Kan en UNICORN undgå jordskælv?

Hvert år, alt fra nogle få hundrede til titusindvis af dødsfald tilskrives de katastrofale virkninger af store jordskælv. Bortset fra jordrysten, jordskælvsfare omfatter jordskred, dæmningen brister, oversvømmelser, og værre - hvis havbunden pludselig forskydes under et jordskælv, det kan udløse en dødelig tsunami.

Selvom jordskælv ikke kan forhindres, processer, der involverer Jordens tektoniske plader, der udgør dens skorpe og øvre kappe, kan give forskere spor om de mulige virkninger af disse forestående katastrofer, før de ankommer.

Et team ledet af professor Tsuyoshi Ichimura ved Earthquake Research Institute (ERI) ved University of Tokyo (UTokyo) studerer deformation af tektoniske plader for at hjælpe med fysikbaseret forudsigelse af naturkatastrofer som jordskælv. Specifikt, holdet simulerer en tektonisk pladegrænse, der strækker sig fra Vancouver, Britisk Columbia, ned til det nordlige Californien. Ved denne grænse - kaldet Cascadia Subduction Zone - kysten Explorer, Juan de Fuca, og Gorda -plader bevæger sig østpå og skifter under den nordamerikanske plade, en proces kendt som subduktion, der kan udløse store jordskælv og vulkansk aktivitet.

Holdet har for nylig udvidet og optimeret en af ​​sine videnskabelige koder til verdens mest kraftfulde og smarteste supercomputer til åben videnskab, IBM AC922 Summit på Oak Ridge Leadership Computing Facility (OLCF), et amerikansk energidepartement (DOE) Office of Science User Facility placeret på DOE's Oak Ridge National Laboratory (ORNL).

Ved at transformere det ustrukturerede endelige element ImpliCit solver med Structured Grid CoarseNing (UNICORN) kode til en kunstig intelligens (AI)-lignende algoritme, holdet kørte UNICORN på 416 petaflops og opnåede en 75 gange hurtigere hastighed fra en tidligere state-of-the-art solver ved fuldt ud at udnytte kraften i Tensor Cores på Summit's Volta GPU'er. Tensor Cores er specialiserede behandlingsenheder, der hurtigt udfører matrixmultiplikationer og additioner ved hjælp af blandede præcisionsberegninger.

"Tensorkernerne er ikke tilgængelige til bare enhver form for beregning, "sagde Kohei Fujita, adjunkt ved ERI. "Af denne grund, vi var nødt til at justere alle vores dataadgangsmønstre og multiplikationsmønstre, så de passer til dem. "Datatilgangsmønstre bestemmer, hvordan data fås i hukommelsen af ​​et softwareprogram og kan organiseres mere effektivt for at udnytte en bestemt computerarkitektur.

Ved hjælp af UNICORN, UTokyo -teamet simulerede en 1, 944 km × 2, 646 km × 480 km område ved Cascadia Subduction Zone for at se på, hvordan den tektoniske plade deformeres på grund af et fænomen kaldet et "fejlslip, " et pludseligt skift, der opstår ved pladegrænsen.

Holdet sagde, at den nye solver kan bruges som et værktøj til at hjælpe videnskabsmænd i den besværlige opgave med langsigtede jordskælvsprognoser - et mål, der, når det blev indset, kan føre til forudsigelse af jordskælv og katastrofebegrænsning.

Tidligere, teamet demonstrerede en generel tilgang til at introducere AI til videnskabelige applikationer i iMplicit sOlver med kunstig intelligens og tRasprecision computing, eller MOTHRA, kode - en præstation, der gav dem en Association for Computing Machinery Gordon Bell finalistnominering sidste år.

UNICORN udfører tættere beregninger, så det kan drage fuld fordel af Summit's unikke arkitektur, der indeholder 9, 216 IBM POWER9 CPU'er og 27, 648 NVIDIA Volta GPU'er. Det mest beregningsmæssigt dyre stykke af koden kørte på 1,1 exaflops ved hjælp af blandet præcision - en stor opgave for en kode, der er baseret på ligninger frem for dybe læringsberegninger. (Koder baseret på sidstnævnte er i sagens natur optimale for systemer som Summit.)

For fremtidige jordskælvsproblemer, holdet bliver nødt til at anvende UNICORN for at analysere jordskorpen og kappe reaktioner på et fejlskred over tid. Dette vil kræve tusindvis af simuleringer og derefter hundredvis eller tusindvis af yderligere iterationer for at sammenligne resultaterne med jordskælvsbegivenheder i den virkelige verden.

"For at nå vores jordskælvsprognosemål, vi bliver nødt til at lave mange simuleringer af skorpe deformation og derefter sammenligne vores resultater med observerede registreringer fra tidligere jordskælv, "Sagde Ichimura.

Holdet præsenterer dette arbejde på 2019 Supercomputing Conference, SC19, i en plakat med titlen "416-PFLOPS Fast Scalable Implicit Solver på lavordnede ustrukturerede endelige elementer accelereret af 1.10-ExaFLOPS Kernel med omformuleret AI-lignende algoritme:Til ligningsbaseret jordskælvsmodellering." Dette arbejde blev udført som fælles forskning med NVIDIA, ORNL, Japan Agency for Marine-Earth Science and Technology, University of Texas i Austin, og RIKEN. Derudover teamet præsenterer arbejdet på Workshop om acceleratorprogrammering ved hjælp af direktiver, der afholdes i forbindelse med SC19.