NVIDIA Rubin HPC: oltre 50.000 CUDA core per accelerare simulazioni scientifiche e supercomputer

NVIDIA ha ampliato la propria offerta basata sull’architettura Rubin con Rubin HPC, un nuovo acceleratore progettato per rispondere alle esigenze del calcolo scientifico e delle applicazioni High Performance Computing (HPC). Presentato in occasione della conferenza Supercomputing SC26, il prodotto si distingue dalla GPU Rubin tradizionale per una maggiore attenzione alle operazioni in virgola mobile a doppia precisione, alla gestione dei dati e alle comunicazioni tra acceleratori.

NVIDIA dichiara oltre 50.000 CUDA core su una singola GPU. Si tratta di un incremento considerevole rispetto agli acceleratori della generazione Blackwell. Un B300 basato su Blackwell Ultra, per esempio, integra 20.480 CUDA core distribuiti in 160 Streaming Multiprocessor (SM). Rubin HPC supererebbe quindi di oltre 2,4 volte tale dotazione. Anche il confronto con il possibile numero massimo di CUDA core del chip GB202 (il top di gamma gaming), pari a 24.576, evidenzia la dimensione del salto.

Non è ancora chiaro come NVIDIA abbia organizzato internamente questa configurazione. L’immagine del die pubblicata durante SC26 suggerisce una soluzione con almeno due chiplet, analogamente a quanto avviene per la GPU Rubin tradizionale. Si tratta però di un’indicazione ricavata dalla rappresentazione, che non consente di stabilire con certezza il numero di die effettivamente impiegati.

La differenza rispetto alla GPU Rubin standard riguarda soprattutto la destinazione d’uso. Quest’ultima è orientata principalmente all’addestramento e all’inferenza dei modelli di intelligenza artificiale, mentre Rubin HPC punta alle simulazioni scientifiche, alle elaborazioni numeriche e alle applicazioni che richiedono elevata precisione. Tra gli ambiti di utilizzo indicati da NVIDIA figurano i modelli climatici, le simulazioni fluidodinamiche, la ricerca sui materiali, l’analisi genomica, i calcoli tecnici e la valutazione dei rischi finanziari.

Più CUDA core non sono sufficienti, da soli, a garantire un incremento proporzionale delle prestazioni. Molte applicazioni HPC devono infatti elaborare grandi quantità di dati attraverso accessi alla memoria distribuiti e non necessariamente contigui. In questi scenari, la velocità delle unità di calcolo può essere limitata dalla capacità di trasferire le informazioni necessarie.

È proprio su questo aspetto che NVIDIA dichiara di essere intervenuta, cercando un maggiore equilibrio tra capacità di calcolo e movimentazione dei dati. La novità principale è denominata Sparse Data Acceleration, una funzionalità hardware pensata per velocizzare gli accessi a dati caratterizzati da schemi irregolari e ridurre i tempi durante i quali le unità di elaborazione rimangono in attesa delle informazioni.

Il produttore cita tre tipologie di operazioni che dovrebbero beneficiare maggiormente della tecnologia: Sparse Matrix, Stencil e operazioni di ordinamento e riduzione.

Le Sparse Matrix sono matrici nelle quali una parte consistente degli elementi è costituita da valori nulli o comunque non rilevanti per il calcolo. Elaborarle in maniera efficiente richiede quindi di individuare e gestire correttamente gli elementi effettivamente utili, evitando trasferimenti di dati superflui.

Le operazioni Stencil, invece, vengono utilizzate nelle simulazioni numeriche di fenomeni fisici. In questo caso, il valore di una cella viene determinato considerando quelli delle posizioni immediatamente vicine all’interno di una griglia spaziale o temporale. Sono calcoli ricorrenti, per esempio, nelle simulazioni dei fluidi e nei modelli climatici.

NVIDIA non ha ancora descritto nel dettaglio l’implementazione di Sparse Data Acceleration. Non sono quindi disponibili informazioni sull’eventuale presenza di unità funzionali dedicate o di strutture di memoria specifiche. L’obiettivo dichiarato è comunque migliorare l’utilizzo effettivo delle risorse di calcolo, intervenendo su uno dei principali limiti delle applicazioni HPC.

Un altro elemento importante riguarda le prestazioni in virgola mobile a doppia precisione (FP64), fondamentali per numerose simulazioni scientifiche. La generazione Blackwell Ultra, infatti, privilegia soprattutto le elaborazioni AI a precisione ridotta, con conseguenze sulla capacità di eseguire calcoli scientifici tradizionali.

Per avere un riferimento, il B300 raggiunge circa 75 TFLOPS in FP32, ma si ferma a circa 1,25 TFLOPS in FP64 nativa. Il precedente B200 arriva invece a circa 37 TFLOPS in doppia precisione. La GPU Rubin standard dovrebbe offrire circa 33 TFLOPS in FP64 nativa, mentre il valore sale a 200 TFLOPS considerando l’elaborazione DGEMM basata su Tensor Core ed emulazione, che non equivale a prestazioni FP64 native.

Per Rubin HPC NVIDIA non ha ancora comunicato i valori di calcolo FP32 e FP64. Non è quindi possibile stabilire quale sarà la sua potenza teorica in TFLOPS o PFLOPS, né effettuare un confronto quantitativo attendibile con gli acceleratori attuali. Anche le specifiche relative alla banda della memoria, alla capacità complessiva e ai consumi non sono state rese note.

Le novità riguardano anche la comunicazione tra acceleratori. Rubin HPC sarà infatti il primo prodotto della famiglia a integrare NVLink di settima generazione, mentre la GPU Rubin standard utilizza NVLink 6. Il passaggio è rilevante per i sistemi HPC di grandi dimensioni, nei quali le simulazioni vengono distribuite su numerosi acceleratori che devono scambiarsi continuamente dati.

Per confronto, NVLink 5 utilizzato da Blackwell e Blackwell Ultra offre una larghezza di banda bidirezionale GPU-to-GPU fino a 1,8 TB/s. NVIDIA non ha ancora indicato le prestazioni della settima generazione, né il numero di collegamenti disponibili sulla nuova GPU. Mancano quindi gli elementi per quantificare il miglioramento rispetto a NVLink 6 e alla Rubin tradizionale.

Rubin HPC rientra inoltre nella strategia con cui NVIDIA intende integrare maggiormente il calcolo scientifico con l’intelligenza artificiale agentica. L’idea è affidare agli agenti AI attività di ricerca che prevedono la formulazione autonoma di ipotesi, l’esplorazione di materiali o molecole e la successiva verifica attraverso simulazioni.

Si tratta di un processo iterativo: gli agenti formulano un’ipotesi, avviano una simulazione per verificarla e utilizzano i risultati ottenuti per affinare le fasi successive della ricerca. Una maggiore velocità di elaborazione permette di esaminare più alternative nello stesso intervallo di tempo.

In questo contesto avranno un ruolo anche le librerie CUDA-X, che mettono a disposizione implementazioni ottimizzate di algoritmi scientifici e strumenti per l’analisi dei dati. NVIDIA punta quindi a combinare acceleratori specializzati, software e agenti AI per automatizzare una parte crescente delle attività di ricerca.

Per vedere Rubin HPC all’opera bisognerà comunque attendere. NVIDIA prevede la disponibilità del nuovo acceleratore nel corso del 2028.