Varje år, allt från några hundra till tiotusentals dödsfall tillskrivs de katastrofala effekterna av stora jordbävningar. Förutom att marken skakar, jordbävningsrisker inkluderar jordskred, dammen spricker, översvämning, och värre - om havsbotten plötsligt förskjuts under en jordbävning, det kan utlösa en dödlig tsunami.

Även om jordbävningar inte kan förhindras, processer som involverar jordens tektoniska plattor som utgör dess skorpa och övre mantel kan ge forskare ledtrådar om de möjliga effekterna av dessa annalkande katastrofer innan de anländer.

Ett team som leds av professor Tsuyoshi Ichimura vid Earthquake Research Institute (ERI) vid University of Tokyo (UTokyo) studerar deformationen av tektoniska plattor för att underlätta fysikbaserad prognos av naturkatastrofer som jordbävningar. Specifikt, teamet simulerar en tektonisk plattgräns som sträcker sig från Vancouver, British Columbia, ner till norra Kalifornien. Vid denna gräns - kallad Cascadia Subduction Zone - kustutforskaren, Juan de Fuca, och Gorda -plattorna rör sig österut och skiftar under den nordamerikanska plattan, en process som kallas subduktion som kan utlösa stora jordbävningar och vulkanisk aktivitet.

Teamet har nyligen utökat och optimerat en av sina vetenskapliga koder för världens kraftfullaste och smartaste superdator för öppen vetenskap, IBM AC922 Summit på Oak Ridge Leadership Computing Facility (OLCF), en US Department of Energy (DOE) Office of Science User Facility belägen vid DOE:s Oak Ridge National Laboratory (ORNL).

Genom att omvandla det ostrukturerade ändliga elementet ImpliCit SOlver med Structured Grid CoarseNing (UNICORN)-kod till en artificiell intelligens (AI)-liknande algoritm, laget körde UNICORN på 416 petaflops och fick en 75-faldig hastighet från en tidigare toppmodern lösare genom att fullt ut utnyttja kraften hos Tensor Cores på Summit's Volta GPU:er. Tensor Cores är specialiserade bearbetningsenheter som snabbt utför matrismultiplikationer och additioner med hjälp av blandade precisionsberäkningar.

"Tensorkärnorna är inte tillgängliga för vilken typ av beräkning som helst, "sa Kohei Fujita, biträdande professor vid ERI. "Av denna anledning, vi var tvungna att anpassa alla våra datatillgångsmönster och multiplikationsmönster för att passa dem. "Datatillgångsmönster avgör hur data nås i minnet av ett program och kan organiseras mer effektivt för att utnyttja en viss datorarkitektur.

Använder UNICORN, UTokyo-teamet simulerade en 1, 944 km × 2, 646 km × 480 km område vid Cascadia Subduction Zone för att titta på hur den tektoniska plattan deformeras på grund av ett fenomen som kallas "felglidning, " en plötslig förskjutning som inträffar vid plattgränsen.

Teamet sa att den nya lösaren kan användas som ett verktyg för att hjälpa forskare i den mödosamma uppgiften med långsiktiga jordbävningsprognoser - ett mål som, när insåg, kan leda till förutsägelser av jordbävningar och katastrofreducering.

Tidigare, teamet visade ett allmänt tillvägagångssätt för att introducera AI för vetenskapliga tillämpningar i iMplicit sOlver med artificiell intelligens och tRAnsprecisionsberäkning, eller MOTHRA, kod – en prestation som gav dem en Gordon Bell finalistnominering för Association for Computing Machinery förra året.

UNICORN utför tätare beräkningar, så att den kan dra full nytta av Summits unika arkitektur, som har 9, 216 IBM POWER9 -processorer och 27, 648 NVIDIA Volta grafikprocessorer. Den beräkningsmässigt dyraste delen av koden kördes på 1,1 exaflops med blandad precision - ett stort åtagande för en kod som är baserad på ekvationer snarare än djupinlärningsberäkningar. (Koder baserade på det senare är till sin natur optimala för system som Summit.)

För framtida jordbävningsproblem, teamet kommer att behöva använda UNICORN för att analysera jordskorpan och mantelns reaktioner på ett felglidning över tid. Detta kommer att kräva tusentals simuleringar sedan hundratals eller tusentals ytterligare iterationer för att jämföra resultaten med verkliga jordbävningshändelser.

"För att nå våra mål för jordbävningsprognoser, vi kommer att behöva göra många simuleringar av skorpedeformation och sedan jämföra våra resultat med observerade poster från tidigare jordbävningar, " sa Ichimura.

Teamet presenterar detta arbete vid superdatorkonferensen 2019, SC19, i en affisch med titeln "416-PFLOPS Fast Scalable Implicit Solver on Low-Ordered Unstructured Finite Elements Accelerated by 1.10-ExaFLOPS Kernel with Reformulerad AI-Like Algorithm:For Equation-Based Earthquake Modeling." Detta arbete utfördes som gemensam forskning med NVIDIA, ORNL, Japan Agency for Marine-Earth Science and Technology, University of Texas i Austin, och RIKEN. Dessutom, teamet presenterar arbetet på workshopen om acceleratorprogrammering med användning av direktiv som hålls i samband med SC19.