MIT 研究人员用 Ferveret 冷却平台推进核材料 AI 研究

AI研究可能在想法耗尽之前很久就撞上物理极限：实验室能够供电并保持冷却的算力总量。Ferveret表示，MIT的研究人员正在使用其高性能计算平台开发用于研究核材料的AI方法，将其Adaptive Phase Cooling技术应用于持续的科学工作负载。

10月22日的公告将两项工程挑战联系起来。研究人员需要更多计算能力来理解暴露于极端条件下的材料。数据中心运营商需要从有限的电力容量中提取更多有用的工作。Ferveret的主张是，更好的散热可以同时帮助两者，而无需新一代处理器。

这项工作涉及MIT的极端环境材料实验室，由Ericmoore Jossou领导，他是核科学与工程以及电气工程与计算机科学系的助理教授。MIT的教师简介描述其研究结合先进显微术和相干X射线成像，以纳米级分辨率检查结构特性和缺陷。

Ferveret指出有两个项目使用其平台。一个项目开发AI方法，用于分析核材料的相干X射线测量数据。另一个项目训练机器学习原子间势，即预测原子如何相互作用并帮助研究人员模拟材料在苛刻条件下行为的模型。

第一个项目的研究方向有独立支持。MIT的2026年核科学与工程研究博览会列出了一场由DongHun Ryu所作的演讲，题为“用于BCDI相位恢复的物理信息深度生成模型”。BCDI代表布拉格相干衍射成像，这也是Jossou的教师研究描述中提到的技术。这确立了超出这家冷却公司公告之外的具体研究联系，尽管活动列表并未评估Ferveret的硬件。

原子间势解决的是另一个计算瓶颈。训练好的模型不是模拟的每个阶段都执行昂贵的电子结构计算，而是近似原子排列、能量和力之间的关系。MIT存储库中的研究描述了机器学习力场如何在保持其训练所依据的参考计算精度的同时，扩展原子模拟的时间和长度尺度。

这种精度仍然取决于模型及其已学会表示的情境。Ferveret的公告称，所支持的研究旨在实现接近密度泛函理论精度的模拟；但它没有提供误差表、已发布的模型或数值比较来为这些项目确立这一结果。

Ferveret的技术描述以过冷沸腾为核心，这是一种受核反应堆传热研究启发的方法。芯片表面的热量形成蒸汽气泡，但周围液体仍低于其沸点温度。该公司表示，小气泡迅速脱离并凝结回较冷的液体中，从而刷新与热表面的接触。

区别在于蒸汽的去向。在Ferveret所比较的饱和沸腾浸没方案中，气泡上升到蒸汽空间后才被冷凝。其方案力求在液体内部局部冷凝气泡。该公司表示，这支持在接近环境压力和为单个服务器服务的紧凑外壳中运行。

其数据中心产品页面描述了一款名为Lambert的机架式4U冷却单元、一个定制热交换器以及可调节运行条件的控制软件。预期部署是连接到设施散热基础设施的服务器级冷却系统，而不是大型共享浸没槽。

对于AI运营商而言，目的是在长时间工作负载期间将处理器保持在热限值以内，同时减少与冷却相关的开销。当热量原本会限制性能时，更冷的硬件可以维持更高的运行性能。收益的大小仍取决于处理器、工作负载、功率设置以及用于比较的冷却系统。

公告中的两个标题数字描述的是不同的测量。Ferveret报告称，与领先的直接芯片冷却方案相比，服务器级算力最多提升15%；计入设施级改进后，可用算力最多提升35%。

Ferveret 3月的一份公告提供了关于第一个数字的更多细节。它描述了与UCLA智能互联实验室使用NVIDIA H200 GPU进行的基准测试，报告以每千瓦服务器功率的TFLOPs衡量的计算效率提升了15%。该新闻稿明确将设施级电能使用效率排除在该服务器指标之外。

这是有用的背景信息，但它仍然是公司发布的合作说明。该新闻稿没有提供完整的基准测试方案或足以复现该对比的原始结果。每瓦浮点吞吐量提升15%，也不能自动证明训练时间或应用产出同样提升15%。

更大的数字将服务器效率与设施模型结合在一起。在Ferveret给出的示例中，对比从电能使用效率（PUE）1.20变为1.03，然后再应用15%的服务器效率提升。PUE是设施总功率除以IT设备功率；比值越低，意味着在给定IT负载下设施开销越少。

使用这些所述输入，综合增益约为34%：1.15乘以1.20/1.03。Ferveret将结果描述为约35%。算术解释了该声明的量级，但这是一个基于假设设施效率的情景，而不是对MIT核材料实验实现35%加速的已发表测量。

证据止步之处——机遇开始之处

在所提供的公告中，Jossou表示，使用该平台能够支持更大的模型、更快的迭代和持续实验。这些观察支持了额外算力访问的实际价值。它们并未区分多少改进来自冷却、多少来自硬件分配，或某项特定科学任务运行快了多少。

同样的区分适用于可持续性。Ferveret描述了一种闭环系统，可通过干冷器排热，而不消耗蒸发水。这是关于冷却配置的声明。不应将其解读为消除了发电、设备生产或所有可能设施设计的水足迹。

公告还称，未来的研究出版物预计将致谢Ferveret的基础设施贡献。已发表的方法和应用级结果将有助于确定该平台如何影响重建精度、模拟规模、训练时间以及每个已完成实验的能耗。

目前，最强的结论是一个聚焦的结论：Ferveret正在为一个研究项目提供基础设施，该项目对AI和核材料的关注已得到MIT证实，而其更广泛的效率声明需要注意测量边界。更长期的机遇是让稀缺的计算能力发挥更大作用——将传热方面的改进转化为相同电力预算内更多的科学工作。