IT knowledge base
CTRL+F per cercare la tua parola chiave

Il primo supercomputer DGX-1 basato su Tesla V100 sarà utilizzato in medicina

Gli scienziati del Center of Clinical Data Science saranno i primi a elaborare i dati utilizzando il supercomputer di deep learning DGX-1 alimentato da otto GPU Tesla V100. V100 mostra il risultato a 960 teraflop calcoli FP16 grazie alla tecnologia Volta Tensor Core.
/ Flickr / Fritzchens Fritz / PD
La piattaforma del data center Tesla V100 è stata presentata a maggio 2017. Contiene 21,1 miliardi di transistor, è costruito su un processo FinFET a 12 nanometri e i singoli 640 Tensor core vengono utilizzati per alimentare le reti neurali, producendo 120 teraflop di deep learning.
Nvidia ha aggiornato il suo bus NVLink - ora "sviluppa" 300 Gbps, che è quasi il doppio della precedente implementazione. Ciò è stato possibile aumentando il numero di contatti da quattro a sei e ampliando la larghezza di banda a 25 Gbps. Anche il modulo di memoria HBM2 3D ha ricevuto miglioramenti: la larghezza di banda è aumentata a 900 Gb / s.
Il Center of Clinical Data Science si concentra sull'automazione e sull'apprendimento automatico nel settore sanitario. Stanno lavorando su una rete neurale che analizza i dati degli studi sui pazienti e aiuta ulteriormente a rendere le diagnosi più veloci.
“I medici hanno a che fare con una mole enorme di informazioni: esami di laboratorio, risonanza magnetica, tomografia, dati sullo stato di salute dei familiari e molto altro. Questo rende incredibilmente difficile prendere decisioni. La tecnologia che aiuta i medici a diagnosticare può ottimizzare il loro lavoro ", ha affermato Mark Michalski, direttore esecutivo del CCDS.
In futuro, ci si aspetta che i radiologi dispongano di un assistente AI per aiutare con le diagnosi. I medici stanno ora esaminando le immagini nell'ordine in cui sono state scattate. E l'intelligenza artificiale sarà in grado di determinare immediatamente quali di loro sono i più problematici per inviare uno specialista. Inoltre, grazie alle reti neurali, gli assistenti saranno in grado di analizzare le immagini letteralmente pixel per pixel, per poi confrontarle con altre informazioni sui pazienti e fare rapidamente una diagnosi.
Utilizzando vecchie apparecchiature, i ricercatori hanno sviluppato algoritmi per la diagnostica cardiologica, oftalmologica, dermatologica e psichiatrica. Con il DGX-1 alimentato dalle GPU Volta, questi algoritmi diventeranno più precisi e più ampiamente utilizzati.

Chi altro sta usando la GPU?

Sempre più applicazioni supportano il GPU Computing, compresi i framework per lo sviluppo dell'intelligenza artificiale. Pertanto, molti data center che si occupano di deep learning lavorano contemporaneamente con GPU e CPU: il formato è chiamato elaborazione eterogenea. Pertanto, è possibile trarre il meglio da entrambi i tipi di core: la GPU affronta calcoli matematici ad alta intensità di risorse e la CPU "prende in mano" il lavoro del sistema operativo e numerose operazioni semplici.
Secondo uno studio condotto da scienziati dell'Università della California, rispetto ai data center con core di elaborazione dello stesso tipo, quelli eterogenei hanno prestazioni superiori del 21% e un'efficienza energetica superiore del 23%.
Facebook utilizza la potenza della GPU nei suoi sistemi di intelligenza artificiale e apprendimento automatico. Il corrispondente laboratorio all'interno dell'azienda sviluppa reti neurali per risolvere problemi specifici.
Secondo a esperti regionali, la quantità di dati che le aziende raccogliere è in aumento. Pertanto, le GPU stanno iniziando a essere utilizzate non solo per lavorare con calcoli ad alta intensità di risorse per l'addestramento delle reti neurali. Ma anche per lavorare con i database.
Ad esempio, Nike utilizza server GPU e software MapD per analizzare la cronologia delle vendite e prevedere la domanda in regioni specifiche. Un altro client MapD, Verizon, utilizza sistemi GPU per analizzare i log dei server che tengono traccia dei telefoni cellulari.
Offre server con accelerazione GPU e provider cloud. Compresa la società IT-GRAD. La soluzione consente di sperimentare progetti di supporto analitici o visivi. I sistemi GPU offrono alle organizzazioni la possibilità di analizzare rapidamente grandi insiemi di dati e, in alcune situazioni specifiche, possono sostituire interi cluster di server.
PS Alcuni materiali correlati dal nostro blog:
  • Perché i test di velocità dell'unità laptop possono essere migliori del server cloud?
  • Come gestire i picchi di carico con IaaS
  • VMware NSX reinventa la sicurezza sanitaria