Эксафлопс — единица производительности¶
Эксафлопс (обозначение — EFLOPS, от англ. exaFLOPS) — единица измерения вычислительной производительности, равная 10¹⁸ (квинтиллиону) операций с плавающей запятой в секунду. Применяется преимущественно для оценки быстродействия суперкомпьютеров и специализированных вычислительных систем, задействованных в научных расчётах, задачах искусственного интеллекта и обработке больших данных. Термин образован от приставки СИ «экса-» (10¹⁸) и аббревиатуры FLOPS (Floating-point Operations Per Second — операций с плавающей запятой в секунду).
¶Место в системе единиц
FLOPS — производная величина, не входящая в Международную систему единиц (СИ), однако широко используемая в вычислительной технике. Кратные единицы образуются по десятичной шкале:
| Единица | Обозначение | Значение (операций/с) |
|---|---|---|
| килофлопс | kFLOPS | 10³ |
| мегафлопс | MFLOPS | 10⁶ |
| гигафлопс | GFLOPS | 10⁹ |
| терафлопс | TFLOPS | 10¹² |
| петафлопс | PFLOPS | 10¹⁵ |
| эксафлопс | EFLOPS | 10¹⁸ |
| зеттафлопс | ZFLOPS | 10²¹ |
Показатель FLOPS характеризует пиковую или реальную (достигнутую) производительность. Пиковая вычисляется теоретически исходя из тактовой частоты, числа ядер и количества операций за такт; реальная определяется на тестах (бенчмарках), например LINPACK, и обычно ниже пиковой.
¶История рубежа
Долгое время эксафлопс считался практическим пределом, к которому стремились разработчики суперкомпьютеров. Первый в мире суперкомпьютер, преодолевший отметку в 1 EFLOPS, — система Frontier Национальной лаборатории Оук-Ридж (США), представленная в 2022 году. Она построена на процессорах AMD EPYC и ускорителях AMD Instinct.
В России развитие эксафлопсных технологий связано с государственными программами в области высокопроизводительных вычислений. Ведущие отечественные системы — «Ломоносов», «Ломоносов-2» (МГУ), «Кристофари» (Сбер), кластеры РАН и «Росатома» — относятся к классу петафлопсных. Достижение эксафлопсного уровня рассматривается как стратегическая задача, поскольку такие мощности необходимы для задач численного моделирования, криптографии, климатических моделей и обучения нейросетей.
¶Применение
Эксафлопсная производительность востребована в направлениях, требующих колоссального объёма вычислений:
- Моделирование климата и погоды — долгосрочные прогнозы с высоким пространственным разрешением.
- Молекулярная биология и фармакология — расчёт взаимодействия белков, поиск лекарств.
- Физика высоких энергий — обработка данных коллайдеров.
- Астрофизика — моделирование эволюции галактик.
- Искусственный интеллект — обучение больших языковых моделей.
- Криптография и кибербезопасность — анализ стойкости алгоритмов.
¶Технические особенности
Достижение эксафлопса сопряжено с инженерными ограничениями. Рост производительности сопровождается резким увеличением энергопотребления: системы уровня Frontier потребляют порядка 20 МВт. Это порождает проблемы охлаждения (переход к жидкостному охлаждению) и стоимости эксплуатации. Значительная часть современных эксафлопсных систем строится на гибридной архитектуре — центральные процессоры в сочетании с графическими ускорителями (GPU) или специализированными матричными ускорителями, эффективными для операций с плавающей запятой.
Отдельное направление — вычисления с пониженной точностью (например, FP16, FP8), применяемые в задачах машинного обучения. Формально такие системы могут демонстрировать высокие значения FLOPS, однако часть операций выполняется с меньшей точностью, что важно учитывать при сравнении.
¶Критика метрики
FLOPS не является универсальным показателем. Он плохо отражает производительность на задачах, ограниченных пропускной способностью памяти или операциями ввода-вывода, а также на целочисленных вычислениях. Две системы с одинаковым пиковым значением EFLOPS могут показывать разную реальную скорость на конкретных приложениях. Поэтому при оценке суперкомпьютеров наряду с FLOPS используют рейтинги LINPACK (список TOP500), HPCG и другие тесты.
¶Рейтинги и контекст
Основной мировой рейтинг суперкомпьютеров — TOP500 — публикуется дважды в год и ранжирует системы по результату теста LINPACK (в FLOPS). Эксафлопсный рубеж стал символической вехой, знаменующей переход высокопроизводительных вычислений в новый класс. Дальнейшее развитие связывают с зеттафлопсными системами, однако их практическая реализация требует прорывов в энергоэффективности, элементной базе и архитектуре.
Источники: TOP500, материалы Национальной лаборатории Оук-Ридж, техническая документация AMD, публикации по высокопроизводительным вычислениям.