplera planētu kustības likumus. Vēlāk Ņūtons parādīja, ka Keplera likumi ir gravitācijas teorijas sekas.Divas būtiskas jomas, kas ir savstarpēji saistītas datu zinātnē, un kuras pēdējos gados ir kļuvušas nozīmīgas, ir mašīnmācīšanās un mākslīgais intelekts. Mākslīgais intelekts ir datorzinātnes apakšnozare, kas nodarbojas ar intelektuālas uzvedības automatizāciju. To definē arī kā pētījumus, kā likt datoriem darīt lietas, ko pašlaik cilvēki dara labāk, vai kā skaitļošanas procesu pētījumus, kas ļauj uztvert, spriest un darboties.Ir vajadzīgas uzlabotas datu vadītas analīzes metodes, lai analizētu šos datus tādā veidā, kas var palīdzēt iegūt no tiem jēgpilnu informāciju un zināšanas, HPC izmantošana HPC nodrošina izaugsmi ne tikai vairākās zinātnes, bet arī rūpniecības nozarēs. HPC risinājumos pieejamā jauda ļauj uzņēmumiem un organizācijām ātri veikt lielus analītiskus aprēķinus - pētīt miljoniem scenāriju, kas izmanto līdz pat terabaitiem datu, analizēt riska pārvaldības novērtējumus, vai arī veikt datormodelēšanu pirms fiziski būvē iekārtas, piemēram, mikroshēmas vai automašīnas.Tipiskas situācijas, kad HPC izmantošana sniedz būtiskas priekšrocības, ir:skaitļošanas problēma ir sarežģīta (piemēram, klimats), modelētā sistēma ir liela apjoma (piemēram, galaktika, kurā ir liels skaits zvaigžņu), analizētais laika posms ir ilgs (piemēram, ilgtermiņa klimata datorsimulācijas), nepieciešama ļoti augsta precizitāte. Uzskaitītajos gadījumos nepieciešamais skaitļošanas darba apjoms strauji var kļūt milzīgs. Problēmas risināšana ar standarta datoriem var aizņemt vairākus gadus vai pat būt neiespējama, jo problēmas apraksts un risinājums nevar ietilpt datora atmiņā.Skaitliskā modelēšana var radīt lielu datu apjomu. Datu analīzei var būt nepieciešami sarežģīti skaitliski aprēķini, piemēram, mākslīgais intelekts un mašīnmācīšanās metodes. Papildus matemātisko modeļu skaitliskai atrisināšanai superdatori ir neaizstājami eksperimentālo datu analīzē. Dažādi eksperimenti rada milzīgu datu apjomu, ko nevar analizēt ar pildspalvu un papīru vai parastu klēpjdatoru vai galddatoru.Superdatori ir unikāli rīki tādā nozīmē, ka vienu un to pašu iekārtu var izmantot, lai pētītu gan ārkārtīgi maza (piem., elementārdaļiņas), gan ārkārtīgi liela (piemēram, galaktiku kustību Visumā) mēroga problēmas, kā arī visu starp šiem mērogiem. Tas ir pretstatā eksperimentālajiem pētījumiem, kur dažādu problēmu risināšanai nepieciešami dažādi zinātniskie instrumenti: CERN daļiņu paātrinātāju nevar izmantot kosmisko viļņu pētīšanai, un radioteleskopu nevar izmantot atomu pētīšanai.Daudzpusības dēļ superdatorus var izmantot ļoti plaši:Fundamentālās zinātnēs, piemēram, daļiņu fizikā un kosmoloģijā Klimata, laikapstākļu un zemes zinātnēs Zinātnēs par dzīvību un medicīnā Ķīmijā un materiālzinātnē Enerģētikā, piemēram, naftas un gāzes izpētē un kodolsintēzes pētniecībā Inženierzinātnēs, piemēram, ražošanā Datu analīzē Mākslīgajā intelektā un mašīnmācīšanā Ēku iekšējā klimata pārvaldības prognozes Mūsdienās cilvēki lielāko daļu sava laika pavada dažāda veida ēkās. Līdz ar to apstākļi ēkās būtiski ietekmē viņu dzīves kvalitāti. Papildus tam ēku energoefektivitāte var ietekmēt gan ekonomiku, gan klimatu. Zinātniskos pētījumos ir noskaidrots, ka ēkas rada 39% no kopējām siltumnīcefekta gāzu emisijām un patērē aptuveni 40% no kopējās globālās enerģijas.Iekštelpu klimata prognozēšanai var izmantot, piemēram, mākslīgo intelektu, tādējādi optimizējot un automatizējot pieejamo resursu izmantošanu. HPC resursi nodrošina grafiskā procesora (GPU) aprēķinus neironu tīkla apmācīšanai. Lai sekmīgi apmācītu neironu tīklu, ir nepieciešams pēc iespējas vairāk kvalitatīvu datu. Iekštelpu klimata monitoringam datus iegūst no dažādiem ēkā izvietotiem sensoriem, piemēram, termometriem, gaisa mitruma sensoriem u.c.Zemāk esošajā attēlā ir parādītas istabas temperatūras izmaiņas laikā. Ar zilas krāsas līniju ir attēlota ar sensoriem nomērītā temperatūra. Izmantojot šos datus neironu tīkla apmācīšanai, ieguva oranžās krāsas līniju, kas atbilst turpmākās temperatūras prognozei laikā. Redzams, ka tā visnotaļ labi atbilst reāli nomērītai temperatūrai, kas parādīta ar melnu, punktotu līniju. null https://github.com/viktorszagorskis/hpc-pamati/blob/main/pix/PiemersEkas.PNG?raw=true Temperatūras prognozēšana Vēja slodzes ietekmes modelēšana Tipiski HPC izmantošanas piemēri ir saistīti ar vēja slodžu, gaisa un ūdens plūsmu ap objektiem modelēšanu, izmantojot skaitlisko hidrodinamiku (angl. Computational Fluid Dynamics).Analītiskās vēja slodzes novērtēšanas metodes bieži vien ir nepraktiskas, projektējot neregulāras formas konstrukcijas vai konstrukcijas, kas novietotas neparastā vidē. Tas pats attiecas uz elementu (fasādes elementu) projektēšanu, kur vēja slodze var būt noteicošais faktors.Zemāk redzamajā attēlā tiek modelēta vēja plūsma ap divām blakus esošām augstceltnēm. Modelēšanas rezultāti labi parāda, kā vide var ietekmēt vēja slodzi uz konstrukciju. Tā kā vējš ir stohastisks process, ir nepieciešams simulēt ilgāku laika periodu, lai iegūtu statistiskās vērtības (vidējo, maksimālo), ko var izmantot konstrukciju projektēšanai. Novērtējot vēja slodzes projektēšanas nolūkos, nepieciešams nomodelēt aptuveni 10 reālā laika minūtes. Vēja radītas slodzes uz augstceltnēm novērtējums prasa liela mēroga un sarežģītas simulācijas, kuru veikšanai ir nepieciešami HPC resursi, lai iegūtu precīzus rezultātus saprātīgā laikā.