大量硬件故障，無法上線！美國世界第一超算遇到大麻煩
2022-10-09 12:03:17 EETOP建造一臺超級計算機總是具有挑戰(zhàn)性的，但創(chuàng)造業(yè)界首個百億億級（E級）系統(tǒng)更是會遇到完全出乎意料的遭遇，需要在硬件和軟件方面進行大量工作。不幸的是，這種情況發(fā)生在了目前全球超算排名第一的橡樹嶺國家實驗室(Oak Ridge National Laboratory)的Frontier超級計算機上，它幾乎每天都會出現(xiàn)大量硬件故障。
ORNL的Frontier是業(yè)界首個設計用于提供高達1.685 FP64 ExaFLOPS峰值性能的系統(tǒng)，使用AMD的64核EPYC Trento處理器、Instinct MI250X計算GPU和HPE的Slingshot互連，功率為21兆瓦（2萬千瓦）HPE 構(gòu)建了系統(tǒng)并使用了 Cray EX 專為橫向擴展應用設計的架構(gòu)，主要用于超高速超級計算機。
雖然從紙面上看，F(xiàn)rontier超級計算機看起來特別好，而且機器系統(tǒng)的硬件部分已經(jīng)交付，但似乎硬件方面的問題一直在阻止機器上線，并且無法提供給需要大約 1 FP64 ExaFLOPS 性能的研究人員使用。
橡樹嶺領導力計算設施(OLCF)的項目主管Justin Whitt在接受InsideHP的采訪時表示：“我們正在解決硬件方面的問題，并確保我們理解具體是什么問題。為何會遇到如此規(guī)模的失敗，導致這種規(guī)模的系統(tǒng)的平均故障間隔時間是幾個小時，而不是幾天。"
關于Frontier的潛在硬件故障的傳言已經(jīng)流傳了很久。根據(jù)InsideHPC的另一篇報道，有人說該系統(tǒng)在Slingshot互連上遇到了問題。此外，還有人表示，AMD的Instinct MI250X計算GPU今年并不像預期那樣可靠。請記住，擁有更多流處理器和高時鐘的X版本只向特定客戶提供。
Whitt沒有證實該系統(tǒng)遇到了 Instinct 或 Slingshot 的任何特定問題，但他強調(diào)該機器存在許多硬件問題。
“很多挑戰(zhàn)都集中在這些 GPU 上，但這并不是我們所看到的大部分挑戰(zhàn)。” OLCF的負責人說。"在零部件故障的常見罪魁禍首中，這是一個相當好的分布，因為GPU是一個很大的組成部分。我不認為在這一點上，我們對AMD的產(chǎn)品有太多擔憂。"
到目前為止，橡樹嶺國家實驗室的 Frontier 超級計算機并不是唯一一個使用 HPE Cray EX 架構(gòu)和 Slingshot 互連、AMD EPYC（霄龍）CPU 和 AMD Instinct 計算 GPU 的系統(tǒng)。例如， 芬蘭的 Lumi 超級計算機 （Cray EX、EPYC Milan、Instinct MI250X 計算 GPU）提供了 550 PetaFLOPS 的峰值性能，并被 正式列為 世界第三強大的超級計算機。
只有時間才能證明最初承諾于 2022 年上線的 Frontier 超級計算機是否會在 2023 年開始提供給研究人員，因為它仍未正式部署。
原文：
https://www.tomshardware.com/news/worlds-fastest-supercomputer-cant-run-a-day-without-failure
EETOP 官方微信
創(chuàng)芯大講堂 在線教育
半導體創(chuàng)芯網(wǎng) 快訊
相關文章
