Worldlex Wiki 
Les performances d'un supercalculateur sont généralement mesurées en opérations en virgule flottante par seconde ( FLOPS ) plutôt qu'en millions d'instructions par seconde (MIPS). Depuis 2022, des supercalculateurs exascale , capables d'effectuer plus de 10¹⁸ FLOPS, existent. À titre de comparaison, un ordinateur de bureau offre des performances de l'ordre de centaines de gigaFLOPS (10¹¹ ) à plusieurs dizaines de téraFLOPS (10¹³ ) . Depuis novembre 2017, les 500 supercalculateurs les plus rapides au monde fonctionnent tous sous des systèmes d'exploitation basés sur Linux . Des recherches supplémentaires sont menées aux États-Unis, dans l' Union européenne , à Taïwan, au Japon et en Chine afin de construire des supercalculateurs exascale plus rapides, plus puissants et technologiquement plus performants.
Les supercalculateurs ont fait leur apparition dans les années 1960, et pendant plusieurs décennies, les plus rapides étaient conçus par Seymour Cray chez Control Data Corporation (CDC), Cray Research et les sociétés qui ont ensuite porté son nom ou son monogramme. Les premières machines de ce type étaient des ordinateurs conventionnels hautement optimisés, plus rapides que leurs contemporains à usage général. Au cours de la décennie, le parallélisme a été progressivement intégré, avec généralement de un à quatre processeurs . Dans les années 1970, les processeurs vectoriels, fonctionnant sur de vastes tableaux de données, se sont imposés. Le Cray-1, sorti en 1976 et qui a connu un grand succès, en est un exemple notable. Les ordinateurs vectoriels sont restés la norme jusque dans les années 1990. Depuis lors, les supercalculateurs massivement parallèles, dotés de dizaines de milliers de processeurs standard, sont devenus la norme.
Les États-Unis ont longtemps été un chef de file dans le domaine des supercalculateurs, d'abord grâce à la domination quasi ininterrompue de Cray, puis grâce à diverses entreprises technologiques. Le Japon a réalisé des progrès significatifs dans ce domaine au cours des années 1980 et 1990, tandis que la Chine est devenue de plus en plus active dans le domaine du supercalcul ces dernières années. El Capitan , du Laboratoire national Lawrence Livermore, est le supercalculateur le plus rapide au monde. Les États-Unis en possèdent cinq parmi les dix premiers ; l’Italie deux, le Japon, la Finlande et la Suisse un chacun.
In 1960, UNIVAC built the Livermore Atomic Research Computer (LARC), today considered among the first supercomputers, for the US Navy Research and Development Center. It still used high-speed drum memory, rather than the newly emerging disk drive technology. Also, among the first supercomputers was the IBM 7030 Stretch. The IBM 7030 was built by IBM for the Los Alamos National Laboratory, which then in 1955 had requested a computer 100 times faster than any existing computer. The IBM 7030 used transistors, magnetic core memory, pipelined instructions, prefetched data through a memory controller and included pioneering random access disk drives. The IBM 7030 was completed in 1961 and despite not meeting the challenge of a hundredfold increase in performance, it was purchased by the Los Alamos National Laboratory. Customers in England and France also bought the computer, and it became the basis for the IBM 7950 Harvest, a supercomputer built for cryptanalysis.
The third pioneering supercomputer project in the early 1960s was the Atlas at the University of Manchester, built by a team led by Tom Kilburn. He designed the Atlas to have memory space for up to a million words of 48 bits, but because magnetic storage with such a capacity was unaffordable, the actual core memory of the Atlas was only 16,000 words, with a drum providing memory for a further 96,000 words. The Atlas Supervisorswapped data in the form of pages between the magnetic core and the drum. The Atlas operating system also introduced time-sharing to supercomputing, so that more than one program could be executed on the supercomputer at any one time. Atlas was a joint venture between Ferranti and Manchester University and was designed to operate at processing speeds approaching onemicrosecond per instruction, about onemillion instructions per second.
Le CDC 6600 , conçu par Seymour Cray , fut achevé en 1964 et marqua la transition des transistors au germanium aux transistors au silicium . Ces derniers permettaient un fonctionnement plus rapide et le problème de la surchauffe fut résolu par l'introduction d'un système de refroidissement dans la conception du supercalculateur. Le CDC 6600 devint ainsi l'ordinateur le plus rapide au monde. Surpassant tous les autres ordinateurs de l'époque d'environ dix fois, il fut qualifié de supercalculateur et définit le marché du supercalcul, avec la vente de cent exemplaires à 8 millions de dollars chacun.
En 1972, Cray quitte CDC pour fonder sa propre entreprise, Cray Research . Quatre ans plus tard , en 1976 , il lance le Cray-1 à 80 MHz , qui deviendra l'un des supercalculateurs les plus performants de l'histoire. Le Cray-2 sort en 1985. Doté de huit unités centrales de traitement (CPU), il est refroidi par liquide , le fluide caloporteur Fluorinert circulant dans toute l' architecture du supercalculateur . Il atteint une puissance de calcul de 1,9 gigaflops , devenant ainsi le premier supercalculateur à franchir la barre du gigaflop.
Conceptions massivement parallèles
Dans les années 1970, seul l' ILLIAC IV a sérieusement rivalisé avec le Cray-1 . Cette machine fut le premier exemple concret d' ordinateur massivement parallèle , où de nombreux processeurs collaboraient pour résoudre différentes parties d'un même problème. Contrairement aux systèmes vectoriels, conçus pour traiter un flux de données unique le plus rapidement possible, l'ILLIAC, dans ce concept, distribuait les données par segments à des processeurs distincts, puis recombinait les résultats. La conception de l'ILLIAC fut finalisée en 1966 : doté de 256 processeurs, il offrait une vitesse de calcul allant jusqu'à 1 GFLOPS, contre 250 MFLOPS pour le Cray-1 des années 1970. Cependant, des problèmes de développement limitèrent sa production à 64 processeurs, et le système ne put jamais dépasser les 200 MFLOPS, tout en étant bien plus volumineux et complexe que le Cray. De plus, la programmation du système s'avérait difficile, et l'obtention de performances optimales exigeait des efforts considérables.
Le succès partiel de l'ILLIAC IV fut largement perçu comme annonciateur de l'avenir du supercalcul. Cray s'y opposa, lançant avec humour : « Si vous deviez labourer un champ, que préféreriez-vous utiliser ? Deux bœufs robustes ou 1024 poulets ? » Au début des années 1980, plusieurs équipes travaillaient sur des architectures parallèles comportant des milliers de processeurs, notamment la Connection Machine (CM), issue des recherches menées au MIT . La CM-1 utilisait jusqu'à 65 536 microprocesseurs personnalisés simplifiés , connectés en réseau pour partager des données. Plusieurs versions améliorées suivirent ; le supercalculateur CM-5 est un ordinateur à traitement massivement parallèle capable d'effectuer plusieurs milliards d'opérations arithmétiques par seconde.
En 1982, le système graphique informatique LINKS-1 de l'Université d'Osaka utilisait une architecture de traitement massivement parallèle , avec 514 microprocesseurs , dont 257 processeurs de contrôle Zilog Z8001 et 257 processeurs à virgule flottante iAPX 86/20 . Il était principalement utilisé pour le rendu d'images 3D réalistes . Le VPP500 de Fujitsu, datant de 1992, est atypique car, pour atteindre des vitesses plus élevées, ses processeurs utilisaient du GaAs , un matériau normalement réservé aux applications micro-ondes en raison de sa toxicité. Le supercalculateur Numerical Wind Tunnel de Fujitsu utilisait 166 processeurs vectoriels pour se hisser au sommet du classement en 1994 avec une vitesse de pointe de 1,7 gigaFLOPS (GFLOPS) par processeur. Le Hitachi SR2201 a atteint une performance de pointe de 600 GFLOPS en 1996 grâce à 2048 processeurs connectés via un réseau maillé tridimensionnel rapide . L' Intel Paragon pouvait comporter de 1000 à 4000 processeurs Intel i860 selon différentes configurations et était considéré comme le plus rapide au monde en 1993. Le Paragon était une machine MIMD qui connectait les processeurs via un maillage bidimensionnel à haut débit, permettant ainsi l'exécution des processus sur des nœuds distincts, communiquant via l' interface de passage de messages (MPI) .
Le développement logiciel restait problématique, mais la série CM a suscité d'importantes recherches sur ce sujet. De nombreuses entreprises ont conçu des systèmes similaires utilisant du matériel personnalisé, notamment Evans & Sutherland ES-1 , MasPar , nCUBE , Intel iPSC et Goodyear MPP . Cependant, au milieu des années 1990, les performances des processeurs à usage général s'étaient tellement améliorées qu'il était possible de construire un supercalculateur en les utilisant comme unités de traitement individuelles, au lieu de puces personnalisées. Au tournant du XXIe siècle, les systèmes intégrant des dizaines de milliers de processeurs standard étaient devenus la norme, les machines plus récentes y ajoutant des unités graphiques .
En 1998, David Bader a développé le premier supercalculateur Linux utilisant des composants standard. À l'Université du Nouveau-Mexique, Bader s'est efforcé de construire un supercalculateur fonctionnant sous Linux à l'aide de composants grand public et d'un réseau d'interconnexion à haut débit et faible latence. Le prototype utilisait un « AltaCluster » d'Alta Technologies, composé de huit ordinateurs biprocesseurs Intel Pentium II de 333 MHz exécutant un noyau Linux modifié. Bader a porté une quantité importante de logiciels pour assurer la compatibilité Linux des composants nécessaires, ainsi que du code provenant de membres de la National Computational Science Alliance (NCSA) afin de garantir l'interopérabilité, car aucun de ces logiciels n'avait été exécuté sous Linux auparavant. Fort de ce prototype réussi, il a dirigé le développement de « RoadRunner », le premier supercalculateur Linux mis à la disposition de la communauté scientifique et technique nationale via le National Technology Grid de la National Science Foundation. RoadRunner a été mis en production en avril 1999. À l'époque, il était considéré comme l'un des 100 supercalculateurs les plus rapides au monde. Bien que des clusters sous Linux utilisant des composants grand public, tels que Beowulf , aient existé avant le développement du prototype de Bader et de RoadRunner, ils ne disposaient pas de l'évolutivité, de la bande passante et des capacités de calcul parallèle nécessaires pour être considérés comme de « véritables » supercalculateurs.
Les systèmes dotés d'un grand nombre de processeurs suivent généralement l'une des deux voies suivantes. Dans l' approche du calcul distribué , la puissance de calcul de nombreux ordinateurs, organisés en domaines administratifs distribués et diversifiés, est utilisée de manière opportuniste dès qu'un ordinateur est disponible. Dans une autre approche, de nombreux processeurs sont utilisés à proximité les uns des autres, par exemple dans un cluster de calcul . Dans un tel système centralisé massivement parallèle, la vitesse et la flexibilité duL'interconnexion devient primordiale et les supercalculateurs modernes utilisent diverses approches, allantInfinibandinterconnexions toriquestridimensionnelles. L'utilisation deprocesseurs multicœurscombinée à la centralisation est une voie émergente, comme par exemple dans leCyclops64.
Avec l'amélioration du prix, des performances et de l'efficacité énergétique des unités de traitement graphique à usage général (GPGPU), plusieurs supercalculateurs pétaFLOPS, tels que Tianhe-I et Nebulae, ont commencé à les utiliser. Cependant, d'autres systèmes, comme le supercalculateur K, continuent d'utiliser des processeurs conventionnels, notamment ceux basés sur l'architecture SPARC. L'applicabilité globale des GPGPU aux applications de calcul haute performance à usage général fait débat : si une GPGPU peut être optimisée pour obtenir d'excellents résultats sur des benchmarks spécifiques, son applicabilité aux algorithmes courants peut être limitée, à moins d'un effort important d'adaptation de l'application. Néanmoins, les GPU gagnent du terrain, et en 2012, le supercalculateur Jaguar a été transformé en Titan par l'intégration de GPU à ses CPU.
Les ordinateurs hautes performances ont un cycle de vie prévu d'environ trois ans avant de nécessiter une mise à niveau. Le supercalculateur Gyoukou est unique en ce qu'il utilise à la fois une conception massivement parallèle et un refroidissement par immersion liquide .
Supercalculateurs à usage spécialisé
Plusieurs systèmes spécialisés ont été conçus pour résoudre un problème unique. Ceci permet l'utilisation de puces FPGA spécialement programmées , voire de circuits intégrés spécifiques (ASIC) , offrant ainsi un meilleur rapport prix/performances au détriment de la généralité. Parmi les supercalculateurs spécialisés, on peut citer Belle [ , Deep Blue et Hydra pour les échecs , Gravity Pipe pour l'astrophysique , MDGRAPE-3 pour la prédiction de la structure des protéines et la dynamique moléculaire , et Deep Crack pour le décryptage du chiffrement DES .
Gestion de la consommation d'énergie et de la chaleur
Au fil des décennies, la gestion de la densité thermique est restée un enjeu majeur pour la plupart des supercalculateurs centralisés. La grande quantité de chaleur générée par un système peut également avoir d'autres conséquences, comme la réduction de la durée de vie d'autres composants. Diverses approches de gestion thermique ont été mises en œuvre, allant du pompage de Fluorinert à travers le système, à un système de refroidissement hybride liquide-air ou au refroidissement par air à des températures de climatisation classiques . Un supercalculateur typique consomme une grande quantité d'énergie électrique, dont la quasi-totalité est convertie en chaleur, nécessitant un refroidissement. Par exemple, Tianhe-1A consomme 4,04 mégawatts (MW) d'électricité. Le coût de l'alimentation et du refroidissement du système peut être considérable : par exemple, 4 MW à 0,10 $/kWh représentent 400 $ par heure, soit environ 3,5 millions de dollars par an.
La gestion thermique est un enjeu majeur pour les dispositifs électroniques complexes et affecte les systèmes informatiques puissants de diverses manières. Les problématiques liées à la conception thermique et à la dissipation de puissance du processeur dans le supercalcul dépassent celles des technologies de refroidissement informatique traditionnelles . Les prix récompensant le calcul écologique dans le domaine du supercalcul témoignent de cette problématique.
L'intégration de milliers de processeurs génère inévitablement une importante densité thermique qu'il convient de dissiper. Le Cray-2 était refroidi par liquide grâce à un système de refroidissement en cascade Fluorinert , où le liquide était forcé à travers les modules sous pression. Cependant, cette approche de refroidissement par immersion liquide s'avérait impraticable pour les systèmes multi-armoires utilisant des processeurs standard. C'est pourquoi, pour le System X , un système de refroidissement spécifique combinant climatisation et refroidissement liquide a été développé en collaboration avec la société Liebert .
Dans le système Blue Gene , IBM a délibérément utilisé des processeurs basse consommation pour limiter la densité thermique. Le Power 775 d'IBM , sorti en 2011, possède des composants très rapprochés qui nécessitent un refroidissement par eau. Le système IBM Aquasar utilise un refroidissement par eau chaude pour optimiser son efficacité énergétique ; cette eau sert également au chauffage des bâtiments.
L’efficacité énergétique des systèmes informatiques est généralement mesurée en termes de « FLOPS par watt ». En 2008, le Roadrunner d’ IBM fonctionnait à 376 MFLOPS/W . Blue Gene/Q a atteint 1684 MFLOPS/W et en juin 2011, les deux premières places de la liste Green 500 étaient occupées par des machines Blue Gene à New York (l'une atteignant 2097 MFLOPS/W) avec le cluster DEGIMA à Nagasaki se classant troisième avec 1375 MFLOPS/W.
la chaleur résiduelle la capacité des systèmes de refroidissement à éliminer cette chaleur résiduelle constitue un facteur limitant puissance thermique de conception globale du supercalculateur, c'est-à-dire la puissance que l'infrastructure d'alimentation et de refroidissement peut gérer, est légèrement supérieure à la consommation électrique normale prévue, mais inférieure à la consommation électrique de pointe théorique du matériel électronique.Gestion des logiciels et des systèmes
Systèmes d'exploitation
Since modern massively parallel supercomputers typically separate computations from other services by using multiple types of nodes, they usually run different operating systems on different nodes, e.g. using a small and efficient lightweight kernel such as CNK or CNL on compute nodes, but a larger system such as a full Linux distribution on server and I/O nodes.
While in a traditional multi-user computer system job scheduling is, in effect, a tasking problem for processing and peripheral resources, in a massively parallel system, the job management system needs to manage the allocation of both computational and communication resources, as well as gracefully deal with inevitable hardware failures when tens of thousands of processors are present.
Although most modern supercomputers use Linux-based operating systems, each manufacturer has its own specific Linux distribution, and no industry standard exists, partly due to the fact that the differences in hardware architectures require changes to optimize the operating system to each hardware design.
Software tools and message passing
The parallel architectures of supercomputers often dictate the use of special programming techniques to exploit their speed. Software tools for distributed processing include standard APIs such as MPI and PVM, VTL, and open source software such as Beowulf.
In the most common scenario, environments such as PVM and MPI for loosely connected clusters and OpenMP for tightly coordinated shared memory machines are used. Significant effort is required to optimize an algorithm for the interconnect characteristics of the machine it will be run on; the aim is to prevent any of the CPUs from wasting time waiting on data from other nodes. GPGPUs have hundreds of processor cores and are programmed using programming models such as CUDA or OpenCL.
Moreover, it is quite difficult to debug and test parallel programs. Special techniques need to be used for testing and debugging such applications.
Distributed supercomputing
Opportunistic approaches
Opportunistic supercomputing is a form of networked grid computing whereby a "super virtual computer" of many loosely coupled volunteer computing machines performs very large computing tasks. Grid computing has been applied to a number of large-scale embarrassingly parallel problems that require supercomputing performance scales. However, basic grid and cloud computing approaches that rely on volunteer computing cannot handle traditional supercomputing tasks such as fluid dynamic simulations.
The fastest grid computing system is the volunteer computing projectFolding@home (F@h). x86 processing power. Of this, over 100PFLOPS are contributed by clients running on various GPUs, and the rest from various CPU systems.
The Berkeley Open Infrastructure for Network Computing (BOINC) platform hosts a number of volunteer computing projects. Great Internet Mersenne Prime Search's (GIMPS) distributed Mersenne Prime search achieved about 0.313PFLOPS through over 1.3million computers. The PrimeNet server has supported GIMPS's grid computing approach, one of the earliest volunteer computing projects, since 1997.
Quasi-opportunistic approaches
nuages de calcul haute performance
L'informatique en nuage, avec son expansion et son développement rapides et récents, a captivé l'attention des utilisateurs et des développeurs de calcul haute performance (HPC) ces dernières années. L'informatique en nuage vise à fournir du HPC en tant que service, à l'instar d'autres services disponibles dans le cloud tels que le logiciel en tant que service (SaaS) , la plateforme en tant que service (PaaS) et l'infrastructure en tant que service (IaaS ). Les utilisateurs de HPC peuvent tirer profit du cloud sous différents angles, notamment en termes d'évolutivité, de ressources à la demande, de rapidité et de faible coût. Cependant, la migration des applications HPC présente également son lot de défis. Parmi ceux-ci, on peut citer la surcharge liée à la virtualisation dans le cloud, la mutualisation des ressources et les problèmes de latence réseau. De nombreuses recherches sont actuellement menées pour surmonter ces défis et rendre le HPC dans le cloud plus réaliste.
In 2016, Penguin Computing, Parallel Works, R-HPC, Amazon Web Services, Univa, Silicon Graphics International, Rescale, Sabalcore, and Gomput started to offer HPC cloud computing. The Penguin On Demand (POD) cloud is a bare-metal compute model to execute code, but each user is given virtualized login node. POD computing nodes are connected via non-virtualized 10Gbit/sEthernet or QDR InfiniBand networks. User connectivity to the POD data center ranges from 50Mbit/s to 1Gbit/s. Citing Amazon's EC2 Elastic Compute Cloud, Penguin Computing argues that virtualization of compute nodes is not suitable for HPC. Penguin Computing has also criticized that HPC clouds may have allocated computing nodes to customers that are far apart, causing latency that impairs performance for some HPC applications.
Performance measurement
Capability versus capacity
Supercomputers generally aim for the maximum in capability computing rather than capacity computing. Capability computing is typically thought of as using the maximum computing power to solve a single large problem in the shortest amount of time. Often a capability system is able to solve a problem of a size or complexity that no other computer can, e.g. a very complex weather simulation application.
Capacity computing, in contrast, is typically thought of as using efficient cost-effective computing power to solve a few somewhat large problems or many small problems. Architectures that lend themselves to supporting many users for routine everyday tasks may have a lot of capacity but are not typically considered supercomputers, given that they do not solve a single very complex problem.
Performance metrics
En général, la vitesse des supercalculateurs est mesurée et évaluée en FLOPS (opérations en virgule flottante par seconde), et non en MIPS (millions d'instructions par seconde), comme c'est le cas pour les ordinateurs classiques. Ces mesures sont couramment utilisées avec un préfixe SI tel que téra- , abrégé en TFLOPS ( 10¹² FLOPS, prononcé téraflops ), ou péta- , abrégé en PFLOPS ( 10¹⁵ FLOPS, prononcé pétaflops ). Les supercalculateurs pétascale peuvent traiter un quadrillion (10¹⁵ ) (1 000 billions) de FLOPS. L'exascale désigne les performances de calcul de l'ordre de l'exaFLOPS (EFLOPS). Un EFLOPS équivaut à un quintillion (10¹⁸ ) de FLOPS (un million de TFLOPS). Cependant, les performances d’un supercalculateur peuvent être fortement impactées par les fluctuations provoquées par des éléments tels que la charge du système, le trafic réseau et les processus concurrents, comme l’ont mentionné Brehm et Bruhwiler (2015).
Aucun chiffre ne peut à lui seul refléter les performances globales d'un système informatique. Cependant, l'objectif du benchmark LINPACK est d'estimer la vitesse à laquelle un ordinateur résout des problèmes numériques, et il est largement utilisé dans l'industrie. La mesure des FLOPS est soit basée sur les performances théoriques en virgule flottante d'un processeur (issues des spécifications du fabricant et indiquées comme « Rpeak » dans les listes TOP500), généralement inatteignables lors de l'exécution de charges de travail réelles, soit sur le débit réel, dérivé des benchmarks LINPACK et indiqué comme « Rmax » dans la liste TOP500. Le benchmark LINPACK effectue généralement la décomposition LU d'une grande matrice. Les performances LINPACK donnent une indication des performances pour certains problèmes concrets, mais ne correspondent pas nécessairement aux exigences de traitement de nombreuses autres charges de travail de supercalculateurs, qui peuvent par exemple nécessiter une plus grande bande passante mémoire, de meilleures performances en calcul entier ou un système d'E/S hautes performances pour atteindre des niveaux de performance élevés.
La liste TOP500
Depuis 1993, le classement TOP500 répertorie les supercalculateurs les plus rapides selon leurs résultats au test LINPACK . Ce classement ne prétend pas être impartial ni définitif, mais il constitue une définition actuelle largement citée du supercalculateur le plus rapide disponible à un instant donné.
Voici la liste des ordinateurs qui ont figuré en tête du classement TOP500 depuis juin 1993 , la « vitesse de pointe » étant indiquée par la valeur « Rmax ». En 2018, Lenovo est devenu le premier fournisseur mondial de supercalculateurs du TOP500 avec 117 unités produites
| Rang (précédent) | Rmax Rpeak (Peta FLOPS ) | Nom | Modèle | cœurs de processeur | Cœurs d'accélérateur (par exemple, GPU) | Nombre total de cœurs (processeurs + accélérateurs) | Interconnexion | Fabricant | Pays du site | Année | Système opérateur |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 1 742,00 2 746,38 | El Capitan | HPE Cray EX255a | 1 051 392 (43 808 × EPYC 24C optimisé de 4e génération à 24 cœurs à 1,8 GHz) | 9 988 224 (43 808 × 228 AMD Instinct MI300A ) | 11 039 616 | Lance-pierres-11 | HPE | Laboratoire national Lawrence Livermore, États-Unis | 2024 | Linux ( TOSS ) |
| 2 | 1 353,00 2 055,72 | Frontière | HPE Cray EX235a | 614 656 (9 604 × EPYC 64C optimisé de 3e génération à 64 cœurs à 2,0 GHz) | 8 451 520 (38 416 × 220 AMD Instinct MI250X ) | 9 066 176 | Lance-pierres-11 | HPE | Laboratoire national d'Oak Ridge, États-Unis | 2022 | Linux ( système d'exploitation HPE Cray ) |
| 3 | 1 012,00 1 980,01 | Aurore | HPE Cray EX | 1 104 896 (21 248 × 52 cœurs Intel Xeon Max 9470 à 2,4 GHz) | 8 159 232 (63 744 × 128 Intel Max 1550 ) | 9 264 128 | Lance-pierres-11 | HPE | Laboratoire national d'Argonne, États-Unis | 2023 | Linux ( SUSE Linux Enterprise Server 15 SP4 ) |
| 4 | 561,20 846,84 | Xeon Platinum 8480C à 2,0 GHz) | 1 900 800 (14 400 × 132 Nvidia Hopper H100) | 2 073 600 | NVIDIA Infiniband NDR | Microsoft | Microsoft États-Unis | 2023 | Linux ( Ubuntu 22.04 LTS ) | ||
| 5 | 477,90 606,97 | HPC6 | HPE Cray EX235a | 213 120 (3 330 × EPYC 64C optimisé de 3e génération à 64 cœurs à 2,0 GHz) | 2 930 400 (13 320 × 220 AMD Instinct MI250X ) | 3 143 520 | Lance-pierres-11 | HPE | Eni SpA Union européenne , Ferrera Erbognone , Italie | 2024 | Linux ( RHEL 8.9) |
| 6 | 442,01 537,21 | Fugaku | Supercalculateur Fugaku | 7 630 848 (158 976 × 48 cœurs Fujitsu A64FX à 2,2 GHz) | - | 7 630 848 | Interconnexion Tofu D | Fujitsu | Centre Riken pour les sciences computationnelles Japon | 2020 | Linux ( RHEL ) |
| 7 | 434,90 574,84 | Alpes | HPE Cray EX254n | 748 800 (10 400 × cœurs Neoverse V2 à 72 bras Nvidia Grace à 3,1 GHz) | 1 372 800 (10 400 × 132 Nvidia Hopper H100) | 2 121 600 | Lance-pierres-11 | HPE | CSCS Centre national suisse de calcul scientifique Suisse | 2024 | Linux ( système d'exploitation HPE Cray ) |
| 8 | 379,70 531,51 | LUMI | HPE Cray EX235a | 186 624 (2 916 × EPYC 64C optimisé de 3e génération à 64 cœurs à 2,0 GHz) | 2 566 080 (11 664 × 220 AMD Instinct MI250X ) | 2 752 704 | Lance-pierres-11 | HPE | EuroHPC JU Union européenne , Kajaani , Finlande | 2022 | Linux ( système d'exploitation HPE Cray ) |
| 9 | 241,20 306,31 | Léonard de Vinci | BullSequana XH2000 | 110 592 (3 456 × Xeon Platinum 8358 à 32 cœurs à 2,6 GHz) | 1 714 176 (15 872 × 108 Nvidia Ampere A100) | 1 824 768 | Quad-rail NVIDIA HDR100 Infiniband | Atos | EuroHPC JU Union européenne , Bologne , Italie | 2023 | Linux ( RHEL 8) |
| 10 | 208,10 288,88 | HPE Cray EX255a | 110 592 (4 608 × EPYC 24C optimisé de 4e génération à 24 cœurs à 1,8 GHz) | 1 050 624 (4 608 × 228 AMD Instinct MI300A ) | 1 161 216 | Lance-pierres-11 | HPE | Laboratoire national Lawrence Livermore, États-Unis | 2024 | Linux ( TOSS ) |
Légende :
- Rang – Position dans le classement TOP500. Dans le tableau TOP500, les ordinateurs sont classés par ordre décroissant de leur valeur Rmax. En cas de performances égales (valeur Rmax) pour différents ordinateurs, le classement se fait par Rpeak. Pour les sites possédant le même ordinateur, le classement se fait par taille de mémoire, puis par ordre alphabétique.de tests LINPACK . C'est ce nombre qui sert à classer les ordinateurs. Mesuré en quadrillions d'opérations en virgule flottante 64 bits par seconde , soit en pétaFLOPS .
- Rpeak – Il s'agit de la performance théorique maximale du système. Calculée en pétaFLOPS.du jeu d’instructions ou la microarchitecture du processeur , ainsi que le GPU et les accélérateurs lorsqu’ils sont disponibles.
- Interconnexion – L' interconnexion entre les nœuds de calcul. InfiniBand est le plus utilisé (38 %) en termes de performances, tandis que Gigabit Ethernet est le plus utilisé (54 %) en termes de nombre d'ordinateurs.
- Fabricant – Le fabricant de la plateforme et du matériel.National Oceanic and Atmospheric Administration) utilise ces systèmes pour traiter d’énormes quantités de données d’observation afin d’améliorer la précision des prévisions. Les États-Unis utilisent également des supercalculateurs dans le cadre du programme ASCII (Advanced Simulation and Computing Program) pour la maintenance et la simulation de leur arsenal nucléaire.
Le domaine présente des défis, comme l'illustre l'abandon par IBM du projet ambitieux Blue Waters pétaflopique en 2011. Malgré ces revers, l'utilité des supercalculateurs ne cesse de croître. Un exemple récent de leur rôle crucial s'est produit début 2020, lorsque des supercalculateurs ont été rapidement déployés pour exécuter des simulations à grande échelle à l'aide de nombreux processeurs parallèles afin d'identifier des composés susceptibles d'enrayer la propagation de la COVID-19.
Taiwania 3 est un supercalculateur taïwanais qui a aidé la communauté scientifique dans la lutte contre la COVID-19 . Il a été lancé en 2020 et possède une capacité d'environ deux à trois pétaflops .
Développement et tendances
Dans les années 2010, la Chine, les États-Unis, l'Union européenne et d'autres pays se sont livrés à une compétition acharnée pour être les premiers à créer un supercalculateur d'une puissance de calcul de 1 exaFLOPS ( 10¹⁸ ou un quintillion d'opérations par seconde). Erik P. DeBenedictis, des Laboratoires nationaux Sandia, a émis l'hypothèse qu'un ordinateur d'une puissance de 1 zettaFLOPS ( 10²¹ ou un sextillion d'opérations par seconde) serait nécessaire pour réaliser une modélisation météorologique complète , couvrant une période de deux semaines avec précision. De tels systèmes pourraient être construits aux alentours de 2030.
De nombreuses simulations de Monte Carlo utilisent le même algorithme pour traiter un ensemble de données générées aléatoirement ; en particulier, les équations intégro-différentielles décrivant les processus de transport physique , les trajectoires aléatoires , les collisions et les dépôts d'énergie et de quantité de mouvement des neutrons, photons, ions, électrons, etc.troisième dimension ; et en se spécialisant dans la méthode de Monte Carlo, les nombreuses couches pourraient être identiques, simplifiant ainsi le processus de conception et de fabrication.
Le coût d'exploitation des supercalculateurs haute performance a augmenté, principalement en raison de la hausse de leur consommation énergétique. Au milieu des années 1990, un supercalculateur parmi les dix plus puissants consommait environ 100 kilowatts ; en 2010, cette consommation se situait entre 1 et 2 mégawatts . Une étude commandée par la DARPA en 2010 a identifié la consommation énergétique comme le principal obstacle à la réalisation du calcul exascale . À l'époque, un mégawatt consommé par an coûtait environ un million de dollars. Les infrastructures de supercalcul ont été conçues pour dissiper efficacement la chaleur croissante produite par les processeurs multicœurs modernes . Si l'on se base sur la consommation énergétique des supercalculateurs du classement Green 500 entre 2007 et 2011, un supercalculateur d'une puissance de calcul de 1 exaFLOPS en 2011 aurait nécessité près de 500 mégawatts. Des systèmes d'exploitation ont été développés pour le matériel existant afin d'optimiser la consommation d'énergie. Les cœurs du processeur non utilisés pendant l'exécution d'une application parallèle ont été mis en état de faible consommation, ce qui a permis de réaliser des économies d'énergie pour certaines applications de supercalcul.
L'augmentation du coût d'exploitation des supercalculateurs a fortement contribué à la mutualisation des ressources au sein d'une infrastructure de supercalculateurs distribuée. Les premiers centres nationaux de supercalculateurs ont vu le jour aux États-Unis, suivis par l'Allemagne et le Japon. L'Union européenne a lancé le Union européenne pour le portage, la mise à l'échelle et l'optimisation des applications de supercalcul. L'Islande a construit le premier supercalculateur zéro émission au monde. Situé au Thor Data Center de Reykjavik , ce supercalculateur est alimenté par des sources d'énergie entièrement renouvelables, sans recours aux combustibles fossiles. Le climat plus froid réduit également le besoin de refroidissement actif, ce qui en fait l'une des installations informatiques les plus écologiques au monde.
Le financement du matériel des supercalculateurs est également devenu de plus en plus difficile. Au milieu des années 1990, un supercalculateur parmi les dix plus performants coûtait environ 10 millions d'euros, tandis qu'en 2010, il nécessitait un investissement compris entre 40 et 50 millions d'euros. Dans les années 2000, les gouvernements nationaux ont mis en place différentes stratégies de financement des supercalculateurs. Au Royaume-Uni, le gouvernement fédéral finançait intégralement les supercalculateurs et le calcul haute performance était placé sous la tutelle d'un organisme national de financement. L'Allemagne a développé un modèle de financement mixte, combinant financements régionaux et fédéraux.