NVIDIA Vera Rubin på ISC 2026: Specifikationer, udrulning og foreningen af HPC og AI

På ISC High Performance 2026 i Hamborg, Tyskland, præsenterede NVIDIA den Vera Rubin-accelererede computerplatform, der er skabt til videnskabelig supercomputing. Den kombinerer NVIDIA Rubin GPU'er og Vera CPU'er forbundet via NVLink-C2C i et full-stack system designet til både traditionel simulering og AI-arbejdsbelastninger .

En enkelt rack af Vera Rubin kan levere over 7 exaflops AI-ydelse og 5 petaflops native dobbeltpræcision (FP64) med op til 144 GPU'er – en ydelse, der kan sammenlignes med systemer på TOP500-listen . Vera CPU'en har 88 kerner med 2x ydelse pr. watt i forhold til tidligere NVIDIA CPU'er .

Vigtige ydelsesspecifikationer

• Native FP64 dobbeltpræcision til traditionelle HPC-simuleringsopgaver leveres gennem Rubin GPU-arkitekturen .
• NVL4-konfiguration: Supermicros DCBBS Blueprint baseret på Vera Rubin NVL4 understøtter op til 1.152 NVIDIA Rubin GPU'er og 576 NVIDIA Vera CPU'er i en enkelt skalerbar enhed .
• 3,2 MW skalerbar enhed med DLC-2 Direct Liquid Cooling, der understøtter 362 kW pr. rack .
• Rubin-platformen (først annonceret på CES 2026) leverer op til 10x reduktion i inferens-token-omkostninger og 4x reduktion i GPU-antal til træning af mixture-of-experts-modeller sammenlignet med Blackwell-platformen .
• Integreret med NVIDIA CUDA-X-biblioteker, NVIDIA NIM-mikroservices, NVIDIA AI Enterprise-software og NVIDIA Quantum InfiniBand-netværk .

Forskningsinstitutioner, der tager Vera Rubin-systemer i brug

Rekordstore 35 nye NVIDIA AI HPC-supercomputere er under udvikling i 23 europæiske lande og vil udstyre mere end 3 millioner forskere . Navngivne institutioner inkluderer:

• Barcelona Supercomputing Center – EuroHPC AI Factory
• BavariaAI – Blue Swan-systemet
• IT4Innovations (IT4I) – Tjekkiet
• HLRS (High-Performance Computing Center Stuttgart) – HammerHAI-systemet
• NAISS – Mimer EuroHPC AI Factory, Sverige
• CINECA (Italien)
• Fraunhofer FOKUS (Tyskland)
• Jülich Supercomputing Centre (Forschungszentrum Jülich)

Disse systemer spænder over AI-fabrikker, klima- og energiforskning samt hybrid kvante-GPU-computing .

Industripartnerskaber og produktion

• Supermicro: Leverede den første end-to-end DCBBS Blueprint til HPC baseret på NVIDIA Vera Rubin NVL4-platformen med væskekølede racks og fuld integration .
• Corning: Flerårigt partnerskab for at udvide amerikansk produktion af avancerede optiske forbindelsesløsninger til AI-infrastruktur, herunder tre nye fabrikker i North Carolina og Texas .
• Ledende industrisoftwareudviklere (Cadence, Dassault Systèmes, PTC, Siemens, Synopsys): Integrerer CUDA-X, Omniverse og GPU-accelererede værktøjer i produktions- og ingeniørarbejdsgange .
• Siemens: Udvidet partnerskab til at opbygge et AI-accelereret industrielt operativsystem, der dækker design, teknik, produktion og forsyningskæder .

AI-integration med traditionel videnskabelig simulering

Vera Rubin er designet som en konvergeret HPC- og AI-platform – der kører både traditionel fysikbaseret simulering (FP64) og AI-arbejdsbelastninger på samme infrastruktur .

• PhysicsNeMo: NVIDIAs AI-fysik-rammeværk til CFD, termisk analyse, klima- og vejrmodellering understøttes på Vera Rubin. Den bruger maskinlæringssurrogater til at accelerere multiskalamodeller og traditionelle løsere til at generere træningsdata til AI .
• Klimamodellering: Vera Rubin accelererer klimasimulering ved at kombinere native FP64-løsere med AI-drevet emulering og dataassimilering .
• Computational fluid dynamics (CFD): Platformen muliggør AI-accelereret CFD, hvor neurale surrogater fremskynder iterative løser-løkker, mens dobbeltpræcision opretholdes til validering .
• Energiudvinding: Seismisk billeddannelse, reservoirsimulering og vedvarende energimodellering drager fordel af AI, der foreslår kandidatscenarier, mens traditionelle FP64-løsere validerer dem .

NVIDIA beskriver denne konvergens som videnskab, der lever "i skæringspunktet mellem fysikbaseret simulering og AI – hvor maskinlæringssurrogater accelererer multiskalamodeller, generativ AI foreslår kandidatmolekyler eller -materialer til validering, og traditionelle løsere genererer de træningsdata, der gør AI muligt" .