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

Ученые из Center of Clinical Data Science станут первыми, кто сможет ^[1] обрабатывать данные с помощью суперкомпьютера для глубокого обучения DGX-1 на базе восьми графических процессоров Tesla V100. V100 показывают ^[2] результат в 960 терафлопс при вычислениях FP16 благодаря технологии Volta Tensor Core.

^[3]
/ Flickr / Fritzchens Fritz ^[4] / PD ^[5]

Платформу для дата-центров Tesla V100 представили ^[6] 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 ^[7] 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 ^[8] 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 ^[9] ученых Калифорнийского университета, по сравнению с дата-центрами с вычислительными ядрами одного типа, у гетерогенных на 21% выше производительность и на 23% — энергоэффективность.

Использует ^[10] 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 ^[11] 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 ^[12] работу с серверами с GPU-ускорением и облачные провайдеры. В том числе ^[13] 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.

P.S. Несколько материалов по теме из нашего блога:

• Почему тесты скорости диска в ноутбуке могут быть лучше, чем у облачного сервера? ^[14]
• Как справиться с пиковыми нагрузками при помощи IaaS ^[15]
• VMware NSX: новый подход к обеспечению безопасности в области здравоохранения ^[16]

Автор: it_man

Источник ^[17]