أخبار ar.wedoany.com، أعلنت شركة Cornelis Networks أن بنية شبكتها CN5000 Omni-Path بسرعة 400 جيجابت في الثانية قد دخلت مرحلة الإنتاج في مختبر لورانس ليفرمور الوطني (LLNL)، لتشكل الأساس الشبكي لمجمع الحوسبة الفائقة الجديد "Lynx". يضم هذا المجمع 952 عقدة، ويعتمد على خوادم Dell PowerEdge ومعالجات Intel Xeon وشبكة Cornelis CN5000، ويوفر الدعم بشكل أساسي لمشروع المحاكاة والحوسبة المتقدمة (ASC) التابع للإدارة الوطنية للأمن النووي (NNSA) ومهام الأمن القومي الأخرى.

يندرج مجمع "Lynx" ضمن برنامج أنظمة التكنولوجيا التجارية (CTS-2) التابع لـ NNSA، ويهدف إلى توفير قدرات حوسبة إنتاجية إضافية لأعباء عمل النمذجة والمحاكاة والتحليل، والتي تدعم بشكل مباشر إدارة الترسانة النووية الأمريكية. يجري دمج هذا النظام في بيئة الحوسبة عالية الأداء في LLNL، لدعم تطبيقات العلوم والهندسة ذات المهام الحرجة.
يتمثل جوهر النشر في بنية Cornelis CN5000 Omni-Path، التي توفر قدرات ربط بسرعة 400 جيجابت في الثانية دون فقدان البيانات، مع زمن انتقال منخفض وبدون ازدحام، وهي مصممة خصيصًا لأعباء عمل الحوسبة عالية الأداء (HPC) والذكاء الاصطناعي (AI) واسعة النطاق. تشير Cornelis إلى أن هذا النشر يثبت أن CN5000 قادرة على العمل في بيئات الحوسبة الصعبة في القطاعات الحكومية والأكاديمية والتجارية، حيث يؤثر أداء الشبكة بشكل كبير على كفاءة النظام وقابلية توسيع التطبيقات.
صرح مات لينينغر، كبير استراتيجيي الحوسبة عالية الأداء في LLNL، بأن هذا المشروع يجسد التعاون الممتد لسنوات بين مشروع ASC التابع لـ NNSA وشركة Cornelis لتطوير تقنيات الجيل التالي للحوسبة عالية الأداء. وأشار ستيفن راينهارت، نائب المدير المساعد لمكتب المحاكاة والحوسبة المتقدمة في NNSA، إلى أن مجمع "Lynx" يبني على أعمال الجيل التالي لشبكات الحوسبة عالية الأداء في NNSA، ويعزز البنية التحتية لدعم أعباء عمل ASC المستقبلية.
يرى براد هاتشينسكي، كبير مسؤولي الأعمال في Cornelis Networks، أن النشر الناجح يثبت أن CN5000 هي منصة شبكية جاهزة للإنتاج، قادرة على تلبية متطلبات الأداء والقيمة مقابل السعر اللازمة لنشر الحوسبة عالية الأداء والذكاء الاصطناعي الحديثة.
يُعد نشر مجمع "Lynx" بالغ الأهمية، لأنه يمثل أحد أولى النتائج الإنتاجية الكبرى لسلسلة Cornelis CN5000 في مختبر وطني أمريكي رائد. على الرغم من أن سوق البنية التحتية للذكاء الاصطناعي يركز بشكل كبير على Ethernet وInfiniBand، إلا أن المختبرات الوطنية لا تزال تقيم بنى ربط عالية الأداء أخرى، والتي يمكنها توفير أداء حتمي وزمن انتقال منخفض وقدرة توسع فعالة لأعباء عمل المحاكاة شديدة الاقتران.
ترتبط أصول Cornelis ارتباطًا وثيقًا بأعمال Omni-Path التابعة لشركة Intel. بعد الاستحواذ على هذه التقنية، واصلت Cornelis الاستثمار في تطوير هذه البنية، بينما تركز معظم الأعمال في القطاع على دمج شبكات AI القائمة على InfiniBand وEthernet. تمثل CN5000 تطورًا مهمًا في هذا المخطط، حيث تجلب أداء 400 جيجابت في الثانية إلى Omni-Path، مع التركيز على النقل دون فقدان، وإدارة الازدحام، والاستخدام الفعال لمجموعات الحوسبة واسعة النطاق.
بالنسبة لـ NNSA، يُعد أداء الشبكة أمرًا بالغ الأهمية بشكل خاص، لأن العديد من تطبيقات ASC تتضمن محاكاة فيزيائية واسعة النطاق، حيث يمكن أن يصبح الاتصال عنق الزجاجة للأداء. على عكس مجموعات تدريب AI التي قد تتحمل تقلبات الشبكة، تعتمد تطبيقات إدارة الترسانة النووية، وديناميكيات الموائع الحسابية، وعلوم المواد، وغيرها من تطبيقات HPC شديدة الاقتران، عادةً على زمن انتقال يمكن التنبؤ به ومعدلات رسائل عالية عبر آلاف العقد.
يسلط هذا النشر الضوء أيضًا على الأهمية المستمرة للبنية التحتية التقليدية للحوسبة عالية الأداء، على الرغم من أن AI أصبح الاتجاه السائد للاستثمار في القطاع. تدير مرافق مثل LLNL بيئات تدعم في الوقت نفسه أعباء عمل HPC التي تركز على المحاكاة وتطبيقات AI، مما يخلق فرصًا لموردي الشبكات الذين يمكنهم إظهار أداء قوي في كلا المجالين.
من منظور تجاري، يوفر مجمع "Lynx" لشركة Cornelis حالة مرجعية بارزة للنشر، مما يساعدها في الترويج لـ CN5000 بين الوكالات الحكومية، والمؤسسات البحثية، والجامعات، ومشغلي البنية التحتية للذكاء الاصطناعي في الشركات. يتمتع النشر الإنتاجي الناجح في LLNL بمصداقية عالية في مجال الحوسبة عالية الأداء، مما يساعد Cornelis على ترسيخ موقع تنافسي متميز في سوق يهيمن عليه عدد قليل من موردي الشبكات.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com









