Чтобы устранить узкое место «параллельности в пространстве», некоторые ученые-компьютерщики используют так называемые методы «параллельности во времени», которые восходят к работе 1960-х гг. Юрга Нивергельта из Иллинойсского университета в Урбане-Шампейне[165]. В то время как традиционные параллельные вычисления состоят из множества операций, выполняемых одновременно, подход «параллельно во времени» предполагает одновременное выполнение нескольких временных шагов. Части решения, полученные позднее во времени, могут быть вычислены итерационным способом до того, как будет известно более раннее решение. Одним из примеров является «метод стрельбы», при котором за грубыми оценками, которые можно быстро вычислить, следуют итеративные поправки, подобно тому, как наводчик приближается к цели с каждым выстрелом, в зависимости от того, куда приземляется каждый последующий снаряд. Это лежит в основе одного из самых известных подходов, работающих параллельно во времени, называемого парареалистическим алгоритмом[166].
Распространение параллельных вычислений на время и пространство помогло укротить турбулентность, которую Ричард Фейнман назвал самой важной нерешенной проблемой классической физики[167]. Питер и его коллеги показали, как преобразовать странный аттрактор, с которым мы столкнулись в предыдущей главе, в нестабильный хаос турбулентности жидкости, используя метод «параллельно во времени», который устраняет и последовательное интегрирование на протяжении многих временных шагов, и ошибки, которые впервые допустил Лоренц[168].
Но турбулентность создает особые проблемы даже для этого метода. Если энергия в потоке высока, а жидкость недостаточно вязкая, чтобы ее рассеивать, движение переходит от упорядоченного (ламинарный поток) к хаотическому (турбулентный поток), создавая водовороты, которые постоянно распадаются на более мелкие вихри и водовороты и т. д. В идеале хотелось бы смоделировать турбулентное движение до мельчайших уровней в так называемом масштабе Колмогорова.
Однако, хотя параллельная обработка, кажется, предлагает способ сделать это, сложность этих вычислений зависит примерно от куба (третьей степени) числа Рейнольдса – отношения между силами инерции и вязкими силами в жидкости – и это число для турбулентного потока может быть порядка миллиона, что делает численное моделирование недоступным для большинства компьютеров, хотя некоторые петамасштабные машины (JUGENE в Германии, Intrepid и Ranger в США) добились прогресса. С появлением экзафлопсных вычислений бурные детали турбулентности станут понятнее.
На что способна экзафлопсная машина?
Мы уже вступили в эпоху экзашкалы. Каждый год за выдающиеся достижения в области высокопроизводительных вычислений вручается Премия Гордона Белла. В 2020 г. она досталась команде из Беркли, Принстона и Пекина за молекулярно-динамическое моделирование траектории длиной в 1 нс, состоящей из более чем 100 миллионов атомов, на суперкомпьютере Summit, разработанном IBM для Ок-Риджской национальной лаборатории в Теннесси. Для этого моделирования требовалась экзафлопсная скорость, то есть 1 квинтиллион операций в секунду[169].
О достижении высоких показателей производительности также в 2020 г. сообщил проект распределенных вычислений Folding@home, в рамках которого пользователи загружают программу, которая может использовать доступную вычислительную мощность ПК для решения биомедицинских проблем[170]. Когда все 700 000 участников были онлайн, общая мощность проекта составляла более 1,5 квинтиллиона операций в секунду[171]. В мае 2022 г. суперкомпьютер Frontier в Ок-Риджской национальной лаборатории, охлаждаемый 6000 галлонами воды каждую минуту, работал на частоте 1,1 экзафлопса, при этом теоретическая пиковая производительность, согласно результатам эталонного теста, используемого для оценки 500 лучших машин на планете, составляла 2 экзафлопса[172].
Возможности, открывающиеся в новую эпоху вычислений, ограничены только воображением. Экзафлопсные машины смогут моделировать взаимодействия частиц для экспериментов на Большом адронном коллайдере (БАК) ЦЕРН, 27-километровой разбивающей установке под Женевой, где в 2012 г. были представлены доказательства существования бозона Хиггса. Для потока данных от Square Kilometre Array (SKA) в Австралии и Южной Африке, крупнейшего в мире радиотелескопа, состоящего из тысяч тарелок и до миллиона низкочастотных антенн, потребуются два суперкомпьютера. Цифровой ливень, который ожидается от SKA, будет в 100 000 раз быстрее, чем прогнозируемая средняя глобальная скорость широкополосного доступа в 2022 г. SKA станет крупнейшим проектом по работе с большими данными в известной Вселенной.
Небеса откроются с помощью экзафлопсных машин. Например, в рамках проекта Aurora exascale разрабатывается программа «Вычисление неба в экстремальных масштабах», или ExaSky, чтобы космологи могли создавать «виртуальные вселенные», составляя картографию космоса с предельной точностью, необходимой для будущих исследований неба на разных длинах волн. Когда телескоп войдет в эксплуатацию, экзафлопсные машины создадут модели вселенных с различными параметрами, что позволит исследователям определить, какие модели наиболее точно соответствуют наблюдениям.
Эти титаны информационного века могут предсказать и понять будущие катастрофы. Модель Energy Exascale Earth System должна воспроизводить реальные наблюдения и спутниковые данные, помогая определить, где повышение уровня моря или штормовые нагоны могут нанести наибольший ущерб[173]. Код также использовался для изучения последствий ограниченной ядерной войны. Команда Ливерморской национальной лаборатории Лоуренса в Калифорнии смоделировала обмен 100 ядерными боеголовками мощностью 15 килотонн (каждая из которых примерно эквивалентна бомбе «Малыш», сброшенной на Хиросиму) между Индией и Пакистаном, используя модель исследования и прогнозирования погоды для моделирования выбросов черного углерода от ядерных пожаров, а затем ввели результаты в Energy Exascale Earth System, чтобы показать: дым от 100 одновременных огненных бурь будет блокировать солнечный свет примерно четыре года[174].
Экзафлопсные машины, хотя и потребляют много энергии, помогут многим из нас жить спокойнее. Более 50 % мирового населения проживает в городских районах, и это число растет. По мере того как города станут умнее и будет собираться больше данных в режиме реального времени, появятся новые возможности использования экзафлопсных компьютеров для составления графиков воздействия инфраструктуры, технологий, погодных условий и многого другого. В качестве примера можно привести моделирование, которое используется для планирования управления водными ресурсами в нижней части долины Рио-Гранде на самой южной оконечности Техаса и в северном Тамаулипасе, Мексика[175].
Эти вычислительные «рабочие лошадки» также будут использоваться в поисках термоядерной энергии, которая открывает перспективы получения чистого, безуглеродного источника энергии в огромных масштабах. Используя экзафлопсные машины, можно построить симуляцию, чтобы разработать способы предотвращения серьезных нарушений термоядерных реакций, таких как разрушительное высвобождение огненной плазмы изнутри магнитно-удерживаемой ловушки. Одна из форм искусственного интеллекта – глубокое обучение с подкреплением, которое мы рассмотрим в следующей главе, – показала многообещающий результат, когда была обучена выполнять сложную работу по захвату горячей, нестабильной по своей сути плазмы с помощью магнитных полей[176]. Таким образом, термоядерные технологии можно будет виртуально протестировать перед использованием[177]. С точки зрения физики термоядерный синтез представляет собой одну из самых сложных задач моделирования, требующую объединения около девяти отдельных уровней описания. Однако, опять же, эта задача невелика в сравнении с тем, что требуется для создания виртуального человека.
Можно ли верить компьютеру?
Поскольку компьютеры становятся все более мощными, можем ли мы положиться на них, чтобы сделать науку более объективной? Оставляя в стороне фундаментальные ограничения вычислений, рассмотренные в предыдущей главе, заметим следующее: компьютеры настолько умны, насколько умны люди, которые их используют, пишут алгоритмы, предоставляют данные и курируют все эти данные и алгоритмы. Это очень важно, поскольку компьютеры лежат в основе современной науки, а также способны делать прогнозы, для которых нет экспериментальных данных[178][179].
Существует множество задокументированных примеров проблем воспроизводимости в медицинской науке, а также в психологической науке и когнитивной нейробиологии. Хотя худшие опасения по поводу «кризиса воспроизводимости», вероятно, преувеличены, последствия могут быть глубокими. В качестве примера можно привести печально известные исследования вакцины MMR, проведенные британским активистом Эндрю Уэйкфилдом, которые проложили путь к всплеску взглядов против вакцинации, которые, по прогнозам, будут расти, согласно анализу мнений почти 100 миллионов человек в соцсетях