Niels Bohr, uno dei padri della meccanica quantistica, pare che una volta abbia detto: “Le previsioni sono molto difficili, soprattutto se riguardano il futuro”. Non potrei essere più d’accordo…Ciononostante, mi sono permesso di identificare alcune possibili linee di sviluppo, incentrate soprattutto sul mondo HPC e AI e suddivise in tre aree: Realistica, Alternative emergenti e Fantascienza.

REALISTICA

L’efficienza energetica e l’impronta di carbonio influenzeranno HPC e AI. L’HPC è un settore ad alta intensità energetica. I più recenti supercomputer presenti in Top500 consumano tra i 20 ed i 30 MW e Il consumo totale di elettricità dei data center potrebbe raggiungere più di 1.000 TWh entro il 2026 (fonte: AIE). Questa energia deve essere prodotta in impianti le cui dimensioni incideranno sulla rete energetica locale sfidando le tecniche di ottimizzazione e riuso del calore che sono state sviluppate nel corso degli anni. Su scala più ridotta, i costi di adozione delle infrastrutture HPC nelle aziende e nella ricerca saranno sempre più connessi ai vincoli posti dalle tecnologie attuali e future. Questo cambia il modo in cui gli utenti HPC accedono alle risorse: se in precedenza il” time to solution” e il “problem size” erano gli unici criteri, la possibilità di prevedere l’impatto energetico di un determinato calcolo in condizioni diverse e la possibilità di allocarlo su risorse diverse anche in base a considerazioni energetiche sarà sempre più comune. Ciò richiede l’impiego di strumenti di monitoraggio in grado di sfruttare l’A per comprendere la natura delle anomalie. Il progetto ExaMon, ad esempio, è uno strumento di questo tipo che fornisce indicazioni rapide per decisioni tempestive e controllo ottimale, integrando tecniche avanzate di data engineering e innovazioni nel data processing. I dati generati sono facilmente analizzabili con ML e AI.

Le risorse disaggregate e la gestione dinamica delle risorse saranno ampiamente adottate. La gestione dinamica delle risorse e l’uso di soluzioni disaggregate e componibili sono essenziali per ottimizzare le prestazioni e l’efficienza dei sistemi HPC e AI. La disaggregazione unisce le prestazioni e la specializzazione del bare metal alla flessibilità e all’adattabilità della virtualizzazione e dell’astrazione. La crescente eterogeneità e la natura dinamica dei calcoli eseguiti sulle infrastrutture HPC richiedono metodi dinamici e in grado di adattarsi a diverse esigenze per l’allocazione delle risorse e un sistema flessibile ed efficiente dal punto di vista energetico. Nelle infrastrutture informatiche federate, ciò può supportare meccanismi avanzati di tolleranza ai guasti, tra cui processi di ripristino automatizzati e riallocazione delle risorse, nonché il reindirizzamento delle applicazioni tra i centri. Su scala più ampia, il futuro sarà probabilmente rappresentato dai tessuti fotonici, dati i vantaggi che offrono in termini di latenza, capacità di scalare e potenza.

Mixed precision HPC. Il futuro del calcolo scientifico FP64 si trova di fronte a sfide, poiché l’hardware dà sempre più priorità alla precisione mista per l’efficienza energetica e le prestazioni soprattutto per l’inferenza in ambito AI. Gli acceleratori moderni, come le GPU e le TPU, ottimizzano i formati a bassa precisione (ad esempio, FP16, FP8) per i carichi di lavoro dell’intelligenza artificiale, riducendo il supporto per la tradizionale doppia precisione (FP64). Questo cambiamento rappresenta un rischio per i campi scientifici che richiedono calcoli ad alta precisione, come le simulazioni, la modellazione climatica e la fisica quantistica. Per colmare questo divario sono necessari nuovi algoritmi che sfruttino la precisione mista senza compromettere l’accuratezza. Le tecniche di compensazione degli errori e le strutture di precisione adattive sono soluzioni emergenti. Tuttavia, garantire la riproducibilità, la stabilità e l’affidabilità dei risultati scientifici rimane un ostacolo critico in questa transizione.

ALTERNATIVE EMERGENTI (ovvero OLTRE LA LEGGE DI MOORE)

Le reti neuromorfiche diventeranno una realtà. I processori e gli acceleratori tradizionali basati su semiconduttori per l’HPC e l’AI continueranno a essere utilizzati perché rappresentano un ottimo compromesso in termini di costi, efficienza, prestazioni, disponibilità, disponibilità dell’intero stack, ecc. Ma questi componenti incontreranno molto presto dei limiti fisici per la miniaturizzazione e diversi ostacoli potrebbero limitare qualsiasi ulteriore evoluzione. Credo assisteremo presto a progressi significativi nelle applicazioni reali dell’informatica neuromorfiche, un paradigma ispirato alla struttura e al funzionamento delle reti neurali biologiche, che imita la capacità del cervello umano di elaborare le informazioni in modo efficiente, adattivo e a basso consumo energetico. L’informatica neuromorfa sta per diventare una tecnologia matura, basata su architetture hardware progettate per emulare i neuroni e le sinapsi, come le reti neurali spiking (SNN), che elaborano grandi insiemi di dati ed eseguono operazioni come le moltiplicazioni matriciali, che sono fondamentali per gli algoritmi di intelligenza artificiale.

L’elaborazione in memoria (PIM), in-memory (IMC) e near-memory (NMC) raggiungerà la maturità. Le soluzioni PIM con IMC o NMC potrebbero avere un impatto drammatico sul panorama dell’accelerazione dell’intelligenza artificiale. È prevedibile che anche la tecnologia delle memorie non volatili 3D, come NAND e NOR Flash, possa essere sfruttata per il PIM, con il potenziale di ottenere una memoria densa, altamente efficiente dal punto di vista energetico, a basso costo e con prestazioni di alto livello per gli acceleratori di inferenza. In questo senso, l’ascesa delle architetture RISC-V ha aperto le porte a un modo più conveniente di creare un’interfaccia di questo tipo, sfruttando inizialmente la personalizzazione dell’Isa. All’orizzonte si profilano sempre più progetti basati su istruzioni personalizzate RISC-V. E4 ha costruito il primo cluster RISC-V in Europa dedicato all’HPC (Monte Cimone)

La nano memoria ceramica sconvolgerà il mercato. Un problema centrale a lungo termine nell’informatica è la disponibilità di dati per lunghi periodi di tempo, poiché HDD e SSD richiedono sostituzioni periodiche; come potremo accedere ai dati di oggi tra 50/100 anni? Un altro problema è l’energia necessaria per far girare i dischi meccanici o per far funzionare quelli a stato solido. Un’alternativa molto interessante è la nano memoria ceramica. In linea di massima, si tratta di incidere un nanostrato di ceramica per memorizzare i dati in modo analogo a quello che sarebbe un “nano codice QR”. La tecnologia è destinata a raggiungere nei prossimi anni un costo dei supporti inferiore a 1USD per TB e sarà in grado di operare in condizioni estremamente difficili con una durata prevista dagli esperimenti di invecchiamento di centinaia di anni.

FANTASCIENZA

L’informatica basata sulla biologia e sulla chimica attirerà interesse e finanziamenti. Il DNA computing è una tecnologia innovativa che combina l’informatica con la biologia molecolare e utilizza il parallelismo naturale delle strutture del DNA per eseguire compiti di calcolo. Il DNA computing è molto promettente: in teoria, un singolo centimetro cubo può contenere oltre 10 trilioni di molecole di DNA, ciascuna in grado di eseguire un calcolo simultaneamente e di memorizzare fino a 10 terabyte di dati. Queste prestazioni metterebbero il DNA computing in competizione con il Quantum Computing per problemi non facilmente affrontabili con il calcolo classico (basato sul silicio), potenzialmente a una frazione dei costi energetici, non dovendo lavorare a temperature prossime allo zero assoluto. Tuttavia, per arrivare a una valutazione preliminare della sua idoneità per l’HPC e l’AI, è necessario affrontare diverse sfide e limitazioni. Tra queste sfide, la scalabilità e l’efficienza delle reazioni molecolari rappresentano un ostacolo importante: all’aumentare del numero di molecole di DNA partecipanti, la specificità e l’efficienza di queste reazioni possono deteriorarsi, rendendo difficile la scalabilità del circuito. Esistono limitazioni anche per quanto riguarda la velocità e l’efficienza: attualmente i “calcoli” sono più lunghi di ordini di grandezza rispetto al silicio.

L’anno in corso inaugura un’era di sfide e opportunità senza precedenti nel panorama dell’HPC e dell’AI. La crescente domanda di potenza di calcolo si confronterà con la necessità di soluzioni sostenibili ed efficienti dal punto di vista energetico, aprendo la strada a tecnologie innovative come le infrastrutture disaggregate. Allo stesso tempo, nuovi paradigmi di calcolo come l’informatica neuromorfa e l’elaborazione in memoria promettono di rivoluzionare il modo in cui elaboriamo le informazioni.