Специалисты Государственного научно-исследовательского института авиационных систем провели тестирование мощностей вычислительного кластера ФГАУ «Ресурсный центр универсального дизайна и реабилитационных технологий». Целью проверки стало определение соответствия функциональных характеристик оборудования Ресурсного центра параметрам, достаточным для проведения ресурсоемких расчетов в режиме максимальной загрузки аппаратных средств.
В рамках тестирования, на вычислительном кластере была запущена серия экспериментов с обучением глубоких конволюционных нейронных сетей в соответствии с задачами: «Детекция», «Распознавание лиц», «Классификация изображений» и «Автоматический подбор гиперпараметров». Полученные результаты сравнивались с данными, указанными на официальном репозитории компании NVIDIA, изготовителя профессиональных высокопроизводительных графических станций, работающих в вычислительном кластере Ресурсного центра.
Эксперты ФГУП «ГосНИИАС» высоко оценили рабочие свойства оборудования и системы хранения данных Ресурсного центра, так как они полностью соответствуют контрольным параметрам, а в некоторых тестах результаты превзошли ожидания специалистов.
Одним из основных показательных результатов подобного тестирования является количество обрабатываемых изображений в секунду времени, в том числе с использованием системы хранения данных (СХД). При проведении тестовой задачи «Распознавание лиц» и классификации изображений ожидалось, что хранение данных на общем СХД, будет давать сильную «просадку» по данному показателю. Тесты же показали, что уменьшение скорости обработки графики оказалось минимальным. Это говорит о том, что данный способ хранения данных на мощностях Ресурсного центра является достаточно эффективным для обучения нейронных сетей.
При проведении экспериментов использовались различные методы обнаружения объектов и наборы данных для обучения нейронных сетей. Проверка работы в соответствии с задачей «Детекция» на предоставленном кластере показали соизмеримые результаты по сравнению с параметрами, указанными производителем.
Наиболее впечатляющие результаты были получены при выполнении задачи «Автоматический подбор гиперпараметров». Здесь, благодаря высокой производительности оборудования Ресурсного центра, время обработки задания удалось сократить с 4 дней до 16 часов (по сравнению с кластером ГосНИИАС),
Высокопроизводительный кластер обработки данных работает на базе Лаборатории искусственного интеллекта и медицинских данных Федерального государственного автономного учреждения «Ресурсный центр универсального дизайна и реабилитационных технологий» Минпромторга России. На данный момент для работы лаборатории закуплено самое современное оборудование и ПО. Кластер оснащен восемью суперкомпьютерами DGX-2 производительностью по 2 петафлопса каждый на основе высокопроизводительных серверов GPU-вычислений. Запущены рабочие станции с ускорителями и предустановленным набором оптимизированных библиотек. Закуплены высокопроизводительные графические станции для работы с профессиональными пакетами 3D моделирования, сложными графическими задачами и анализом данных для задач машинного обучения. Организованы системы хранения больших объёмов данных: 1 петабайт – основная емкость; 560 терабайт – на базе быстрых твердотельных накопителей (SSD).
Стороннее объективное тестирование ещё раз подтвердило функциональность лаборатории для обработки не только медицинских изображений, но и более сложных, разноплановых задач других отраслей промышленности. Это делает вычислительный кластер ФГАУ «РЦУД и РТ» уникальным и готовым решать любые задачи, развивать различные виды искусственного интеллекта и создавать разнотипные искусственные нейронные сети. Полученные результаты имеют ещё большую ценность, так как независимыми экспертами выступили сотрудники ГосНИИАС, имеющие внушительный опыт разработки решений с использованием высокопроизводительных вычислений и суперкомпьютерных технологий. Институт активно развивает направление создания функционального программного обеспечения и ведёт исследования по применению технологий искусственного интеллекта и глубокого обучения.
