博客

HPC

让 AI 训练不再「排队」！集群扩容，70 个科研任务并行无忧

2025.03.21 35分钟阅读

项目背景

该项目主要服务软件工程、计算机科学与技术学科（内涵）建设，支撑***教育部重点实验室（培育）、某大数据与智能系统工程技术研究中心、特种能源及新能源科学数据库、某科技资源共享服务平台等科研平台，拟解决装备数据资源治理中的一致性与可靠性，多模态、大数据小样本数据中的知识发现，智能仿真方法等科学问题。

项目需求

目前项目需求部门已有的计算集群平台 GPU FP32 算力有 1279.8TFLOPS，GPU 显存 960GB，并缺少存储设备。随着科研团队的不断扩大，算力和存储资源已满足不了日常的科研训练，特别是不能满足数据与知识工程、机器视觉团队、神经网络与图像处理团队对算力和存储的需求，故需进行算力和存储扩容。满足 70 个用户进行日常科研训练，主要进行图像训练和自然语言处理训练。集群整体 GPU FP32 算力不低于 3.5 pFLOPS，显存容量不低于 2 TB，可用存储容量不低于 600 TB。

痛点分析

通过和用户充分沟通、实地勘察和演示发现，学院现有的计算服务器不能满足 AI 科研任务，随着科研团队人员的壮大，GPU 算力资源更加紧缺。同时 AI 训练、科学计算和大数据分析的普及，数据规模呈指数级增长，学院缺少一套存储系统。算力集群如果已经具备强大的计算能力，但存储系统性能不足，仍会成为性能瓶颈。

解决方案

结合用户痛点和对需求的分析，本次采购相关的人工智能算力、存储、网络设备和相关软件，主要包括 4 台 GPU 服务器、3 台存储服务器（分布式存储系统）、1套异构集群管理软件及网络设备，加入到已建设的高性能异构集群中，与现有的集群系统集成，形成统一管理。基本规格如下：