鑽石舞台

想象一下，支撐世界最大數據中心的數百萬計算機芯片裡存在着罕見的、幾乎無法檢測到的缺陷。發現這些缺陷的唯一方法是將芯片投入到十年前無法想象的巨大計算問題上。隨着計算機芯片上的微小開關縮小到幾個原子寬度，芯片的可靠性日益引起擔憂。去年 Amazon、Facebook、Twitter 等都發生了令人矚目的故障。故障的原因多種多樣，如編程錯誤和網絡擁塞。但人們也越來越擔心，雲計算網絡變得越來越大也越來越複雜，可它們在最基本的層面上仍然依賴於計算機芯片，這些芯片現在不太可靠，在某些情況下甚至不好預測。過去一年，Facebook 和 Google 的研究人員都發表研究，描述了原因難以確定的計算機硬件故障。他們認為，問題不在軟件，而在不同公司製造的計算機硬件的某處。斯坦福大學專門測試計算機硬件的電氣工程師 Subhasish Mitra 表示：「他們看到的靜默錯誤基本都來自於底層硬件。」Mitra 博士表示，人們越來越相信不易被發現的靜默錯誤與製造缺陷有關。研究人員擔心他們之所以會發現罕見的缺陷，是因為他們正試圖解決越來越大的計算問題，問題會以意想不到的方式給系統帶來壓力。十多年前，運行大型數據中心的公司開始報告系統性問題。2015 年，在工程期刊《電氣與電子工程師學會會刊（IEEE Spectrum）》上，一個多倫多大學研究硬件可靠性的計算機科學家小組報告稱，在 Google 數百萬台計算機中，每年會有多達 4% 的計算機遇到無法檢測到的錯誤，導致它們意外關閉。在一個擁有數十億個晶體管的微處理器中——或者一個由數萬億個微型開關（每個微型開關都可以存儲一個1或0）組成的計算機內存板中——即使是最小的錯誤也會破壞現在通常每秒執行數十億次計算的系統。

對傳統計算機集群，每秒分析多達 10 億次質子碰撞或數萬次非常複雜的鉛碰撞絕非易事。大強子對撞機（LHC）實驗最近升級了硬件，將於明年投入使用，顯著增加了對數據處理潛力的需求。由於傳統的 CPU 可能無法應對新的計算挑戰，四個大型實驗正在採用 GPU 。GPU 是專門用於圖像處理的高效處理器，最初的設計目標是加速 3D 計算機圖形渲染。過去幾年，LHC實驗、全球 LHC 計算網格（WLCG）和 CERN 開放實驗室都在研究 GPU 的使用。在高能物理研究中增加GPU的使用不僅可提高計算基礎設施的質量和規模，還能提高整體能源效率。CERN IT 部門負責人 Enrica Porcari 表示：「LHC 雄心勃勃的升級計劃帶來了一系列令人興奮的計算挑戰；GPU 可以發揮重要作用，支持機器學習方法應對其中許多挑戰。」「自 2020 年以來，CERN 的 IT 部門就提供了對數據中心 GPU 平台的訪問權限，這些平台已被證明在一系列應用中很受歡迎。除此之外，CERN 開放實驗室正在通過與工業界的合作研發項目，研究在機器學習中使用 GPU，科學計算協作（Scientific Computing Collaborations）組正在努力幫助移植並優化實驗中的關鍵代碼。」