machinaal leren, een vorm van kunstmatige intelligentie, geniet ongekend succes in commerciële toepassingen. Echter, het gebruik van machine learning in high-performance computing voor de wetenschap is beperkt. Waarom? Geavanceerde tools voor machine learning zijn niet ontworpen voor grote datasets, zoals die werden gebruikt om sterren en planeten te bestuderen. Een team van Intel, Nationaal Energieonderzoek Wetenschappelijk Rekencentrum (NERSC), en Stanford veranderde die situatie. Ze ontwikkelden de eerste 15 petaflop deep-learning software. Ze demonstreerden het vermogen om grote datasets te verwerken via testruns op de Cori-supercomputer.

Met behulp van machine learning-technieken op supercomputers, wetenschappers konden inzichten halen uit grote, complexe datasets. Krachtige instrumenten, zoals versnellers, enorme datasets produceren. De nieuwe software zou 's werelds grootste supercomputers in staat kunnen stellen om dergelijke gegevens in te passen in deep learning-toepassingen. De resulterende inzichten kunnen de modellering van aardsystemen ten goede komen, fusie-energie, en astrofysica.

Machine learning-technieken bieden mogelijkheden om wetenschappers in staat te stellen waardevolle inzichten te extraheren uit grote, complexe datasets die worden geproduceerd door versnellers, lichtbronnen, telescopen, en computersimulaties. Hoewel deze technieken veel succes hebben gehad in een verscheidenheid aan commerciële toepassingen, het gebruik ervan in high-performance computing voor de wetenschap is beperkt omdat bestaande tools niet zijn ontworpen om te werken met de terabyte tot petabyte datasets die in veel wetenschappelijke domeinen worden aangetroffen.

Om dit probleem aan te pakken is een samenwerking tussen Intel, het National Energy Research Scientific Computing Center, en Stanford University heeft gewerkt aan het oplossen van problemen die zich voordoen bij het gebruik van deep learning-technieken, een vorm van machine learning, op terabyte en petabyte datasets. Het team ontwikkelde de eerste deep-learningsoftware van 15 petaflops. Ze demonstreerden de schaalbaarheid voor data-intensieve toepassingen door een aantal trainingsruns uit te voeren met behulp van grote wetenschappelijke datasets. De runs gebruikten op fysica en klimaat gebaseerde datasets op Cori, een supercomputer in het National Energy Research Scientific Computing Center. Ze behaalden een pieksnelheid tussen 11,73 en 15,07 petaflops (enkele precisie) en een gemiddelde aanhoudende prestatie van 11,41 tot 13,47 petaflops. (Een petaflop is een miljoen miljard berekeningen per seconde.)