સુપરકોમ્પ્યુટરની શક્તિ: આધુનિક વિજ્ઞાન અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ પાછળનું મહાકાય એન્જિન
હાઈ-પરફોર્મન્સ કોમ્પ્યુટિંગ (HPC) કેવી રીતે હજારો પ્રોસેસર્સને જોડીને અશક્ય લાગતી ગણતરીઓ સેકન્ડોમાં પૂર્ણ કરે છે અને AI ટ્રેનિંગમાં ક્રાંતિ લાવે છે તેની ઊંડી સમજ.
સુપરકોમ્પ્યુટર એ સામાન્ય હેતુ માટે વપરાતા કોમ્પ્યુટરની તુલનામાં અત્યંત ઉચ્ચ સ્તરનું પ્રદર્શન ધરાવતું મશીન છે. તે માત્ર ઝડપી નથી, પરંતુ તે જટિલ ગણતરીઓ કરવા માટેની એક આખી પ્રણાલી છે. આજના સમયમાં સુપરકોમ્પ્યુટર્સ કોમ્પ્યુટેશનલ સાયન્સ (computational science) એટલે કે ગણતરી આધારિત વિજ્ઞાનના ક્ષેત્રમાં મહત્વની ભૂમિકા ભજવે છે. તેનો ઉપયોગ ક્વોન્ટમ મિકેનિક્સ, હવામાનની આગાહી, આબોહવા સંશોધન, તેલ અને ગેસની શોધ, મોલેક્યુલર મોડેલિંગ અને ભૌતિક સિમ્યુલેશન જેવા અત્યંત જટિલ કાર્યો માટે કરવામાં આવે છે. આ મશીનો બ્રહ્માંડની શરૂઆતની ક્ષણોથી લઈને પરમાણુ શસ્ત્રોના પરીક્ષણ સુધીની બાબતોને ડિજિટલ સ્વરૂપે સમજવામાં મદદ કરે છે.
સામાન્ય ડેસ્કટોપ કોમ્પ્યુટરની કામગીરી મિલિયન ઇન્સ્ટ્રક્શન્સ પર સેકન્ડ (MIPS) માં માપવામાં આવે છે, પરંતુ સુપરકોમ્પ્યુટરની ક્ષમતા ફ્લોટિંગ-પોઈન્ટ ઓપરેશન્સ પર સેકન્ડ (FLOPS) માં માપવામાં આવે છે. ફ્લોટિંગ-પોઈન્ટ ઓપરેશન (floating-point operation) એટલે દશાંશ ચિહ્નવાળી સંખ્યાઓની ગણતરી. વર્ષ ૨૦૨૨ થી એક્ઝાસકેલ (exascale) સુપરકોમ્પ્યુટર્સ અસ્તિત્વમાં આવ્યા છે, જે ૧૦૧૮ થી વધુ FLOPS ની ગણતરી કરી શકે છે. સરખામણી માટે જોઈએ તો, એક સામાન્ય ડેસ્કટોપ કોમ્પ્યુટર સેંકડો ગીગાફ્લોપ્સ (૧૦૧૧) થી લઈને થોડા ટેરાફ્લોપ્સ (૧૦૧૩) ની રેન્જમાં કામ કરે છે. નવેમ્બર ૨૦૧૭ થી વિશ્વના તમામ ટોચના ૫૦૦ સુપરકોમ્પ્યુટર્સ Linux આધારિત ઓપરેટિંગ સિસ્ટમ પર ચાલે છે.
સુપરકોમ્પ્યુટિંગનો ઇતિહાસ ૧૯૬૦ ના દાયકામાં શરૂ થયો હતો. ૧૯૬૦ માં UNIVAC એ અમેરિકી નૌકાદળ માટે લિવરમોર એટોમિક રિસર્ચ કોમ્પ્યુટર (LARC) બનાવ્યું હતું, જે પ્રથમ સુપરકોમ્પ્યુટર્સમાંનું એક ગણાય છે. તે સમયે ડિસ્ક ડ્રાઈવ ટેકનોલોજી નવી હતી, તેથી તેમાં હાઈ-સ્પીડ ડ્રમ મેમરીનો ઉપયોગ થયો હતો. ત્યારબાદ IBM 7030 'Stretch' આવ્યું, જે લોસ એલામોસ નેશનલ લેબોરેટરી માટે બનાવવામાં આવ્યું હતું. આ મશીને ટ્રાન્ઝિસ્ટર, મેગ્નેટિક કોર મેમરી અને પાઈપલાઈન ઇન્સ્ટ્રક્શન્સ જેવી પાયાની ટેકનોલોજીનો ઉપયોગ કર્યો હતો. જોકે તે અપેક્ષા મુજબ ૧૦૦ ગણી ઝડપ મેળવી શક્યું ન હતું, પરંતુ તેણે ભવિષ્યના સુપરકોમ્પ્યુટર્સ માટે પાયો નાખ્યો હતો.
સેમુર ક્રે (Seymour Cray) ને સુપરકોમ્પ્યુટિંગના પિતા માનવામાં આવે છે. તેમણે ૧૯૬૪ માં CDC 6600 ડિઝાઇન કર્યું હતું, જે જર્મનિયમ ટ્રાન્ઝિસ્ટરથી સિલિકોન ટ્રાન્ઝિસ્ટર તરફનું સંક્રમણ હતું. સિલિકોન ટ્રાન્ઝિસ્ટર વધુ ઝડપથી ચાલી શકતા હતા અને ગરમીની સમસ્યા ઉકેલવા માટે તેમાં રેફ્રિજરેશન સિસ્ટમનો ઉપયોગ કરવામાં આવ્યો હતો. CDC 6600 તે સમયના અન્ય કોમ્પ્યુટર્સ કરતા ૧૦ ગણું ઝડપી હતું અને તેની કિંમત ૮ મિલિયન ડોલર હતી. ૧૯૭૬ માં ક્રેએ પોતાનું Cray-1 મશીન રજૂ કર્યું, જે ૮૦ MHz પર ચાલતું હતું અને ઇતિહાસના સૌથી સફળ સુપરકોમ્પ્યુટર્સમાંનું એક બન્યું. ૧૯૮૫ માં આવેલા Cray-2 એ ૧.૯ ગીગાફ્લોપ્સની ઝડપ સાથે ગીગાફ્લોપનો અવરોધ તોડ્યો હતો.

| મોડેલ | વર્ષ | ઝડપ / વિશેષતા |
|---|---|---|
| CDC 6600 | ૧૯૬૪ | સિલિકોન ટ્રાન્ઝિસ્ટર અને રેફ્રિજરેશન સાથે સૌથી ઝડપી |
| Cray-1 | ૧૯૭૬ | ૮૦ MHz ઝડપ ધરાવતું અત્યંત સફળ નળાકાર મશીન |
| Cray-2 | ૧૯૮૫ | ૧.૯ ગીગાફ્લોપ્સ ઝડપ અને લિક્વિડ કૂલિંગ |
સુપરકોમ્પ્યુટરની ડિઝાઇનમાં મુખ્યત્વે બે અભિગમ જોવા મળે છે: વેક્ટર પ્રોસેસિંગ અને પેરેલલ પ્રોસેસિંગ. વેક્ટર પ્રોસેસર્સ (vector processors) ડેટાના મોટા એરે પર એકસાથે કામ કરે છે, જે ૧૯૯૦ ના દાયકા સુધી પ્રભુત્વ ધરાવતું હતું. બીજી તરફ, મેસિવલી પેરેલલ પ્રોસેસિંગ (massively parallel processing) માં હજારો પ્રોસેસર્સ એકસાથે મળીને એક જ સમસ્યાના અલગ-અલગ ભાગો ઉકેલે છે. સેમુર ક્રેએ એકવાર મજાકમાં કહ્યું હતું કે, "જો તમારે ખેતર ખેડવું હોય, તો તમે શું પસંદ કરશો? બે મજબૂત બળદ કે ૧૦૨૪ મરઘીઓ?" તેમનો ઈશારો શક્તિશાળી સિંગલ પ્રોસેસર તરફ હતો, પરંતુ સમય જતાં 'મરઘીઓ' એટલે કે હજારો નાના પ્રોસેસર્સનો સમૂહ વધુ અસરકારક સાબિત થયો.
આધુનિક સુપરકોમ્પ્યુટર્સ હવે હજારો કોમોડિટી CPUs (સામાન્ય રીતે મળતા પ્રોસેસર્સ) અને ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ (GPUs) ના મિશ્રણથી બને છે. ૧૯૯૮ માં ડેવિડ બેડરે પ્રથમ Linux સુપરકોમ્પ્યુટર બનાવ્યું હતું, જેમાં સામાન્ય બજારમાં મળતા ભાગોનો ઉપયોગ થયો હતો. આ અભિગમને કારણે સુપરકોમ્પ્યુટર બનાવવાનો ખર્ચ ઘટ્યો અને તેની માપનીયતા (scalability) વધી. આજે હાઈ-પરફોર્મન્સ કોમ્પ્યુટિંગ (HPC) એ માત્ર સુપરકોમ્પ્યુટર પૂરતું મર્યાદિત નથી, પરંતુ તેમાં કોમ્પ્યુટર ક્લસ્ટર્સ અને ગ્રીડ કોમ્પ્યુટિંગનો પણ સમાવેશ થાય છે. ક્લસ્ટર (cluster) એટલે એકબીજા સાથે જોડાયેલા અનેક કોમ્પ્યુટર્સ જે એક જ સિસ્ટમ તરીકે કામ કરે છે.

HPC સિસ્ટમ્સમાં ઇન્ટરકનેક્ટ (interconnect) એટલે કે આંતરિક જોડાણની ભૂમિકા અત્યંત મહત્વની છે. જ્યારે હજારો પ્રોસેસર્સ એકસાથે કામ કરતા હોય, ત્યારે તેમની વચ્ચે ડેટાની આપ-લે ખૂબ જ ઝડપથી થવી જોઈએ. આ માટે ઇન્ફિનિબેન્ડ (Infiniband) અથવા સ્લિંગશોટ (Slingshot) જેવી હાઈ-સ્પીડ અને લો-લેટન્સી (ઓછો વિલંબ) ટેકનોલોજીનો ઉપયોગ થાય છે. આ જોડાણો એટલા ઝડપી હોય છે કે તે આખી સિસ્ટમને એક વિશાળ મશીન તરીકે કામ કરવા દે છે. AI એન્જિનિયરિંગમાં HPC નો ઉપયોગ ડેટા એનાલિટિક્સ સાથે મળીને કરવામાં આવે છે, જે સિમ્યુલેશનની ક્ષમતા વધારે છે.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ના યુગમાં સુપરકોમ્પ્યુટર્સની ભૂમિકા બદલાઈ રહી છે. લાર્જ લેંગ્વેજ મોડેલ્સ (LLMs) ને ટ્રેન કરવા માટે અબજો પેરામીટર્સ અને પ્રચંડ ડેટાની જરૂર પડે છે. આ કામ સામાન્ય સર્વર્સ પર વર્ષો લઈ શકે છે, પરંતુ સુપરકોમ્પ્યુટર્સ તેને થોડા અઠવાડિયામાં પૂર્ણ કરી શકે છે. જનરલ-પર્પઝ ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ (GPGPUs) આ બાબતમાં ક્રાંતિકારી સાબિત થયા છે. GPUs ને શરૂઆતમાં ગેમિંગ માટે બનાવવામાં આવ્યા હતા, પરંતુ તેમની સમાંતર ગણતરી કરવાની ક્ષમતા AI ટ્રેનિંગ માટે આદર્શ છે. ૨૦૧૨ માં ટાઇટન (Titan) સુપરકોમ્પ્યુટરે CPUs સાથે GPUs જોડીને આ દિશામાં મોટું પગલું ભર્યું હતું.

વિશ્વના સૌથી ઝડપી સુપરકોમ્પ્યુટર્સની યાદી TOP500 દ્વારા વર્ષમાં બે વાર જાહેર કરવામાં આવે છે. આ યાદી LINPACK બેન્ચમાર્ક પર આધારિત છે. જૂન ૨૦૨૬ ના અહેવાલ મુજબ, શેનઝેન નેશનલ સુપરકોમ્પ્યુટિંગ સેન્ટરનું LineShine વિશ્વનું સૌથી ઝડપી સુપરકોમ્પ્યુટર છે. જોકે, અમેરિકાના El Capitan અને Frontier જેવા મશીનો પણ એક્ઝાસકેલ ક્ષમતા ધરાવે છે. El Capitan ૧.૭૪૨ exaFLOPS ની ઝડપ ધરાવે છે અને તેમાં ૧૧ મિલિયનથી વધુ કોર્સ (cores) છે. જાપાનનું Fugaku સુપરકોમ્પ્યુટર ૪૪૨.૦૧ petaFLOPS સાથે તેના વિશિષ્ટ A64FX પ્રોસેસર્સ માટે જાણીતું છે.
exaFLOPS

ભારત અને અન્ય દેશો પણ આ ક્ષેત્રમાં રોકાણ કરી રહ્યા છે. સુપરકોમ્પ્યુટર્સ હવે માત્ર સરકારી પ્રયોગશાળાઓ પૂરતા મર્યાદિત નથી. Microsoft Azure જેવી ક્લાઉડ સેવાઓ પણ Eagle જેવા સુપરકોમ્પ્યુટર્સ હોસ્ટ કરે છે, જે NVIDIA H100 GPUs નો ઉપયોગ કરે છે. આનાથી સંશોધકો અને કંપનીઓને મોંઘા ઇન્ફ્રાસ્ટ્રક્ચરમાં રોકાણ કર્યા વગર સુપરકોમ્પ્યુટિંગની શક્તિ મળે છે. જોકે, ક્લાઉડમાં ડેટાની ગુપ્તતા અને સુરક્ષા હજુ પણ ચિંતાનો વિષય છે.
સુપરકોમ્પ્યુટિંગના ભવિષ્યમાં સોફ્ટવેર ડેવલપમેન્ટ એક મોટો પડકાર છે. મોટાભાગની એપ્લિકેશનો હજારો પ્રોસેસર્સ પર એકસાથે ચાલવા માટે ડિઝાઇન કરવામાં આવી નથી. આ 'સ્કેલિંગ' (scaling) સમસ્યાને કારણે હાર્ડવેરની પૂરેપૂરી શક્તિનો ઉપયોગ થઈ શકતો નથી. આ ઉપરાંત, આ મશીનો ચલાવવા માટે પ્રચંડ વીજળીની જરૂર પડે છે અને તેમાંથી પેદા થતી ગરમીને ઠંડી કરવા માટે જટિલ કૂલિંગ સિસ્ટમ્સ જોઈએ છે. ઉદાહરણ તરીકે, Cray-2 માં પ્રવાહી કૂલન્ટ (Fluorinert) ને આખી આર્કિટેક્ચરમાં પંપ કરવામાં આવતું હતું.
નિષ્કર્ષમાં, સુપરકોમ્પ્યુટર એ માત્ર ગણતરી કરવાનું સાધન નથી, પરંતુ તે માનવ જ્ઞાનની સીમાઓને વિસ્તારવાનું માધ્યમ છે. ભલે તે નવી દવાનું મોલેક્યુલર બંધારણ શોધવાનું હોય કે પછી વધુ સચોટ AI મોડેલ બનાવવાનું હોય, HPC ટેકનોલોજી આધુનિક વિશ્વની કરોડરજ્જુ સમાન છે. જેમ જેમ આપણે એક્ઝાસકેલથી આગળ વધીશું, તેમ તેમ વિજ્ઞાન અને ટેકનોલોજીના ક્ષેત્રમાં નવી ક્ષિતિજો ખુલતી જશે.


