Exa-MA - Méthodes et algorithmes pour Exascale

Responsables projet : Jean-Yves Berthou de l’Inria, Jérôme Bobin du CEA, Michaël Krajecki du CNRS.

Membre impliqué : El-Ghazali Talbi Université de Lille, CRIStAL
WP5 Optimize at Escale

Équipe : BONUS du Groupe Thématique : OPTIMA

Dates : 2022 / 2027

Résumé :

Il existe un nombre croissant de problèmes pour lesquels les expériences sont impossibles, dangereuses ou extrêmement coûteuses.

Le calcul à l’échelle extrême permet de résoudre des modèles prédictifs beaucoup plus précis et d’analyser des quantités massives de données grâce à l’IA.
La combinaison de la modélisation prédictive avec les données, associée à l’apprentissage automatique et aux stratégies d’IA, peut créer de nouvelles opportunités dans le domaine scientifique.
En particulier, passer de l’humain dans la boucle à une conception, une découverte ou une évaluation hybrides basées sur l’humain et l’intelligence artificielle.

Cependant, plusieurs défis scientifiques et techniques doivent être relevés pour exploiter les capacités de calcul exascales.
Ces goulets d’étranglement ont un impact profond sur les méthodes et les algorithmes à tous les niveaux de la chaîne d’outils de simulation :

(i) éviter la communication,
(ii) grain parallèle adaptatif et plus intensif en calcul au niveau des nœuds,
(iii) la gestion du matériel hétérogène et des représentations de données, et
(iv) l’auto-paramétrage.

Le projet Exa-MA se concentre sur les aspects Exascale des méthodes numériques, en garantissant leur adaptabilité au matériel existant et à venir.
De plus, il s’agit d’un projet transversal, proposant des méthodes et des outils où la modélisation, les données et l’IA, à travers les algorithmes, sont centrales.

Abstract

There are a growing number of problems for which experiments are impossible, dangerous or extremely costly.

Extreme-scale computing makes it possible to solve much more accurate predictive models and analyze massive amounts of data using AI.
Combining predictive modeling with data, coupled with machine learning and AI strategies, can create new opportunities in science.
In particular, moving from human-in-the-loop to hybrid design, discovery or evaluation based on humans and artificial intelligence.

However, a number of scientific and technical challenges need to be overcome to exploit exascale computing capabilities.
These bottlenecks have a profound impact on methods and algorithms at all levels of the simulation tool chain :

(i) communication avoidance,
(ii) adaptive and more computationally intensive parallel kernels at node level,
(iii) management of heterogeneous hardware and data representations, and
(iv) self-parameterization.

The Exa-MA project focuses on the Exascale aspects of numerical methods, ensuring their adaptability to existing and future hardware.
Moreover, it is a cross-disciplinary project, proposing methods and tools where modeling, data and AI, through algorithms, are central.