Penggabungan ke kuantum: 9 proyek disiapkan untuk superkomputer Discovery baru di AS
Superkomputer skala besar berikutnya di Amerika telah menghadapi tantangan ilmiah pertamanya. Superkomputer Discovery diperkirakan baru akan online pada tahun 2028, namun Departemen Energi AS sedang menyiapkan sembilan aplikasi yang siap dijalankan ketika mesin tersebut sudah tersedia. Sistem ini akan menggantikan Frontier di Laboratorium Nasional Oak Ridge dan mendukung tujuan Misi Genesis untuk mempercepat ilmu pengetahuan dan teknik melalui AI. Berikut sembilan proyek sains yang dipilih untuk mendorong kekuatan Discovery di bidang penerbangan, fusi, material kuantum, astrofisika, dan penelitian energi. 1. Mesin turbin gas GlennHT sangatlah kompleks, terutama ketika turbulensi, aliran sekunder, dan pendinginan film mulai memengaruhi kinerja dan suhu komponen. Di sinilah GlennHT berperan. Dipimpin oleh Kenji Miki dari NASA, proyek ini akan membantu para peneliti menjalankan simulasi pusaran air besar untuk mesin turbin gas. Simulasi ini lebih akurat dibandingkan simulasi Navier-Stokes dengan rata-rata Reynolds standar, namun secara komputasi juga jauh lebih mahal. GPU AMD Discovery diharapkan dapat membantu NASA menjalankan simulasi turbomachinery rutin pada skala dan kompleksitas yang belum pernah terjadi sebelumnya. 2. GIZMO Materi gelap masih menjadi salah satu pertanyaan terbesar yang belum terpecahkan dalam astrofisika, dan untuk memahaminya memerlukan simulasi yang dapat menghubungkan hal-hal yang sangat besar dengan hal-hal yang sangat kecil. GIZMO, yang dipimpin oleh Philip Hopkins dari California Institute of Technology, akan menggunakan Discovery untuk memodelkan fisika kosmologis dalam skala yang sangat luas. Proyek ini akan mempelajari segala sesuatu mulai dari jaringan kosmik hingga lubang hitam supermasif. Hal ini juga akan menguji bagaimana efek yang lebih kecil dan lebih cepat, seperti jet dan aliran akresi, terhubung dengan struktur kosmik yang lebih besar. Dengan superkomputer Discovery, para peneliti berharap dapat membangun simulasi yang lebih besar dan detail dengan fisika yang lebih kaya. 3. QMCPACK Material kuantum dapat membentuk teknologi masa depan, namun simulasi perilakunya masih dibatasi oleh daya komputasi yang tersedia. QMCPACK, dipimpin oleh Paul Kent dari ORNL, berfokus pada material kuantum dan sifat-sifatnya, termasuk magnetisme dan konduktivitas. Memahami material ini secara lebih akurat dapat mendukung teknologi masa depan seperti komputasi kuantum dan formulasi material baru dengan elemen penting yang lebih sedikit. Superkomputer Discovery diharapkan memungkinkan QMCPACK menjalankan simulasi yang lebih besar, lebih cepat, dan lebih akurat, sekaligus membantu tolok ukur metode lain. 4. QUDA_LAPH Untuk memahami bagaimana proton dan neutron berinteraksi, para ilmuwan perlu memodelkan kromodinamika kuantum, atau QCD. QUDA_LAPH akan mendukung penelitian QCD, teori yang menjelaskan gaya kuat yang mengikat quark menjadi partikel subatom. Proyek ini dipimpin oleh Andre Walker-Loud dari Lawrence Berkeley National Laboratory dan bertujuan menggunakan Discovery untuk menjalankan simulasi yang lebih besar dengan perkiraan yang lebih sedikit. Hal ini dapat membantu para ilmuwan menghitung massa kuantum dengan lebih akurat dan lebih memahami interaksi yang melibatkan proton dan neutron. 5. ALF Simulasi atom bergantung pada perhitungan energi total dan gaya atom yang sangat tepat. Kerangka Pembelajaran Aktif, atau ALF, akan membantu para ilmuwan meningkatkan simulasi tersebut dengan berfokus pada potensi interatomik pembelajaran mesin, atau MLIP. Ini berada di antara medan gaya klasik dan metode mekanika kuantum. Dipimpin oleh Richard Messerly dari ORNL, proyek ini dapat menggunakan Discovery untuk mempercepat alur kerja ALF secara penuh, mulai dari pemilihan data dan menjalankan perhitungan mekanika kuantum hingga model pelatihan. Tujuannya adalah untuk membangun MLIP lebih cepat menggunakan kumpulan data yang lebih kecil dan lebih mudah dikelola. 6. S3D-Regent Turbin gas berbahan bakar fleksibel generasi berikutnya dapat membantu memenuhi kebutuhan energi, namun polusi nitrogen oksidanya belum sepenuhnya dipahami. S3D-Regent, dipimpin oleh Jacqueline Chen dari Sandia National Laboratories, akan memodelkan pencampuran api turbulen dan kimia kompleks di dalam turbin tersebut. Discovery akan memungkinkan para peneliti untuk menjalankan simulasi numerik langsung yang menangkap turbulensi skala besar dan ketidakstabilan skala kecil. Pekerjaan ini dapat mendukung desain turbin yang lebih bersih, aman, dan efisien. 7. GENESIS Mesin pesawat dengan kipas terbuka dapat mengurangi konsumsi bahan bakar sebesar 20 persen, namun simulasi aliran udara di sekitar mesin dan seluruh pesawat sangatlah menuntut. Proyek GENESIS dari GE Aerospace Research akan mengatasi tantangan tersebut menggunakan Discovery. Dipimpin oleh Eduardo Jourdan de Araujo Jorge Filho, proyek ini akan menggabungkan pembelajaran mesin dan model AI dengan pemecah LES yang canggih. Simulasi ini dapat melacak triliunan variabel dalam miliaran langkah waktu, membantu membuka jalan bagi desain pesawat kipas terbuka di masa depan. 8. PIConGPU Energi fusi menjanjikan potensi sumber energi bersih yang hampir tidak terbatas, namun desain reaktor masih menjadi tantangan teknis yang besar. PIConGPU akan mendukung penelitian fusi berbasis laser, termasuk desain target berstrukturnano tingkat lanjut. Proyek ini dipimpin oleh Sunita Chandrasekaran dari Universitas Delaware dan mencakup Helmholtz-Zentrum Dresden-Rossendorf di Jerman. Dengan menggunakan kekuatan komputasi Discovery dan pengoptimalan AI, para peneliti bertujuan untuk menjalankan simulasi dengan ketelitian tinggi yang dapat mengidentifikasi desain target fusi yang lebih efektif dengan lebih cepat dan dengan simulasi yang lebih sedikit. 9. SPARC Mengubah metana menjadi metanol telah lama menjadi tujuan industri energi, namun sifat kimianya masih sulit dijabarkan. SPARC, dipimpin oleh Phanish Suryanarayana dari Institut Teknologi Georgia, akan mempelajari proses konversi tersebut. Proyek ini berfokus pada katalis tembaga-zeolit, di mana para ilmuwan masih belum sepenuhnya memahami struktur tembaga-oksigen yang bertanggung jawab atas aktivasi ikatan karbon-hidrogen. Hasil eksperimen juga tidak sejalan dengan perhitungan teori fungsional kerapatan. SPARC akan menggunakan perhitungan pendekatan fase acak banyak benda, yang lebih akurat dibandingkan pendekatan DFT pada umumnya, untuk menghasilkan energi reaksi patokan dan hambatan aktivasi yang lebih andal. Kesimpulan Kesembilan proyek tersebut menunjukkan bagaimana Discovery dipersiapkan bahkan sebelum diluncurkan secara online. Mulai dari mesin pesawat terbang dan energi fusi hingga materi gelap, material kuantum, dan konversi metana, sistem ini diposisikan sebagai landasan peluncuran ilmu pengetahuan berbasis AI sejak hari pertama.
Diterbitkan : 2026-06-22 11:19:00
sumber : interestingengineering.com
