همکاری بزرگ میسترال و انویدیا؛ ورود مدل Mistral Large 4 به دنیای شبیه‌سازی و مهندسی صنعتی

شرکت‌های میسترال (Mistral) و انویدیا (NVIDIA) از آغاز یک پروژه مهندسی مشترک برای سرعت بخشیدن به شبیه‌سازی‌های فیزیکی و خودکارسازی بخش‌هایی از فرآیند طراحی صنعتی خبر دادند. این دو شرکت قصد دارند مدل‌های هوش مصنوعی و فرآیندهای پردازش داده میسترال را با نرم‌افزارهای پردازنده گرافیکی (GPU) انویدیا ادغام کنند و در ادامه، مجموعه‌داده‌ها و بنچمارک‌هایی را برای مدل‌های فیزیک و ایجنت‌های مهندسی به انتشار برسانند.

حوزه مهندسی به کمک رایانه (CAE) از شبیه‌سازی عددی برای بررسی ویژگی‌هایی نظیر جریان هوا، انتقال حرارت و استحکام سازه بهره می‌گیرد. اتوماسیون طراحی الکترونیک (EDA) نیز نرم‌افزارهای تخصصی را برای طراحی و اعتبارسنجی تراشه‌ها به کار می‌بندد. هر دو زمینه بر جریان‌های کاری چرخه‌ای و تکرارشونده متکی هستند که در آن‌ها مهندسان یک مدل را آماده می‌کنند، حل‌کننده عددی (Solver) را اجرا می‌کنند، خروجی‌ها را می‌سنجند و سپس طرح را بازبینی می‌نمایند. توسعه حل‌کننده‌های سریع‌تر و ایجنت‌های هوشمند قابل‌اعتماد می‌تواند این چرخه زمان‌بر را به‌شکل محسوسی کوتاه‌تر کند.

لایه‌بندی این معماری مهندسی

جریان کاری پیشنهادی، مراحل آماده‌سازی طرح، شبیه‌سازی، توسعه مدل و تحلیل نتایج را در قالب یک چرخه بسته (Closed Loop) به یکدیگر پیوند می‌زند. این برنامه بر ۳ حوزه کاری اصلی استوار است:

فناوری NVIDIA CUDA-X مجموعه‌ای از کتابخانه‌های شتاب‌یافته با پردازنده گرافیکی است، در حالی که Warp یک رابط پایتونی را برای نگارش کرنل‌های شبیه‌سازی و گرافیکی فراهم می‌کند که قابلیت کامپایل روی CPU یا پردازنده‌های گرافیکی دارای معماری CUDA را دارند. حل‌کننده‌های صنعتی معمولاً بر کدهای بهینه‌سازی‌شده C و ++C و کامپوننت‌های اختصاصی تکیه می‌کنند. ابزار Warp می‌تواند توسعه کرنل‌های سفارشی GPU را ساده‌تر کند، هرچند مواردی چون مش‌بندی، تعیین شرایط مرزی، ادغام حل‌کننده و اعتبارسنجی عددی همچنان چالش‌های مهندسی مجزایی به شمار می‌روند.

یکپارچه‌سازی با پلتفرم Omniverse از خلق دارایی‌های موسوم به SimReady پشتیبانی خواهد کرد؛ مدل‌های سه‌بعدی خاصی که ویژگی‌های فیزیکی مانند جرم، جنس ماده و ضریب اصطکاک به آن‌ها اضافه شده است. این برچسب‌گذاری‌ها به شبیه‌ساز اجازه می‌دهند تا شیء را با کمترین نیاز به آماده‌سازی دستی درون صحنه قرار دهد. البته این دو شرکت هنوز فرمت‌های CAD تحت پشتیبانی، ساختار داده‌های دارایی‌ها یا موتورهای شبیه‌ساز هدف را مشخص نکرده‌اند.

بنچمارک‌هایی با محدودیت‌های واقعی مهندسی

ارزیابی‌های عمومی برای ایجنت‌های حوزه‌های CAE و EDA همچنان بسیار محدود است و همین موضوع مقایسه میان مدل‌ها و ارائه‌دهندگان مختلف را دشوار می‌کند. میسترال و انویدیا پیشنهاد کرده‌اند که مجموعه‌داده‌ها و بنچمارک‌های مشترکی برای مدل‌های فیزیک، فرآیندهای تبدیل طرح CAD به شبیه‌سازی، و ایجنت‌هایی که با نرم‌افزارهای مهندسی کار می‌کنند، ارائه شود.

آزمون‌های پیشنهادی برای سنجش ایجنت‌ها، توانایی استفاده از ابزارها، میزان موفقیت در تکمیل فرآیندهای چندمرحله‌ای و صحت فنی خروجی‌ها را بررسی خواهند کرد. علاوه بر این، زمان اجرا و هزینه محاسباتی نیز ثبت می‌شود. این معیارهای عملیاتی اهمیت بسیار بالایی دارند، زیرا حتی اگر یک نتیجه دقیق و درست باشد، اما زمان زیادی از پردازنده گرافیکی اشغال کند یا نیازمند دخالت‌های مکرر نیروی انسانی باشد، در عمل فاقد توجیه اقتصادی و کاربردی خواهد بود.

حوزه‌های هدف اولیه

• صنایع هوافضا: شبیه‌سازی جریان هوا و استحکام سازه
• صنعت خودرو: تحلیل‌های تصادف، انتقال حرارت و رفتار آیرودینامیک
• نیمه‌رساناها: فرآیندهای چیدمان و اعتبارسنجی قطعات تراشه

کارآمدی این بنچمارک‌ها به تعریف وظایف نسخه‌بندی‌شده، خروجی‌های مرجع، تعیین میزان خطای مجاز عددی (تلرانس)، نسخه‌های ثابت ابزارها، محیط‌های آزمایشی بازتولیدپذیر و محاسبه شفاف منابع سخت‌افزاری مصرف‌شده وابسته است. بیانیه منتشرشده هنوز جزئیات این موارد، نحوه مدیریت شکست در فراخوانی ابزارها یا امکان ثبت نتایج توسط تیم‌های پژوهشی مستقل را مشخص نکرده است.

اتحاد محاسباتی گسترده‌تر میان میسترال و انویدیا

میسترال و انویدیا پیش از این مدل Mistral NeMo را به‌شکل مشترک توسعه داده بودند و در حال حاضر در ائتلاف Nemotron انویدیا نیز حضور دارند که تمرکز اصلی‌اش بر مدل‌های وزن‌باز است. پروژه مهندسی جدید، این پیوند را به حوزه‌هایی گسترش می‌دهد که هم‌اکنون حجم چشمگیری از توان پردازنده‌های گرافیکی را می‌بلعند و اغلب با داده‌های فوق‌العاده حساس صنعتی سر و کار دارند.

مدل Mistral Large 4 که با نام Le Chonk نیز شناخته می‌شود، در مجموع حدود ۱ تریلیون پارامتر دارد که ۴۹ میلیارد پارامتر آن فعال هستند. معماری تنک ترکیب متخصصان (MoE) در این مدل باعث می‌شود برای پردازش هر توکن تنها زیرمجموعه‌ای از پارامترها فعال شوند؛ ویژگی مهمی که نیازهای سخت‌افزاری را در لحظه پاسخگویی (استنتاج) در مقایسه با فعال‌سازی تمام پارامترها به‌شدت کاهش می‌دهد. میسترال اعلام کرده که این مدل چندوجهی را با استفاده از ۳٬۸۰۰ پردازنده گرافیکی NVIDIA Grace Blackwell در مراکز داده اروپایی آموزش داده است و قصد دارد وزن‌های آن را در اواخر ماه اکتبر منتشر کند.

علاوه بر این، میسترال در قالب یک نقشه راه توسعه زیرساخت با پشتیبانی انویدیا، دستیابی به ظرفیت برق ۱ گیگاوات را تا سال ۲۰۳۰ هدف‌گذاری کرده است. این عدد بیانگر هدف‌گذاری ظرفیت مصرف برق در آینده است؛ در حالی که ظرفیت مستقر کنونی، نحوه تخصیص سخت‌افزارها و سهم رزروشده برای بارهای پردازشی مهندسی هنوز فاش نشده است.

این تحول چه دستاوردی برای مهندسان و توسعه‌دهندگان دارد؟

ابزارها و بخش‌های معرفی‌شده می‌توانند ۳ لایه اصلی از نرم‌افزارهای مهندسی را دگرگون کنند:

1. انتخاب مدل: وجود بنچمارک‌های باز فیزیک و ایجنت‌ها به مهندسان امکان می‌دهد مدل‌ها را به‌جای اتکا به ادعاهای تبلیغاتی شرکت‌ها، بر اساس دقت تخصصی در حل مسئله، نرخ تأخیر و هزینه پردازنده گرافیکی با یکدیگر مقایسه کنند.
2. توسعه حل‌کننده‌های عددی: تلفیق پلتفرم Warp با فرآیندهای مدل‌سازی فیزیک میسترال می‌تواند زمینه نگارش کرنل‌های پایتونی شتاب‌یافته روی GPU و طراحی جریان‌های شبیه‌سازی سفارشی را فراهم کند.
3. آماده‌سازی دارایی‌های سه‌بعدی: یکپارچه‌سازی با سامانه Omniverse به ایجنت‌ها اجازه می‌دهد فایل‌های ورودی CAD را با کمترین نیاز به تنظیمات دستی، به صحنه‌هایی آماده با خصوصیات کامل فیزیکی تبدیل کنند.

در زمان انتشار این بیانیه، تمام این دستاوردها همچنان در سطح برنامه‌ریزی هستند. این دو شرکت تاکنون هیچ مخزن گیت‌هاب، مجموعه‌داده، وظایف بنچمارک، ابزارهای یکپارچه‌سازی تحت پشتیبانی، شرایط صدور مجوز یا پیش‌نیازهای استقرار را منتشر نکرده‌اند. آن‌ها همچنین هنوز اعلام نکرده‌اند که آیا جریان‌های کاری این ایجنت‌ها از محیط‌های محلی و درون‌سازمانی (On-premises) پشتیبانی خواهند کرد یا خیر؛ قابلیتی که یک الزام حیاتی برای تیم‌های کار با طرح‌های محرمانه صنعتی محسوب می‌شود. نخستین محک جدی این فناوری زمانی رقم خواهد خورد که توسعه‌دهندگان مستقل بتوانند نتایج بنچمارک‌ها را بازتولید کرده و این بستر را به ابزارهای واقعی و عملیاتی CAE و EDA متصل کنند.