De verkeersimulaties van de universiteit zijn met het gebruik van GPU's 33 keer nauwkeuriger en sneller geworden. Micro-simulatie is een tool waarmee gedetailleerde analyse van een heleboel objecten in een stroom kan worden gemaakt, bijvoorbeeld voetgangers op een kruispunt of besmettingen van een ziekte die door de lucht wordt verspreid.

Verkeersimulaties

Een van de software-onderzoekers van de universiteit sprak op een conferentie van Nvidia vorige week met Computerworld en legde uit dat de universiteit steeds meer GPU-kracht inzet voor geavanceerd rekenwerk. "We kunnen simulaties opschalen voor dingen als immuunsystemen en snel genoeg draaien om allerlei verschillende parameters te onderzoeken", vertelt hij.

Zo is de universiteit een project gestart met Siemens Rail Automotive om een geavanceerde simulator te ontwikkelen. Volgens Richmond kunnen daarmee bestaande modellen voor de spoorwegen worden gebruikt in combinatie met complexe systeemmodellen over voetgangergedrag in het station, die vervolgens weer worden gebruikt met verkeersmodellen van de Londense wegen.

"Wat je vervolgens ziet is dat een trein vertraagd kan zijn en je congestie krijgt op het perron. Dit kun je verwerken in het model van het vertrekschema van treinen wat weer gevolgen kan hebben voor drukte op andere plekken", legt de onderzoeker uit. "Dit soort dingen is nauw aan elkaar verwant, maar is nog nooit eerder met elkaar gebruikt. Dat heb je ook met simulaties van voetgangers en weggebruikers, dus we zoeken momenteel met Siemens uit hoe we daar verder mee kunnen", voegt hij daaraan toe.

Code versnellen

Een ander voorbeeld is een samenwerkingsverband met consultancy Atkins Global om steden nauwkeuriger te simuleren. Er wordt samen met de Highways Agency gekeken naar software die wordt ingezet voor de strategische planning van infrastructuur om te zien waar er in wegen moet worden geïnvesteerd.

"We hebben met ze samengewerkt om de code te versnellen met GPU", vertelt Richmond. "We hebben daardoor software die normaal 12 uur duurde om de simulatie serieel uit te voeren versneld naar 8 minuten met GPU's. Ik ben daar erg tevreden over."

Supercomputer

In 2017 kocht de universiteit een DGX-1, een klein formaat 'supercomputer' van Nvidia bomvol GPU-kracht. Daarnaast is de University of Sheffield samengegaan met de Joint Academic Data Science Endeavour (JADE), een grote GPU-faciliteit, en andere universiteiten om verder te gaan met deep learning en onderzoek naar kunstmatige intelligentie.

Onderzoeker Richmond begon zijn software te ontwikkelen op consumentenversies van GPU's. Die werd ingezet op gespecialiseerde systemen als P100-, V100- en Titan V-GPU's, en daarna bij JADE die een verzameling van 23 DGX-1's gebruikt. De DGX-1 wordt voornamelijk gebruikt voor AI-onderzoek, maar een kwart van de tijd wordt hij gebruikt voor andere functies als HPC.

Nvidia heeft de DGX-2 aangekondigd op zijn conferentie, maar de universiteit gaat nog even door met zijn bestaande opstelling. "We verversen de hardware in cycli van twee á drie jaar", licht Richmond toe. "De DGX-2 is behoorlijk prijzig en aangezien we tussen de 3,5 en 4,5 miljoen euro hebben uitgegeven aan de DGX-1 is het niet waarschijnlijk dat we nu meteen upgraden."

Legacy CPU-code

Veel onderzoekers vallen terug op CPU-gebaseerde systemen. "In de VS en China zie je dat de grote spelers al GPU-versnelling gebruiken", zegt Richmond. "In het Verenigd Koninkrijk is het veel minder. Onderzoekers gebruiker oudere code die werken met CPU's, dus we hebben zelf moeten experimenteren met deze machines."

"Hoe projecten als JADE slagen is van invloed op het beleid qua aanbesteding als we kijken naar een grotere schaal, bijvoorbeeld voor de volgende hardware-refresh."