A卡的锅？世界第一超算Frontier，启动至今无法连续工作一天

机器之心报道

编辑：泽南、小舟

Frontier 上线给科学家提供算力的日期已经推迟到了明年。

在全球范围内，很多机构都在争相构建 E 级（每秒百亿亿次）超级计算机，性能指数级跨越的超算预计会在人工智能、医疗、气象等领域发挥重大作用，是超级电脑工程的重要里程碑。

世界第一台 E 级超算是美国橡树岭国家实验室（ORNL）的「Frontier」，它也是当前全球超算 TOP500 榜单的第一名，但虽说性能领先，Frontier 却远远无法达到超算应有的效率。

近日，一些海外媒体接连报道称，当前世界最快的超算的硬件出现了大量故障，机器甚至无法运行一整天。

ORNL Frontier 目前最多只能产生 60% 即 1 FP64 ExaFLOPS 的算力，而该系统旨在提供 1.685 FP64 ExaFLOPS。虽然官方还没有就具体问题给出任何消息，但一些信息正被曝光。

在最新一期，2022 年 6 月的 TOP500 榜单中，Frontier 位列第一名，其标称的速度是 1.685 FP64 ExaFLOPS。

橡树岭实验室的 Frontier 是业界首个使用 AMD 的 64 核 EPYC Trento 处理器、Instinct MI250X 计算 GPU 和 Hewlett Packard Enterprise（HPE）的 Slingshot 互连，能以 21 兆瓦功率提供高达 1.685 FP64 ExaFLOPS 峰值性能的系统。HPE 构建了该系统并使用了 Cray EX 架构，它专为横向扩展应用程序设计，适用于超高速超级计算机。

虽然从表面上看 Frontier 性能强大，并且系统硬件部分已经交付，但当前面临的问题似乎一直让机器无法保持正常运转，并且无法稳定提供即使是不及标称的 1 FP64 ExaFLOPS 的性能供研究人员使用。

OLCF 项目主管 Justin Whitt 表示：「我们正在解决硬件问题，并确保找出关键问题所在。目前看来主要是规模问题和应用程序的广度问题，系统运行的项目过大，很难让所有硬件协同运行，通常间隔几小时就会出现一次故障。」从某种意义上说，Frontier 是在超级计算机的期末考试上成绩不佳。

实际上，关于 Frontier 潜在硬件故障的流言已经出现了很长一段时间。InsideHPC 曾报道称有人说故障原因是系统遇到了 Slingshot 互连的问题。此外，还有人表示今年 AMD 的 Instinct MI250X 计算 GPU 的可靠性不如预期，并且具有更多流处理器和高时钟的 X 版本仅适用于特定客户。

Justin Whitt 没有证实该系统遇到了 Instinct 或 Slingshot 等任何特定问题，他只是强调该机器存在许多硬件问题。

OLCF 负责人表示：「很多挑战都集中在 GPU 上，GPU 是非常重要的硬件组成部分。但我们对 AMD 的产品尚且没有太多担忧。」

橡树岭国家实验室的 Frontier 超级计算机并不是唯一一个使用 HPE Cray EX 架构、 Slingshot 互连、AMD EPYC cpu 和 AMD Instinct 计算 GPU 的系统，芬兰的 Lumi 超级计算机（Cray EX , EPYC Milan, Instinct MI250X 计算 GPU) 能提供 550 PetaFLOPS 峰值性能，并已被 TOP 500 正式列为世界第三强大的超级计算机。也许对于此类使用上千万零件组成的超算来说，问题不是孤立的。

从官方论述来看，HPE 和 AMD 已在今年秋季提前向 ORNL 交付了新的 Frontier 系统。美国能源部 E 级超算项目的 Mike Bernhardt 表示，ORNL Frontier 的全面集成将从明年开始提供给研究人员，但并未引述对 Frontier 超级计算机的全面启动有任何担忧或问题。

在错过了原先设定的 Deadline 后，Frontier 超级计算机计划于 2023 年 1 月 1 日全面投入运行。

人们都在期待 E 级超算带来的研究成果，不过伴随世界第一而来的还有部分怀疑。一些专家认为，在 E 级计算的竞争中 Frontier 比不上中国的两个计算机系统，后者的运营商还没有向 TOP500 提交测试结果。外媒 the Nextplatform 曾表示，神威海洋之光（oceanlite，太湖之光的升级版）和天河 3 号超算在 2021 年 3 月就达到了持续的 E 级算力。

去年 11 月的全球超级计算大会 SC21 上，来自中国的超算应用团队因「超大规模量子随机电路实时模拟」成果获得戈登 · 贝尔奖。该团队表示，研究基于的新一代神威超级计算机可提供每秒 4.4 百亿亿次的持续计算性能，是超算领域全世界当时已知的最高混合精度浮点计算性能。

专家们表示，中美之间的紧张关系可能是中国没有向 TOP500 提交测试结果的原因。

参考内容：

https://www.tomshardware.com/news/worlds-fastest-supercomputer-cant-run-a-day-without-failure

https://www.top500.org/lists/top500/2022/06/

https://www.tsinghua.edu.cn/info/1173/89027.htm