NVIDIA Vera Rubin på ISC 2026: Spesifikasjoner, utrullinger og sammensmeltingen av HPC og AI

Under ISC High Performance 2026 i Hamburg, Tyskland, avduket NVIDIA den Vera Rubin-akselererte databehandlingsplattformen, spesialbygd for vitenskapelig superdatabehandling. Den kombinerer NVIDIA Rubin GPU-er og Vera CPU-er koblet via NVLink-C2C i et fullstack-system designet for både tradisjonell simulering og KI-arbeidsbelastninger .

Én rack med Vera Rubin kan levere over 7 exaflops KI-ytelse og 5 petaflops native dobbelpresisjon (FP64) – med opptil 144 GPU-er – en ytelse som kan sammenlignes med systemer på TOP500-listen . Vera CPU-en har 88 kjerner med 2x ytelse per watt sammenlignet med forrige generasjons NVIDIA CPU-er .

Viktige ytelsesspesifikasjoner

• Native FP64 dobbelpresisjonsytelse for tradisjonelle HPC-simuleringsarbeidsbelastninger, levert gjennom Rubin GPU-arkitekturen .
• NVL4-konfigurasjon: Supermicros DCBBS Blueprint basert på Vera Rubin NVL4 støtter opptil 1 152 NVIDIA Rubin GPU-er og 576 NVIDIA Vera CPU-er i én skalerbar enhet .
• 3,2 MW skalerbar enhet med DLC-2 direkte væskekjøling som støtter 362 kW per rack .
• Rubin-plattformen (først annonsert på CES 2026) leverer opptil 10x reduksjon i inferenskostnad per token og 4x reduksjon i antall GPU-er for trening av mixture-of-experts-modeller sammenlignet med Blackwell-plattformen .
• Integrert med NVIDIA CUDA-X-biblioteker, NVIDIA NIM-mikrotjenester, NVIDIA AI Enterprise-programvare og NVIDIA Quantum InfiniBand-nettverk .

Forskningsinstitusjoner som tar i bruk Vera Rubin-systemer

En rekordstore 35 nye NVIDIA AI HPC-superdatamaskiner er under utvikling i 23 europeiske land, og utstyrer mer enn 3 millioner forskere . Navngitte institusjoner inkluderer:

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

Disse systemene spenner over KI-fabrikker, klima- og energiforskning, samt kvante-GPU-hybrid databehandling .

Industripartnerskap og produksjon

• Supermicro: Leverte den første ende-til-ende DCBBS Blueprint for HPC basert på NVIDIA Vera Rubin NVL4-plattformen, med væskekjølte rack og full integrasjon .
• Corning: Flerårig partnerskap for å utvide amerikansk produksjon av avanserte optiske tilkoblingsløsninger for KI-infrastruktur, inkludert tre nye anlegg i North Carolina og Texas .
• Industrielle programvareledere (Cadence, Dassault Systèmes, PTC, Siemens, Synopsys): Bringer CUDA-X, Omniverse og GPU-akselererte verktøy til produksjons- og ingeniørarbeidsflyter .
• Siemens: Utvidet partnerskap for å bygge et KI-akselerert industrielt operativsystem som dekker design, engineering, produksjon og forsyningskjeder .

KI-integrasjon med tradisjonell vitenskapelig simulering

Vera Rubin er designet som en konvergert HPC- og KI-plattform – som kjører både tradisjonell fysikkbasert simulering (FP64) og KI-arbeidsbelastninger på samme infrastruktur .

• PhysicsNeMo: NVIDIAs KI-fysikkrammeverk for CFD, termisk analyse, klima- og værmodellering støttes på Vera Rubin. Det bruker maskinlæringssurrogater for å akselerere flerskalamodeller og tradisjonelle løsere for å generere treningsdata for KI .
• Klimamodellering: Vera Rubin akselererer klimasimulering ved å kombinere native FP64-løsere med KI-drevet emulering og dataassimilering .
• Computational fluid dynamics (CFD): Plattformen muliggjør KI-akselerert CFD der nevrale surrogater øker hastigheten på iterative løsersløyfer samtidig som dobbelpresisjonsnøyaktighet opprettholdes for validering .
• Energiutforskning: Seismisk bildebehandling, reservoarsimulering og fornybar energimodellering drar nytte av KI som foreslår kandidatscenarioer mens tradisjonelle FP64-løsere validerer dem .

NVIDIA beskriver denne konvergensen som at vitenskap lever "i skjæringspunktet mellom fysikkbasert simulering og KI – der maskinlæringssurrogater akselererer flerskalamodeller, generativ KI foreslår kandidatmolekyler eller materialer for høyfidelitetsvalidering, og tradisjonelle løsere genererer treningsdataene som gjør KI mulig" .