La puissance de calcul : un mariage entre technologies et applications

Dis­po­ser de la puis­sance de cal­cul néces­saire à cer­tains tra­vaux exige d’avoir accès à des centres dédiés, entou­rés de la com­pé­tence de dizaines de spé­cia­listes en tout genre. La France conserve une auto­no­mie de déve­lop­pe­ment de super­cal­cu­la­teurs face à des pays qui inves­tissent mas­si­ve­ment dans ce domaine. 

Les appli­ca­tions propres au monde des sciences et de l’industrie sont en moyenne plus intenses en cal­cul et trai­te­ments que les tâches tran­sac­tion­nelles au pro­fit du Web, de la mes­sa­ge­rie, des réseaux sociaux ou encore de maintes tâches d’informatique d’entreprise.

“ Les plus grands centres de calcul scientifique actuels voient leur capacité mesurée en dizaines de pétaflops ”

En effet, la réso­lu­tion des pro­blèmes scien­ti­fiques concer­nés – tant dans la recherche aca­dé­mique que dans l’industrie – néces­site des capa­ci­tés de cal­cul mas­si­ve­ment paral­lèles et for­te­ment cou­plées, avec gros débits et faibles latences de com­mu­ni­ca­tion entre pro­ces­seurs et serveurs. 

Cela dis­qua­li­fie les solu­tions très dis­tri­buées, au pro­fit de super­cal­cu­la­teurs « loca­li­sés » et à réseau interne spé­ci­fique – en per­ma­nence au-delà des capa­ci­tés de réseaux longue dis­tance ou classiques. 

DES ÉCURIES DE FORMULE 1

Beau­coup des tech­no­lo­gies de base (pro­ces­seurs, mémoires) sont com­munes entre super­cal­cu­la­teurs et ser­veurs plus géné­riques, même si le cal­cul haute per­for­mance (en anglais HPC, pour High Per­for­mance Com­pu­ting) uti­lise plu­tôt le haut de gamme des com­po­sants pro­duits par ailleurs en masse. 

Ce sont donc sur­tout la den­si­té et l’intégration plus pous­sées qui carac­té­risent les archi­tec­tures en clus­ters uti­li­sées et leur envi­ron­ne­ment local, qui com­porte aus­si des sys­tèmes de refroi­dis­se­ment adap­tés, et des sys­tèmes de sto­ckage de masse. 

Les plus grands centres de cal­cul scien­ti­fique actuels voient leur capa­ci­té mesu­rée en dizaines de péta­flops (cal­cul) et de péta­oc­tets¹ (sto­ckage) – voir les sta­tis­tiques sur www.top500.org. Les sys­tèmes logi­ciels de ces machines sont adap­tés à l’administration de masse, à la ges­tion de res­sources par­ta­gées par des cen­taines d’utilisateurs dis­tants, à la pro­gram­ma­tion paral­lèle mas­sive des applications. 

Enfin, les équipes de sup­port et d’exploitation peuvent regrou­per des dizaines de spé­cia­listes de nom­breux sujets – une sorte d’analogue à une équipe tech­nique d’écurie de For­mule 1. 

DES CENTRES DE COMPÉTENCES PLURIDISCIPLINAIRES

Pen­chons-nous sur les ver­tus et voca­tions de ces infra­struc­tures de cal­cul et de trai­te­ment de don­nées. Ces infra­struc­tures sont pri­vées (par exemple, pro­prié­té de grands indus­triels ou de grou­pe­ments d’intérêt), ou publiques (au ser­vice de la recherche publique) et de dif­fé­rentes échelles, crois­santes : régio­nale, natio­nale, internationale. 

“ La France est ainsi l’un des rares pays à conserver une autonomie de développement de supercalculateurs ”

Les centres de cal­cul sont plus ou moins géné­ra­listes (pri­vés, ils seront sou­vent plus spé­cia­li­sés, mais des com­mu­nau­tés de recherche peuvent dis­po­ser de centres qui leur sont réser­vés, comme la fusion pour l’énergie).

Mais sur­tout, ce sont des centres de com­pé­tences : à la fois sur les tech­no­lo­gies en per­pé­tuelle évo­lu­tion, sur les méthodes de déve­lop­pe­ment logi­ciel, sur le sup­port aux uti­li­sa­teurs – en plus des mis­sions de base de bonne exploi­ta­tion des machines et de ser­vices de base associés. 

UN PATRIMOINE À VALORISER

Cette notion de centre de com­pé­tences est en fait cru­ciale, elle doit être une ambi­tion en soi. 

Il s’agit de faire fruc­ti­fier le patri­moine ines­ti­mable de savoir-faire résul­tant de cette posi­tion pri­vi­lé­giée d’observatoire glo­bal : lieu de vie des grandes appli­ca­tions de cal­cul et trai­te­ment de don­nées, per­met­tant des opti­mi­sa­tions plus glo­bales et com­munes, des anti­ci­pa­tions tech­no­lo­giques plus mûries et au final de meilleurs ser­vices hau­te­ment par­ta­gés, invo­quant par­fois des com­pé­tences très poin­tues et rares en trai­te­ment de don­nées, admi­nis­tra­tion de masse, algo­rith­mique avan­cée, etc. 

De plus, les grands centres de cal­cul peuvent avoir une rela­tion pri­vi­lé­giée avec les grands four­nis­seurs de tech­no­lo­gie (com­po­sants ou sys­tèmes) : accès et test pré­coces pour mieux anti­ci­per les évo­lu­tions ; voire concep­tion conjointe des sys­tèmes de cal­cul futurs : le CEA fait cela depuis quinze ans avec Bull (Atos) avec le sou­tien d’un Plan d’investissement d’avenir.

La France est ain­si l’un des rares pays au monde à vou­loir et pou­voir déve­lop­per et conser­ver une auto­no­mie de déve­lop­pe­ment de supercalculateurs. 

COLOCALISER DONNÉES ET TRAITEMENT

La place crois­sante prise par la pro­blé­ma­tique des don­nées impose de pen­ser une juste (co)localisation des cal­culs et des don­nées. On rap­proche aujourd’hui plus aisé­ment un cal­cul de l’entrepôt de don­nées que l’on ne déplace les pétaoctets. 

“ Le calcul haute performance n’est pas aisément soluble dans du cloud totalement banalisé ”

Les grands cal­culs pro­duisent sou­vent de grandes masses de don­nées locales ; à trai­ter, inter­pré­ter, par­fois redis­tri­buer au mieux ensuite par par­ties ; des grandes masses de don­nées d’origine quel­conque (cal­cul mais aus­si, de plus en plus, issues a prio­ri de cap­teurs, réseaux sociaux, etc.) peuvent béné­fi­cier de la proxi­mi­té de forte puis­sance de cal­cul afin de les trai­ter et exploiter. 

On observe notam­ment une forte et rapide évo­lu­tion des besoins d’analyse de don­nées (data ana­ly­tics, machine lear­ning, deep lear­ning) dont cer­tains algo­rithmes pour­raient dépas­ser les besoins en puis­sance de cal­cul de ceux de la simu­la­tion numé­rique – pas vouée à dis­pa­raître pour autant ! 

Les grandes infra­struc­tures de cal­cul sont donc bien des lieux pri­vi­lé­giés où faire vivre et évo­luer la rela­tion des grands cal­culs aux grandes masses de don­nées, par évo­lu­tion des archi­tec­tures et ser­vices offerts, sur la base de forte com­pé­tence his­to­rique de ges­tion de sys­tèmes et de ser­vices mutua­li­sés complexes. 

La Chine inves­tit dans ce domaine avec une volon­té et des moyens consi­dé­rables. © EYETRONIC

UN BESOIN DURABLE DE GRANDES INFRASTRUCTURES

Enfin, l’informatique en nuage (cloud) est per­çue comme une ten­dance lourde pou­vant refor­mu­ler poten­tiel­le­ment tous les usages de l’informatique.

Il s’agit en fait d’abord d’un mode d’accès à dis­tance, et d’organisation plus « vir­tua­li­sée » des ser­vices, que les grands centres de cal­cul pra­tiquent déjà très couramment. 

Le cal­cul haute per­for­mance n’est pas aisé­ment soluble dans du cloud tota­le­ment bana­li­sé ; il requiert de toute façon les archi­tec­tures tech­ni­que­ment adap­tées décrites précédemment. 

Les rendre acces­sibles en mode cloud, c’est sur­tout en aug­men­ter la sou­plesse d’accès (« élas­ti­ci­té », qui peut aus­si béné­fi­cier à des uti­li­sa­teurs plus occa­sion­nels on non ins­ti­tu­tion­nels comme des PME ou des ETI). 

En conclu­sion, cal­cul inten­sif et masses de don­nées ont tou­jours coexis­té en cal­cul scien­ti­fique. La crois­sance uni­ver­selle des masses de don­nées pro­duites et/ou trai­tées dans des domaines de plus en plus variés ne fait que ren­for­cer la valeur des grandes infra­struc­tures de cal­cul capables de trai­ter les pro­blèmes aux frontières. 

__________________________________
1. Péta = 10¹⁵, soit un mil­lion de mil­liards (~2⁵⁰).

NDLR : Qu’est-ce qu’un flop ?

---

Articles similaires :

Les tech­no­lo­gies numé­riques clés du futur Pas d’ITER sans numérique Éty­mo­lo­gie :
À pro­pos de simu­la­tion et supercalculateurs Vers une mobi­li­té durable, sûre, effi­ciente et abordable Des approches mul­tié­chelles pour les maté­riaux et l’industrie manufacturière