Superordenador exaflopic

Minimizar el movimiento de datos y reducir el consumo de energía también depende de las nuevas tecnologías de memoria, incluida la memoria del procesador, la memoria apilada y los enfoques de memoria no volátil .

La SRAM se puede integrar con un CMOS lógico de alto rendimiento, lo que permite una integración más rentable de grandes cantidades de memoria lógica en comparación con DRAM y flash en el mismo chip .

La red de comunicación de una supercomputadora interconecta miles de nodos. Para las máquinas exaflopicas, esta vez será necesario conectarlas diez veces más nodos que las máquinas petaflopic. La forma en que estos elementos de TI están conectados entre sí ( topología de red ) tiene un fuerte impacto en muchas características de rendimiento. Hay muchas topologías posibles para construir sistemas paralelos, como el toro, el árbol clásico o la libélula . Para que sea eficaz en Exascale , las comunicaciones deben realizarse de forma completamente autónoma sin involucrar los núcleos de los procesadores dedicados a los cálculos. El desafío es desarrollar nuevas arquitecturas de redes de interconexión íntimamente integradas con los nodos informáticos.

La energía eléctrica consumida por un ordenador se transforma en gran medida en calor ( efecto Joule ), lo que requiere la instalación de sistemas de refrigeración que también consumen mucha energía. La infraestructura de enfriamiento generalmente está diseñada para operar con las potencias máximas de los sistemas HPC implementados. Los diseñadores deben innovar para diseñar sistemas más eficientes.

Fiabilidad y resiliencia

Idealmente, los sistemas serían homeostáticos, se adaptarían a fallas de hardware y software sin intervención humana y continuarían operando hasta que el número de fallas sea demasiado grande para cumplir con los objetivos de desempeño, ya que los componentes fallados se reemplazan periódicamente. los usuarios notan.

Con el aumento de la complejidad y el número de nodos en los sistemas HPC a lo largo del tiempo, la probabilidad de que las aplicaciones experimenten fallas en el tiempo de ejecución se ha incrementado dramáticamente. Las máquinas exaflopic, que contendrán varios millones de núcleos informáticos, estarán sujetas a varios fallos por hora. Será fundamental la resistencia sistémica a las fallas habituales de los componentes.

Los errores de hardware, también conocidos como errores permanentes, dependen de una estrategia de mitigación diferente a la de los errores de software . Estos errores se pueden corregir parcialmente incorporando componentes redundantes o de repuesto. Por ejemplo, la construcción de núcleos adicionales que permanecen inactivos, pero que se pueden encargar para reemplazar cualquier procesador defectuoso.

La tasa de error se refiere a errores transitorios que afectan el tiempo promedio entre las interrupciones de la aplicación. El tiempo medio de identificación (MTTI) es cualquier falla que requiera una acción correctiva de errores por parte de la aplicación de oposición que están ocultos de la aplicación por un mecanismo resistente en hardware o software.

Todos los protocolos basados ​​en puntos de control se basan en registrar periódicamente el estado de funcionamiento del sistema y reiniciar desde un estado anterior sin errores después de que se produzca una falla.

Daniel Dauwe, Sudeep Pasricha, Anthony A. Maciejewski y Howard Jay Siegel ofrecen una comparación de cuatro protocolos de resistencia de HPC que utilizan puntos de control:

El punto de control es la técnica de resiliencia más utilizada por los HPC. Consiste en anotar el estado de todos los programas que se ejecutan en un dispositivo de almacenamiento (como el sistema de archivos paralelo). Esto se hace apagando el sistema a intervalos regulares.

Debido a que diferentes tipos de fallas pueden afectar un sistema informático de diferentes maneras, no todas las fallas requieren reiniciar el sistema desde un punto de control. El punto de control multinivel aprovecha esto proporcionando múltiples niveles de punto de control. Cada nivel ofrece una compensación entre el tiempo que lleva el punto de control, el reinicio y el nivel de gravedad de la falla en el que el sistema puede reanudar la computación.

Esta técnica consiste en registrar los mensajes enviados entre procesos para generar capturas de la ejecución de los programas que se distribuirán por todas las memorias del sistema. En el caso de una falla, esto permitirá que el nodo fallido utilice los mensajes almacenados en la memoria de otro nodo para la recuperación. Este método tiene la ventaja de reducir el tiempo de recálculo y ahorrar energía porque solo el nodo fallado está activo, el resto del sistema puede permanecer inactivo hasta la recuperación.

La técnica de la redundancia se utiliza para mejorar la confiabilidad de un sistema. Este método se puede implementar a nivel de hardware o software y permite realizar múltiples copias del mismo código. La desventaja sigue siendo el uso de recursos adicionales.

Paralelización a gran escala

El paralelismo ha provocado una revolución en el rendimiento de las computadoras. Esto se introdujo en la década de 1990 y todavía está en desarrollo para abordar los sistemas informáticos específicos a exaescala .

Con varios millones de núcleos de computación, el desafío será paralelizar los cálculos al extremo, es decir dividirlos en un número muy grande de subcálculos ejecutados por los núcleos de los procesadores. Será necesario distribuir las tareas por igual entre los núcleos para permitir que las máquinas sean eficientes. Esto plantea preguntas en términos de programación que requieren un nuevo enfoque de la programación paralela de baja potencia para lograr un rendimiento masivo. Se necesitan modelos de programación más expresivos que puedan manejar este proceso y simplificar los esfuerzos del desarrollador al mismo tiempo que apoyan el paralelismo dinámico y detallado. La programación de estos futuros sistemas masivamente paralelos y heterogéneos no será trivial, y los modelos de programación y los sistemas de ejecución deberán adaptarse y rediseñarse en consecuencia.

Los investigadores Usman Ashraf, Fathy Alburaei Eassa, Aiiad Ahmad Albeshri y Abdullah Algarni presentan un híbrido MPI + OMP + CUDA (MOC), un nuevo modelo de programación paralela masiva para sistemas de clústeres heterogéneos a gran escala. Anuncian "una aceleración asintótica de hasta un 30% -40% en comparación con las mejores implementaciones en multiprocesadores heterogéneos y GPU aceleradas de Nvidia " .

El proyecto ECOSCALE tiene como objetivo proporcionar un enfoque holístico para una nueva arquitectura jerárquica heterogénea energéticamente eficiente, un entorno de programación híbrido MPI + OpenCL y un sistema de ejecución para máquinas de exaescala .

Softwares, middlewares y algoritmos

Desde noviembre de 2017, las 500 supercomputadoras más rápidas del mundo funcionan con sistemas operativos basados ​​en Linux .

Las máquinas exaflopic, que contendrán varios millones de núcleos informáticos, estarán sujetas a varios fallos por hora. Por tanto, el software debe ser capaz de distribuir lo mejor posible las tareas a realizar entre todos los núcleos informáticos y reducir al máximo el movimiento de datos. También deberán guardar los datos durante la ejecución de los cálculos para que no se pierdan si falla algún componente de la máquina.

Las aplicaciones que tienen muchos intercambios o sincronizaciones entre sus subtareas se denominan de grano fino , es decir, de grano fino , las que por el contrario tienen pocos intercambios y sincronizaciones se denominan de grano grueso , es decir, de grano grueso. La computación a exaescala exigirá una gran demanda de algoritmos en al menos dos áreas: la necesidad de aumentar la cantidad de datos locales para realizar cálculos de manera eficiente y la necesidad de lograr niveles mucho más altos de paralelismo de grano fino, ya que estos sistemas están respaldando un número cada vez mayor. de hilos de instrucción . Como resultado, los algoritmos paralelos deben adaptarse a este entorno y deben desarrollarse nuevos algoritmos e implementaciones para explotar las capacidades computacionales del nuevo hardware.

Los nuevos diseños de software y del sistema operativo tendrán que soportar la gestión de los recursos heterogéneos y no Cache jerarquías de memoria compatibles , proporcionar aplicaciones y ejecución con un mayor control sobre las políticas de planificación de tareas, y la gestión de las políticas de planificación de tareas. Globales espacios de nombres . También deben demostrar mecanismos de control, predicción y medición de gestión de energía más precisos, lo que permite a los programadores asignar cálculos a aceleradores de funciones específicas y gestionar envolventes térmicas y perfiles de energía de las aplicaciones.

Debería surgir una colaboración entre especialistas en matemáticas aplicadas que desarrollan herramientas informáticas digitales y científicos informáticos especializados en informática de alto rendimiento que diseñan software para hacer posible el mejor uso de las características materiales de estas nuevas arquitecturas masivamente paralelas.

Serán útiles nuevos lenguajes de programación y modelos más allá de C y FORTRAN . La programación de funciones que se encuentra en Chapel y X10 ya ha tenido un efecto indirecto en los modelos de programación existentes (como OpenMP ). Este último aprovechó las extensiones para los siguientes ejemplos: paralelismo de tareas, aceleradores y afinidad de subprocesos . El lenguaje específico del campo ( DSL ) ( lenguaje específico de dominio ) se especializa en un dominio de aplicación particular, lo que representa una forma de expandir la base existente de la lengua. Los DSL integrados son una forma pragmática de explotar las sofisticadas capacidades de análisis y transformación de los compiladores para lenguajes estándar.

La distribución de la carga es un desafío a considerar. La unidad de equilibrio de carga distribuye la carga de procesamiento entre los sistemas informáticos disponibles para que el trabajo de procesamiento se complete en el menor tiempo posible. El equilibrio de carga se puede implementar con software, hardware o una combinación de ambos.

Un desarrollo significativo del modelo, un rediseño del algoritmo y una reimplementación de aplicaciones científicas, apoyados por uno o más modelos de programación adaptados a exaescala , serán necesarios para aprovechar el poder de las arquitecturas de exaescala . Estos serán sistemas basados ​​en una arquitectura homogénea o heterogénea. Por lo tanto, necesitamos un modelo de programación híbrido adaptativo que pueda manejar sistemas de arquitectura tanto homogéneos como heterogéneos.

Consumo de energía

La supercomputadora petaflopic Titan introducida en 2012 en Oak Ridge National Laboratories con un consumo de nueve megavatios (MW) y una potencia máxima teórica de veintisiete petaFLOPS generó una factura de electricidad anual de aproximadamente nueve millones de dólares. Los costos muy altos, incluida la instalación y el mantenimiento de la infraestructura, se están convirtiendo en factores predominantes en el costo total de propiedad ( TCO ) de una supercomputadora. El costo de energía de estas plataformas durante su vida útil, generalmente de tres a cinco años, podría rivalizar con su costo de adquisición.

La eficacia del uso de energía (PUE) es una medida bien establecida para evaluar la eficiencia energética de los centros de datos. Intuitivamente, PUE mide la fracción de energía entregada a una instalación que alimenta el equipo de TI real. Por lo tanto, para hacer que un centro de datos sea más eficiente energéticamente y, por lo tanto, para reducir su valor PUE, se deben abordar todos los factores que influyen en el consumo de energía: la infraestructura de enfriamiento ( P enfriamiento ); Sistemas de HPC implementados para la gestión de recursos y la planificación y optimización de aplicaciones ( P IT ); pérdidas de potencia debidas a la distribución y conversión eléctricas ( P pérdidas eléctricas ); y varios consumos de energía P misc .

PAGUmi=PAGTotalPAGESO=PAGenfriamiento+PAGESO+PAGpérdidas eléctricas+PAGmisceláneoPAGESO{\ Displaystyle PUE = {\ frac {P _ {\ text {Total}}} {P _ {\ text {IT}}}} = {\ frac {P _ {\ text {enfriamiento}} + P _ {\ text {IT}} + P _ {\ text {pérdidas eléctricas}} + P _ {\ text {misc}}} {P _ {\ text {IT}}}}}

Estos hallazgos también han comenzado a influir en el diseño y la implementación de las HPC para reducir su PUE.

Un superordenador Exascale con la misma tecnología que en las máquinas petaflop conduciría a un consumo máximo de más de 100  MW , con una consecuencia inmediata en el coste de gestión y suministro. La potencia que requiere la computación a exaescala de decenas de megavatios hace que la gestión del consumo de energía sea mucho más difícil en comparación con los sistemas que admiten muchos trabajos pequeños.

Para diseñar máquinas exaflopicas hay que afrontar el principal reto que es poder reducir los elevados costes de consumo energético de estas plataformas. Pioneros de HPC como el Departamento de Energía de Estados Unidos (US DoE), Intel, IBM y AMD han establecido un límite máximo de consumo de energía para una máquina Exascale en el rango de 25 a 30  MW . Por ejemplo, con un consumo de energía objetivo de 20  MW , se requeriría una eficiencia energética de ~ 20 pJ / Op.

Para lograr el objetivo de potencia esperado es necesario tener una mejora significativa en la eficiencia energética del sistema informático , impulsada por un cambio tanto en el diseño del hardware como en el proceso de integración.

Proyectos e investigaciones

Internacional

Aunque la competencia global por el liderazgo en computación avanzada y análisis de datos continúa con programas en los Estados Unidos, Europa, China y Japón; existe una activa colaboración internacional. El proyecto internacional de software Exascale (IESP) es un ejemplo de esto en informática avanzada. Con la financiación de los gobiernos de Japón, la UE y los Estados Unidos, así como las contribuciones de las partes interesadas de la industria, IESP se estableció para permitir la investigación en ciencia e ingeniería a una resolución ultra alta y con uso intensivo de datos hasta 2020. El equipo internacional de IESP ha desarrollado un plan para un entorno informático común para sistemas de petaescala / exaescala .

Estados Unidos

Estados Unidos ha sido un líder internacional durante mucho tiempo en la investigación, el desarrollo y el uso de la informática de alto rendimiento (HPC). En 2016 nació una serie de actividades por orden de la Iniciativa de Computación Estratégica Nacional (NSCI), la más importante de las cuales es la iniciativa de computación a exaescala (ECI). Está dirigido por el Departamento de Energía de EE. UU. (DoE), que es una asociación entre la Oficina de Ciencias y la Administración Nacional de Seguridad Nuclear (NNSA). El objetivo es acelerar los proyectos de investigación, desarrollo, adquisición y despliegue con el fin de proporcionar capacidad informática a exaescala a sus laboratorios desde principios hasta mediados de la década de 2020 .

ECI se encarga de la preparación de las instalaciones informáticas y de la adquisición de tres sistemas de exaescala distintos:

• Aurora: El Departamento de Energía de EE. UU. Ha anunciado la 18 de marzo de 2019que Intel y Cray construirían la primera supercomputadora de exaescala en los Estados Unidos. Se entregará al Laboratorio Nacional Argonne en 2021. El sistema incluirá más de 200 gabinetes Shasta, la pila de software única de Cray optimizada para arquitecturas Intel, interconexión Cray Slingshot, así como innovaciones de tecnología Intel de próxima generación en cálculo de procesadores de tecnología , memoria y almacenamiento  ;
• Frontier: será construido por AMD y Cray para el Laboratorio Nacional de Oak Ridge , el contrato está valorado en más de $ 600 millones y la entrega está programada para 2021. El sistema se basará en la arquitectura Shasta, la interconexión Cray's Slingshot, un alto -Procesador AMD EPYC de alto rendimiento y tecnología AMD Radeon Instinct GPU. Frontier proporcionará nuevas capacidades de aprendizaje profundo, aprendizaje automático y análisis de datos para aplicaciones que van desde la fabricación hasta la salud humana;
• El Capitán: El Departamento de Energía de EE . UU. , La NNSA y el Laboratorio Nacional Lawrence Livermore anunciaron el13 de agosto de 2019la firma de un contrato con Cray para la construcción de esta supercomputadora. Su rendimiento máximo alcanzará más de 1,5 exaFLOPS y su entrega está programada para fines de 2022. Se utilizará para realizar las evaluaciones críticas necesarias para hacer frente a las amenazas en evolución a la seguridad nacional y para otros fines, como la seguridad. No proliferación o la lucha contra el terrorismo nuclear.

porcelana

En 2015, según el ranking TOP500 , la supercomputadora china Tianhe-2 fue la más rápida del mundo. Contiene 16.000 nodos. Cada nodo tiene dos procesadores Intel Xeon y tres coprocesadores Intel Xeon Phi, una interconexión de alta velocidad patentada llamada “TH Express-2”. Está diseñado por la Universidad Nacional de Tecnología de Defensa (NUDT).

En 2010, Tianhe-1 entró en servicio. Realiza una variedad de tareas como exploración de petróleo, fabricación de equipos de alta gama, medicina biológica y diseño de animación, y atiende a casi 1.000 clientes.

De acuerdo con el plan nacional para la próxima generación de ordenadores de alto rendimiento, China desarrollará un equipo exascale durante el 13 º  período del Plan Quinquenal (2016-2020). "El gobierno de la Nueva Zona de Tianjin Binhai, la Universidad Nacional de Tecnología de Defensa (NUDT) y el Centro Nacional de Supercomputadoras de Tianjin están trabajando en el proyecto, y el nombre de la supercomputadora será Tianhe-3", dijo Liao Xiangke, director de informática. escuela de la NUDT. Las nuevas máquinas tendrán una velocidad de cálculo doscientas veces más rápida y una capacidad de almacenamiento cien veces mayor que la del Tianhe-1.

Europa

La Comisión Europea y 22 países europeos han declarado su intención de unir sus esfuerzos en el desarrollo de tecnologías e infraestructuras de HPC a través de un proyecto de investigación europeo denominado “H2020”. Esto apoyará tres proyectos relacionados con tecnologías de exaescala y postexascale:

• ExaNoDe cuyo principio es aplicar nuevas tecnologías de integración 3D y diseño de materiales, asociadas a la virtualización de recursos y al sistema de memoria UNIMEM;
• ExaNeSt que estudiará cómo los sistemas de almacenamiento, interconexión y refrigeración deberán evolucionar hacia Exascale  ;
• ECOSCALE, que tiene como objetivo proporcionar un enfoque holístico para una nueva arquitectura jerárquica heterogénea energéticamente eficiente, un entorno de programación híbrido MPI + OpenCL y un sistema de ejecución para máquinas de exaescala .

La combinación de estos tres proyectos tiene como objetivo cubrir la imagen completa de una máquina HPC Exascale para 2020.

Japón

En Mayo de 2019, Fujitsu y el instituto de investigación japonés Riken anunciaron que se completó el diseño de la supercomputadora post-K, que se entregará en 2021. El nuevo sistema contará con un procesador A64FX basado en ARMv8 -ASVE de 512 bits. Este es un procesador de alto rendimiento diseñado y desarrollado por Fujitsu para sistemas de exaescala . El chip se basa en un diseño ARM8. Este procesador equipa una gran mayoría de teléfonos inteligentes y alberga 48  núcleos de procesamiento complementados por cuatro núcleos dedicados a entradas-salidas e interfaces. Puede gestionar hasta 32  GB de memoria por chip. El sistema estará equipado con un procesador por nodo y 384 nodos por rack, o un petaflop por rack. Todo el sistema constará de más de 150.000 nodos. El Post-K debería tener éxito, alrededor de 2021, el K-Computer, que ha estado equipando desdeseptiembre 2012el Instituto de Investigación Riken en Kobe .

Ejemplo de estudio completo

AMD Research, Advanced Micro Devices , el Departamento de Ingeniería Eléctrica e Informática y la Universidad de Wisconsin-Madison proporcionan un estudio integral de una arquitectura que se puede utilizar para construir sistemas de exaescala  : “Una Arquitectura Conceptual de Nodo a Exaescala (ENA), que es la bloque de computación para una supercomputadora de exaescala . El ENA consiste en un Exascale Procesador heterogéneo (EHP) acoplado con un avanzado sistema de memoria. El EHP proporciona una unidad de procesamiento acelerada de alto rendimiento ( CPU + GPU ), una memoria 3D de ancho de banda integrado y un uso masivo de matrices de apilamiento y tecnologías de chip para cumplir con los requisitos de la exaescala de TI de manera equilibrada.

Una arquitectura de nodo de exaescala (ENA) como el bloque de construcción principal para las máquinas de exaescala . La ENA cumple los requisitos de cálculo exaescala mediante:

• una unidad de procesamiento acelerado ( APU ) de alto rendimiento que integra GPU de alto rendimiento con una excelente eficiencia energética requerida para niveles de computación a exaescala , estrechamente acoplada con procesadores de múltiples núcleos de alto rendimiento para secciones de código en serie o irregulares y aplicaciones heredadas;
• Uso masivo de capacidades de apilamiento de arreglos que permiten la integración de componentes densos para reducir la sobrecarga de movimiento de datos y mejorar la eficiencia energética;
• un enfoque basado en chips que desacopla los componentes de procesamiento críticos para el rendimiento (por ejemplo, CPU y GPU) de los componentes que no se adaptan bien a la tecnología (por ejemplo, componentes analógicos). Este método de fabricación ayuda a reducir costos y reutilizar el diseño en otros segmentos del mercado;
• memorias multinivel que mejoran el ancho de banda al integrar memoria 3D, que se apila directamente sobre las GPU;
• técnicas de circuitos avanzados y técnicas de gestión de energía activa que reducen la energía con poco impacto en el rendimiento;
• mecanismos de hardware y software para lograr una alta resiliencia y confiabilidad con un impacto mínimo en el rendimiento y la eficiencia energética;
• Marcos competitivos que aprovechan la arquitectura de sistemas heterogéneos (HSA) y el ecosistema de software Radeon Open Compute Platform (ROCm) para admitir aplicaciones nuevas y existentes con alto rendimiento y alta productividad del programador .

Ejemplos de uso

Big data e inteligencia artificial

Las empresas de telecomunicaciones e Internet como GAFA (Google, Apple, Facebook y Amazon) deben administrar una cantidad gigantesca de datos a diario. Fuertemente vinculada a la nube y al Big Data en sus grandes centros de datos , la informática de alto rendimiento encuentra su lugar en el procesamiento de estos datos masivos.

seguridad nacional

La simulación numérica del funcionamiento de un arma nuclear se puede realizar utilizando una supercomputadora u obtener certificados y evaluaciones para garantizar que las existencias nucleares del país sean seguras, protegidas y fiables.

Biología y biomedicina

La exaescala de computadora acelera la investigación del cáncer al ayudar a los científicos a comprender las interacciones básicas de las proteínas moleculares clave y automatizar el análisis de información de millones de registros de pacientes con cáncer para determinar las estrategias de tratamiento óptimas. También permitirá a los médicos predecir los tratamientos adecuados para el paciente modelando las respuestas a los medicamentos.

En biología , será posible simular en detalle el funcionamiento de las membranas de las células vivas para comprender mejor cómo los fármacos entran y actúan en la célula. La secuenciación del genoma actual requiere una operación y almacenamiento de cantidades masivas de datos genéticos. La computación a exaescala será un desarrollo necesario para apoyar los esfuerzos de investigación en curso de los biólogos, computacional. Mantener el ritmo de la generación de datos experimentales para permitir nuevos modelos multifísicos multiescala de procesos biológicos complejos. La informática seguirá evolucionando y, en última instancia, transformando la biología de una ciencia observacional a una ciencia cuantitativa.

De manera más general, los desafíos biológicos y biomédicos abarcan la anotación y comparación de secuencias, la predicción de la estructura de las proteínas; simulaciones moleculares y máquinas de proteínas; vías metabólicas y redes reguladoras; modelos y órganos de células enteras; y organismos, ambientes y ecologías.

Descubrimiento científico

Los modelos informáticos de fenómenos astrofísicos , a escalas temporales y espaciales tan diversas como la formación del sistema planetario , la dinámica estelar , el comportamiento de los agujeros negros , la formación galáctica y la interacción de la materia oscura bariónica y putativa, han proporcionado nuevas perspectivas. teorías y datos experimentales complementados.

La cosmología , la física de altas energías y la astrofísica son parte de la ciencia que busca comprender la evolución del universo, las leyes que gobiernan la creación y comportamiento de la materia. Dependen de modelos informáticos avanzados, por lo que el superordenador exaflópico será un acelerador en estas diferentes investigaciones.

Simulación avanzada y modelado industrial

Las HPC permiten reproducir, a través del modelado y la simulación , experimentos que no se pueden realizar en el laboratorio cuando son peligrosos, costosos, duraderos o muy complejos. La simulación numérica ha permitido a Cummins construir mejores motores diésel más rápido y a menor costo, a Goodyear a diseñar neumáticos más seguros mucho más rápido, a Boeing a construir aviones con menor consumo de combustible y a Procter & Gamble a crear mejores materiales para productos domésticos.

El objetivo es facilitar y fomentar el acceso a HPC para las PYME para que puedan simular fenómenos más globales, limitar o sustituir experimentos, acortar la fase de prueba o procesar gran cantidad de datos heterogéneos. El uso de la informática de alto rendimiento se utiliza para la competitividad de las PYME.

Energía

La fusión nuclear podría ser una importante fuente de energía. Para desencadenar la reacción dentro de un reactor nuclear , uno de los principales desafíos será confinar bien el calor liberado por el fenómeno en el centro de la máquina. Los fenómenos son complejos y requieren un conjunto de ecuaciones matemáticas que generan un gran volumen de datos a procesar. Las simulaciones numéricas con supercomputadoras exaflopicas permitirán dar un paso importante en esta dirección.

La energía solar se hará más eficiente gracias al descubrimiento de materiales que convierten la luz solar en electricidad de manera más eficiente.

La energía eólica a través de la capacidad de simulación predictiva validó el ciclo de diseño, lo que permitió a la industria reducir el tiempo de desarrollo de motores y turbinas eficientes.

Predicción del tiempo

La comprensión de los cambios climáticos y pasado, presente y futuro es uno de los principales retos científicos del XXI °  siglo. En esta búsqueda, la simulación se ha convertido en una herramienta indispensable. Este enfoque permite comprender mejor los mecanismos que regulan el clima y así realizar pronósticos en escalas temporales que van desde la temporada hasta varios siglos, en el caso de escenarios de cambio climático.

En 2018, el pronóstico de cinco días fue tan preciso como el pronóstico de cuatro días diez años antes. Esta notable mejora es posible con una potencia de cálculo de aproximadamente cinco petaFLOPS. Estos pronósticos permiten a los gobiernos, los sectores público y privado planificar y proteger a las personas o la propiedad. Esto ahorra miles de millones de dólares cada año.

Europa ha estado a la vanguardia de las previsiones meteorológicas globales a medio plazo desde la década de 1980. La Oficina Meteorológica del Reino Unido y Météo-France tienen supercomputadoras que están clasificadas en el TOP500 . Météo-France está planeando una supercomputadora a finales de 2020 en la plataforma Sequana XH2000, desarrollada por Bull (una subsidiaria del grupo Atos ) con una potencia de cálculo teórica de 20,78 petaFLOPS.

Los modelos exaflopicos de pronóstico del tiempo podrán predecir con mayor precisión y rapidez el momento y la trayectoria de eventos climáticos severos como los huracanes. Esto será posible gracias a una resolución espacial mucho mayor, incorporando más elementos físicos y asimilando más datos de observación. Estos avances son fundamentales para permitir el tiempo suficiente para las evacuaciones y las medidas de protección, por ejemplo.

Uno de los objetivos es desarrollar una arquitectura de referencia en los próximos años que permitirá que los modelos meteorológicos y climáticos globales operen a una resolución horizontal de 1  km con un caudal de 1 SYPD (los mejores centros de predicción en 2018 están ejecutando simulaciones en un resolución espacial de 10 a 15  km ). Por tanto, se pueden tener en cuenta los fenómenos de pequeña escala, mal reproducidos o incluso ausentes en los modelos climáticos existentes, que sin embargo desempeñan un papel importante.

Referencias

1. Messina 2017 , p.  1
2. de Grant 2016 , p.  1
3. Rigo 2017 , p.  486
4. Diouri , 2012 , p.  4
5. Ashraf 2018 , p.  1
6. Duro 2017 , p.  511
7. Reed 2015 , p.  60
8. Reed 2015 , p.  56-57
9. Ashraf 2018 , p.  3
10. Fuller 2011 , p.  31
11. Kothe 2018 , p.  1
12. Schulthess , 2018 , p.  31
13. Reed 2015 , p.  59-60
14. Dauwe 2018 , p.  332
15. Jensen 2010 , p.  21
16. Reed 2015 , p.  58
17. Geist 2015 , p.  105
18. Strohmaier 2015 , p.  42-43
19. Xingfu 1999 , p.  114-117
20. Dongarra 2003 , p.  114-117
21. Strohmaier 2015 , p.  42-49
22. Rigo 2017 , p.  487
23. Borkar , 2011 , p.  68
24. Messina 2017 , p.  2
25. Fuller , 2011 , p.  32
26. Theis 2017 , p.  45
27. Ashraf 2018 , p.  2
28. Ashraf , 2018 , p.  4
29. Fuller , 2011 , p.  36
30. Rumley 2014 , p.  447-448
31. Katevenis , 2016 , p.  61
32. Ammendola 2017 , p.  512
33. Reed 2015 , p.  63
34. Pascual 2017 , p.  2209.
35. Geist 2015 , p.  106
36. Ahrens , 2015 , p.  8-9
37. Shoukourian 2017 , p.  954-955
38. Shoukourian , 2017 , p.  955
39. Geist 2015 , p.  107
40. Geist 2015 , p.  108
41. Rigo 2017 , p.  488
42. Shalf 2010 , p.  20
43. Shalf 2010 , p.  20-21
44. Dauwe , 2018 , p.  333-334
45. Kogge 2013 , p.  23
46. Familia de sistemas operativos / Linux
47. Dauwe , 2017 , p.  1
48. Fuller , 2011 , p.  35
49. Kogge 2013 , p.  25
50. Reed 2015 , p.  64
51. Reed 2015 , p.  sesenta y cinco
52. Fuller , 2011 , p.  34
53. Reed 2015 , p.  66
54. Mirtaheri , 2017 , p.  1
55. Ashraf , 2018 , p.  12
56. Geist 2015 , p.  111
57. Diouri 2012 , p.  2
58. Schulthess 2018 , p.  32
59. Geist 2015 , p.  104
60. Geist 2015 , p.  109
61. Vijayaraghavan 2017 , p.  1
62. Fuller , 2011 , p.  33
63. Dongarra 2011 , p.  3-60
64. Aurora 2019
65. Intel 2019
66. Frontera 2019
67. energy.gov 2019
68. ElCapitan 2019
69. Reed 2015 , p.  67
70. de China 2016
71. POST-K-Japón 2019
72. Vijayaraghavan , 2017 , p.  1-2
73. Reed 2015 , p.  61
74. Kothe 2018 , p.  9
75. Messina 2017 , p.  4
76. Kothe 2018 , p.  8-9
77. Lee 2018 , p.  23-24
78. Reed 2015 , p.  56-58
79. Reed 2015 , p.  62
80. Kothe 2018 , p.  8
81. Fuhrer 2017 , p.  1-2
82. Schulthess 2018 , p.  33
83. Top500
84. Météo-France
85. Schulthess , 2018 , p.  39

Bibliografía

 : documento utilizado como fuente para este artículo.

• (en) H. Esmaeilzadeh , E. Blem , R. St. Amant , K. Sankaralingam y D. Burger , “  Dark silicon and the end of multicore scaling  ” , 2011 38º Simposio Internacional Anual sobre Arquitectura de Computadoras (ISCA) ,junio 2011, p.  365-376 ( ISSN  1063-6897 )

• (en) P. Kogge y J. Shalf , “  Tendencias de la computación a exaescala : adaptación a la nueva normalidad de la arquitectura de computadoras  ” , Computación en ciencia e ingeniería , vol.  15, n o  6,Noviembre de 2013, p.  16-26 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2013.95 )

• (en) A. Geist y E. Reed , “  Una encuesta sobre los desafíos de escalamiento de la computación de alto rendimiento  ” , The International Journal of HighPerformance Computing Applications 2017 , vol.  31,agosto 2015, p.  104-113 ( DOI  10.1177 / 1094342015597083 )

• (en) S. Fuller y L. Millett , “  Computing Performance: Game Over or Next Level?  » , Computadora , vol.  44, n o  1,enero 2011, p.  31-38 ( ISSN  0018-9162 , DOI  10.1109 / MC.2011.15 )

• M. Diouri , O. Glück y L. Lefevre , "  Towards green exaflopic machines  ", archivos abiertos de HAL ,Diciembre 2012, p.  1-8

• (en) P. Messina , “  The Exascale Computing Project  ” , Computación en ciencia e ingeniería , vol.  19, n o  3,Mayo-junio 2017, p.  63-67 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2017.57 )

• (en) D. Reed y J. Dongarra , “  Computación a exaescala y big data  ” , Comunicaciones de la ACM , vol.  58, n o  7,julio 2015, p.  56-68 ( ISSN  0001-0782 , DOI  10.1145 / 2699414 )

• (en) G. Kalbe , “  El enfoque europeo del desafío de exaescala  ” , Computación en ciencia e ingeniería , vol.  21, n o  1,Enero - febrero 2019, p.  42-47 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2018.2884139 )

• (en) D. Kothe , S. Lee e I. Qualters , “  Computación a exaescala en los Estados Unidos  ” , Computación en ciencia e ingeniería , vol.  21, n o  1,Octubre-diciembre 2018, p.  17-29 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2018.2875366 )

• (en) J. Duro , S. Petit , J. Sahuquillo y M. Gomez , “  Modelando una red fotónica para computación a exaescala  ” , 2017 International Conference on High Performance Computing & Simulation (HPCS) ,septiembre de 2017( DOI  10.1109 / HPCS.2017.82 )

• (en) M. Borkar y A. Chien , “  El futuro de los microprocesadores  ” , Comunicaciones de la ACM , vol.  54, n o  5,Mayo de 2011, p.  67-77 ( ISSN  0001-0782 , DOI  10.1145 / 1941487.1941507 )

• (en) S. Mirtaheri y L. Grandinetti , “  Equilibrio dinámico de carga en sistemas informáticos distribuidos a exaescala  ” , Cluster Comput , vol.  20, n o  4,Mayo de 2017, p.  3677-3689 ( ISSN  1386-7857 , DOI  10.1007 / s10586-017-0902-8 )

• (en) T. Vijayaraghavan , Y. Eckert , H. Loh , M. Schulte , M. Ignatowski , B. Beckmann , W. Brantley , J. Greathouse , W. Huang , A. Karunanithi , O. Kayiran , M. Meswani , I. Paul , M. Poremba , S. Raasch , S. Reinhardt , G. Sadowski y V. Sridharan , "  Diseño y análisis de una APU para computación a exaescala  " , Simposio internacional IEEE 2017 sobre arquitectura informática de alto rendimiento (HPCA) , Además de esto, necesita saber más al respecto.Mayo de 2017, p.  85-96 ( ISSN  2378-203X , DOI  10.1109 / HPCA.2017.42 )

• (en) U. Ashraf , F. Alburaei Eassa , A. Albeshri y A. Algarni , “  Modelo computacional paralelo masivo de rendimiento y eficiencia energética para sistemas de exaescala heterogéneos HPC  ” , IEEE Access , vol.  6,abril de 2018, p.  23095-23107 ( ISSN  2169-3536 , DOI  10.1109 / ACCESS.2018.2823299 )

• (en) R. Grant , M. Levenhagen , S. Olivier , D. DeBonis , K. Pedretti y J. Laros III , “  Estandarización de la supervisión y el control de la energía a exaescala  ” , Computadora , vol.  49, n o  10,octubre de 2016, p.  38-46 ( ISSN  0018-9162 , DOI  10.1109 / MC.2016.308 )

• (en) T. Schulthess , P. Bauer , N. Wedi , O. Fuhrer , T. Hoefler y C. Schär , “  Reflecting on the Goal and Baseline for Exascale Computing: A Roadmap Based on Weather and Climate Simulations  ” , Computing in Ciencia e Ingeniería , vol.  21, n o  1,diciembre 2018, p.  30-41 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2018.2888788 )

• (en) C. Lee y R. Amaro , “  Computación a exaescala: Un nuevo amanecer para la biología computacional  ” , Computación en ciencia e ingeniería , vol.  20, n o  5,agosto 2018, p.  18-25 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2018.05329812 )

• (en) D. Dauwe , S. Pasricha , A. Maciejewski y H. Siegel , “  Gestión de recursos consciente de la resiliencia para sistemas informáticos a exaescala  ” , IEEE Transactions on Sustainable Computing , vol.  3, n o  4,enero 2018, p.  332 - 345 ( ISSN  2377-3782 , DOI  10.1109 / TSUSC.2018.2797890 )

• (en) J. Dongarra , pág. Luszczek y A. Petitet , “  The LINPACK Benchmark: pasado, presente y futuro  ” , Concurrencia y Computación: Práctica y Experiencia , vol.  15, n o  9,2003, p.  803–820 ( DOI  10.1002 / cpe.728 )

• (en) M. Katevenis , N. Chrysos , M. Marazakis , I. Mavroidis , F. Chaix , N. Kallimanis , J. Navaridas , J. Goodacre , P. Vicini , A. Biagioni , PS Paolucci , A. Lonardo , E. Pastorelli , F. Lo Cicero , R. Ammendola , P. Hopton , P. Coates , G. Taffoni , S. Cozzini , M. Kersten , Y. Zhang , J. Sahuquillo , S. Lechago , C. Pinto , B . Lietzow , D. Everett y G. Perna , "  The ExaNeSt Project: Interconnects, Storage, and Packaging for Exascale Systems  " , IEEE ,Agosto-septiembre de 2016, p.  60-67 ( DOI  10.1109 / DSD.2016.106 )

• (es) R. Ammendola , A. Biagioni , P. Cretaro , O. Frezza , F. Lo Cicero , A. Lonardo , M. Martinelli , P. Paolucci , E. Pastorelli , F. Simula , P Vicini , G. Taffoni , J. Pascual , J. Navaridas , M. Luján , J. Goodacree , N. Chrysos y M. Katevenis , “  The Next Generation of Exascale-Class Systems: The ExaNeSt Project  ” , IEEE ,Agosto-septiembre de 2017, p.  510-515 ( DOI  10.1109 / DSD.2017.20 )

• (en) A. Rigo , C. Pinto , K. Pouget , D. Raho , D. Dutoit , P. Martinez , C. Doran , L. Benini , L. Mavroidis , M. Marazakis , V. Bartsch , G. Lonsdale , A. Pop , J. Goodacre , A. Colliot , P. Carpenter , P. Radojković , D. Pleiter , D. Drouin y B. Dupont de Dinechin , “  Paving the Way Towards a Highly Energy-Efficient and Highly Integrated Compute Node for the Exascale Revolution: The ExaNoDe Approach  ” , Conferencia Euromicro 2017 sobre Diseño de Sistemas Digitales (DSD) ,septiembre de 2017( DOI  10.1109 / DSD.2017.37 )

• (en) J. Dongarra , “  The International Exascale Software Project roadmap  ” , The International Journal of High Performance Computing Applications ,febrero 2011, p.  3-60 ( DOI  10.1177 / 1094342010391989 )

• (en) D. Jensen y A. Rodrigues , “  Sistemas integrados y computación a exaescala  ” , Computación en ciencia e ingeniería , vol.  12, n o  6,julio 2010, p.  20-29 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2010.95 )

• (en) D. Dauwe , S. Pasricha , P. Luszczek y H. Siegel , "  An Analysis of Resilience Techniques for Exascale Computing Platforms  " , 2017 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW) ,agosto 2017( DOI  10.1109 / IPDPSW.2017.41 )

• (en) H. Shoukourian , T. Wilde , D. Labrenz y A. Bode , “  Using Machine Learning for Data Center Cooling Infrastructure Efficiency Prediction  ” , 2017 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW) ,Mayo-Junio ​​2017 2017, p.  954-963 ( DOI  10.1109 / IPDPSW.2017.25 )

• (en) T. Theis y P. Wong , "  El fin de la ley de Moore: un nuevo comienzo para la tecnología de la información  " , Computación en ciencia e ingeniería , vol.  19, n o  2Marzo - abril de 2017, p.  41-50 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2017.29 )

• (en) O. Fuhrer , T. Chadha , T. Hoefler , G. Kwasniewski , X. Lapillonne , D. Leutwyler , D. Lüthi , C. Osuna , C. Schär , T. Schulthess y v. Vogt , “  Simulación climática casi global a una resolución de 1 km: establecimiento de una línea de base de rendimiento en 4888 GPU con COSMO 5.0  ” , Publicaciones de Copernicus en nombre de la Unión Europea de Geociencias ,septiembre de 2017( DOI  10.5194 / gmd-11-1665-2018 )

• (en) J. Pascual , J. Lant , A. Attwood , C. Concatto , J. Navaridas , M. Luján y J. Goodacre , “  Designing an exascale interconnect using multi-objetive optimization  ” , Congreso IEEE 2017 sobre Computación Evolutiva ( CEC) ,junio de 2017, p.  85-96 ( DOI  10.1109 / CEC.2017.7969572 )

• (en) J. Ahrens y T. Rhyne , "  Aumento de la percepción de datos científicos sobre simulaciones de clases de exaescala bajo restricciones de energía y almacenamiento  " , IEEE Computer Graphics and Applications , vol.  35, n o  2marzo 2015, p.  8-11 ( ISSN  0272-1716 , DOI  10.1109 / MCG.2015.35 )

• (en) E. Strohmaier , H. Meuer , J. Dongarra y H. Simon , "  La lista TOP500 y el progreso en la informática de alto rendimiento  " , Computer , vol.  48, n o  11,noviembre 2015, p.  42-49 ( ISSN  0018-9162 , DOI  10.1109 / MC.2015.338 )

• (en) S. Rumley , D. Nikolova , R. Hendry , Q. Li , D. Calhoun y K. Bergman , "  Fotónica de silicio para sistemas de exaescala  " , Revista de tecnología de ondas de luz , vol.  33, n o  3,octubre 2014, p.  547 - 562 ( ISSN  0733-8724 , DOI  10.1109 / JLT.2014.2363947 )

• (en) J. Shalf , S. Dosanjh y J. Morrison , “  Desafíos de la tecnología de la computación a exaescala  ” , Computación de alto rendimiento para la ciencia computacional - VECPAR 2010 , vol.  6449,2010, p.  1-25 ( DOI  https://doi.org/10.1007/978-3-642-19328-6_1 )

• (en) "  Evaluación del desempeño, predicción y visualización de sistemas paralelos  " , libro , vol.  20, n o  5,1999, p.  114-117 ( ISBN  978-0-7923-8462-5 , ISSN  1521-9615 )

• (en) S. Som e Y. Pei , “  HPC abre una nueva frontera en la investigación de motores de combustible  ” , Computación en ciencia e ingeniería , vol.  20, n o  5,septiembre 2018, p.  77–80 ( ISSN  1521-9615 , DOI  10.1109 / mcse.2018.05329817 )

• (en) S. Borkar , “  Computación a exaescala : ¿un hecho o una ficción?  » , 27º Simposio Internacional de IEEE 2013 sobre procesamiento paralelo y distribuido ,Julio 2013, p.  3 ( ISSN  1530-2075 , DOI  10.1109 / IPDPS.2013.121 )

• (en) VECPAR , “  Computación de alto rendimiento para la ciencia computacional - VECPAR 2012: 10th International Conference  ” , VECPAR ,Julio de 2012

• (en) T. Agerwala , "  Computación a exaescala : Los desafíos y oportunidades en la próxima década  " , HPCA - 16 2010 El Decimosexto Simposio Internacional sobre Arquitectura de Computadoras de Alto Rendimiento ,enero 2010( ISSN  1530-0897 , DOI  10.1109 / HPCA.2010.5416662 )

• (en) M. Snir , R. Wisniewski , J. Abraham y S. Adve , "  Abordar fallas en la computación a exaescala  " , Revista Internacional de Aplicaciones de Computación de Alto Rendimiento , vol.  28, n o  2Mayo de 2014, p.  129-173 ( ISSN  1094-3420 , DOI  10.1177 / 1094342014522573 )

• (en) S. Sterling y T. Sterling , "  Exascale Computing [Editorial invitada]  " , Informática en ciencia e ingeniería , vol.  15, n o  6,Noviembre-diciembre de 2013, p.  12-15 ( ISSN  1521-9615 , DOI  10.1109 / mcse.2013.122 )

• (en) X. Yang , Z. Wang , J. Xue y Y. Zhou , “  El muro de confiabilidad para la supercomputación a exaescala  ” , IEEE Transactions on Computers , vol.  61, n o  6,junio 2011, p.  767 - 779 ( ISSN  0018-9340 , DOI  10.1109 / TC.2011.106 )

• (en) F. Cappello , A. Geist , W. Gropp , S. Kale , B. Kramer y M. Snir , “  Toward Exascale Resilience: 2014 Update  ” , Supercomputing Frontiers and Innovations: an International Journal ,abril de 2014, p.  1-24 ( ISSN  2409-6008 , DOI  10.14529 / jsfi140101 )

• (en) D. Dauwe , S. Pasricha , A. Maciejewski y H. Siegel , “  A Performance and Energy Comparison of Fault Tolerance Techniques for Exascale Computing Systems  ” , 2016 IEEE International Conference on Computer and Information Technology (CIT) ,marzo de 2016, p.  1 - 8 ( DOI  10.1109 / CIT.2016.44 )

• (en) G. Lapenta , S. Markidis , S. Poedts y D. Vucinic , “  Predicción del tiempo espacial y computación a exaescala  ” , Computación en ciencia e ingeniería , vol.  15, n o  5,Julio de 2012, p.  68-76 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2012.86 )

• (en) L. Mavroidis , L. Papaefstathiou , L. Lavagno , D. Nikolopoulos , D. Koch , J. Goodacre , L. Sourdis , V. Papaefstathiou , M. Coppola y M. Palomino , “  ECOSCALE: Reconfigurable computing and runtime sistema para futuros sistemas de exaescala  ' , IEEE ,marzo de 2016, p.  696-701 ( ISSN  1558-1101 )

• (en) B. Dally , “  Poder, programabilidad y granularidad: los desafíos de la computación ExaScale  ” , Simposio internacional de procesamiento paralelo y distribuido de IEEE 2011 ,septiembre 2011( ISSN  1530-2075 , DOI  10.1109 / IPDPS.2011.420 )

• (en) J. Dongarra , S. Tomov , P. Luszczek , J. Kurzak , M. Gates , I. Yamazaki , H. Anzt , A. Haidar y A. Abdelfattah , “  With Extreme Computing, the Rules Have Changed  ” , Computación en ciencia e ingeniería , vol.  19, n o  3,abril de 2017, p.  52-62 ( ISSN  1521-9615 , DOI  10.1109 / MCSE.2017.48 )

• (en) P. Balaprakash , D. Buntinas , A. Chan , A. Guha , R. Gupta , S. Narayanan , A. Chien , P. Hovland y B. Norris , “  Exascale workload characterization and architectureimplications  ” , 2013 IEEE Simposio internacional sobre análisis de rendimiento de sistemas y software (ISPASS) ,Julio 2013( DOI  10.1109 / ISPASS.2013.6557153 )

• (en) J. Mair , Z. Huang , D. Eyers e Y. Chen , “  Quantifying the Energy Efficiency Challenges of Achieving Exascale Computing  ” , 2015 15º Simposio Internacional IEEE / ACM sobre Cluster, Cloud y Grid Computing ,julio 2015( DOI  10.1109 / CCGrid.2015.130 )

• (en) J. Zounmevo , S. Perarnau , K. Iskra , K. Yoshii , R. Gioiosa , B. Van Essen , M. Gokhale y E. Leon , "  A Container-Based Approach to OS Specialization for Exascale Computing  " , 2015 IEEE International Conference on Cloud Engineering ,abril 2015, p.  85-96 ( DOI  10.1109 / IC2E.2015.78 )

• (en) S. Borkar , "  The Exascale challenge  " , Actas del Simposio Internacional de 2010 sobre Diseño, Automatización y Prueba de VLSI ,junio de 2010( DOI  10.1109 / VDAT.2010.5496640 )

• (en) A. Karanth Kodi , B. Neel y W. Brantley , “  Interconexiones fotónicas para arquitecturas de exaescala y centros de datos  ” , IEEE Micro , vol.  35, n o  5,julio 2014, p.  18-30 ( ISSN  0272-1732 , DOI  10.1109 / MM.2014.62 )

• (en) A. Bar-Cohen , M. Arik y M. Ohadi , “  Refrigeración líquida directa de componentes micro y nanoelectrónicos de alto flujo  ” , Actas del IEEE , vol.  94, n o  8,Septiembre de 2006, p.  1549 - 1570 ( ISSN  0018 a 9219 , DOI  10.1109 / JPROC.2006.879791 )

enlaces externos

• 
• 
• “  Météo-France supercomputers  ” (consultado el 4 de enero de 2020 )
• 
• (en) "El  Departamento de Energía, la Administración Nacional de Seguridad Nuclear y el Laboratorio Nacional Lawrence Livermore anuncian una asociación con Cray para desarrollar la primera supercomputadora a exaescala de la NNSA  " (consultado el 8 de enero de 2020 )
• (en) “  El Departamento de Energía de EE. UU. e Intel ofrecerán la primera supercomputadora a exaescala  ” (consultado el 8 de enero de 2020 )
• (en) “  La NNSA de UDOE firma un contrato de $ 600 millones para construir su primera supercomputadora a exaescala  ” (consultado el 8 de enero de 2020 )
• (en) “  First US Exascale Supercomputer to Be a Cray Shasta System  ” (consultado el 9 de enero de 2020 )
• (en) "  El Departamento de Energía de EE. UU. y Cray ofrecerán una supercomputadora fronteriza sin precedentes en ORNL  " (consultado el 9 de enero de 2020 )
• (en) “  China Exascale Supercomputer Operational by 2020  ” (consultado el 9 de enero de 2020 )
• (es) “  DESARROLLO DE SUPERCOMPUTADORAS POST-K, 12/03/2019  ” (consultado el 10 de enero de 2020 )