L'Università della Pennsylvania accelera la ricerca in tutte le discipline con NVIDIA DGX SuperPOD

L'ascesa dell'IA su larga scala ha cambiato radicalmente ciò che significa fare scienza computazionale. Campi come la scienza biomedica, la robotica, la linguistica e la scienza dei materiali che richiedono risorse di calcolo specializzate ora generano carichi di lavoro di addestramento che mettono a dura prova i limiti di ciò che qualsiasi singolo laboratorio può praticamente supportare. Per Penn, un'università con dodici scuole incluse che perseguono simultaneamente la ricerca finanziata a livello federale, la domanda non era se investire nell'infrastruttura IA, ma come creare qualcosa di condiviso, accessibile e abbastanza potente da servire ogni ricercatore del campus.

Il cloud pubblico potrebbe colmare le lacune di calcolo a breve termine, ma l'economia si è rivelata difficile su scala accademica. Eseguire esperimenti ripetuti su decine di varianti di modelli, semi casuali e set di dati di grandi dimensioni è il tipo di lavoro rigoroso che promuove l'innovazione e i risultati pubblicati condivisi, oltre a opportunità di finanziamento per ulteriori esplorazioni. Tuttavia, richiedeva un livello di calcolo che non era disponibile localmente o abbastanza costoso da rendere l'iterazione impraticabile. Gli esperimenti più ambiziosi erano più difficili da perseguire proprio quando contavano di più: prima che esistessero i risultati per giustificare un ulteriore supporto economico per l'avanzamento.

Ciò di cui Penn aveva bisogno era una piattaforma in grado di incontrare ogni ricercatore laddove si trovasse, abbastanza scalabile per l'addestramento di modelli di frontiera, abbastanza conveniente per un ampio accesso e abbastanza integrata da permettere di iniziare in poche ore, non mesi.

L'impatto sull'ambito e sulla velocità della ricerca è stato immediato. Nel programma di robotica di Penn, i ricercatori che eseguono esperimenti di apprendimento per rinforzo per navigare in ambienti sconosciuti possono ora parallelizzare completamente le prove di addestramento su Betty. Lo stesso team ha addestrato modelli di visione-language-action (VLA) basati su predicati con parametri 3B+ precedentemente fuori portata a causa dei requisiti di calcolo. I risultati hanno ottenuto un'accelerazione di 12 volte nell'addestramento dei modelli rispetto alla configurazione precedente, con risultati VLA preliminari che hanno superato lo stato dell'arte. "Su una GPU desktop, ogni esecuzione di addestramento di apprendimento per rinforzo richiede da tre a quattro ore, limitandoci a sei o sette esecuzioni al giorno. Con solo una flotta di otto GPU sul nostro DGX SuperPOD, possiamo completare 100 esecuzioni con diverse configurazioni al giorno, un incremento di oltre 14 volte del throughput sperimentale giornaliero", ha dichiarato Vijay Kumar, Professore e Nemirovsky Family Dean, Penn Engineering.

L'impatto di Betty si estende ben oltre ogni singolo laboratorio. Una collaborazione tra il Mack Institute e il Penn Center for Innovation ha utilizzato Betty per analizzare le correlazioni semantiche in più di 40.000 documenti, riducendo circa 1,5 anni di tempo di calcolo a soli tre giorni. CAMEL-ECG, un modello progettato per ridurre l'affaticamento da allarmi nella diagnostica ECG clinica, è stato addestrato su Betty da un team che comprende Penn Engineering e la Perelman School of Medicine: una collaborazione abilitata direttamente dall'accesso condiviso alla piattaforma.

La scienza biomedica è un punto di forza di lunga data presso la Penn, con ricercatori che hanno aperto la strada alla tecnologia dei vaccini a mRNA, vincitrice del Premio Nobel. Betty ora supporta un modello generativo per mRNA e costruzioni proteiche che ha dimostrato un'espressione oltre 400 volte superiore. Il corpo docente della Penn ha inoltre analizzato l'intero repository PubMed ed estratto un grafo di conoscenza per l'addestramento di modelli predittivi per tipi di biomolecole, con un sistema di co-scienziato agentico costruito su tali dati per supportare lo sviluppo di terapie a base di RNA e nanoparticelle lipidiche.

Oggi, Betty serve circa 950 ricercatori registrati in 200 gruppi di ricerca, offrendo 120.000 ore di GPU e 30.000 lavori al mese a un costo sovvenzionato di circa 1 $ per ora di GPU. Qualsiasi ricercatore del Penn può richiedere l'accesso e i nuovi utenti possono passare dall'iscrizione al lavoro produttivo su Betty in poche ore anziché settimane. “Betty offre ai ricercatori della Penn una capacità IA integrata precedentemente non disponibile nel campus. A un costo oltre 10 volte inferiore rispetto alle alternative cloud commerciali, il DGX SuperPOD trasforma l'addestramento di modelli su larga scala e i progetti di intelligenza artificiale per la scienza da iniziative impraticabili in attività che i team di ricerca possono costruire, testare e perfezionare”, ha aggiunto Vijay.

Penn sta già espandendo il portfolio di modelli di Betty. La piattaforma ora serve modelli aperti su scala di frontiera, tra cui GLM-5.2-NVFP4, una distribuzione ottimizzata NVIDIA per le GPU NVIDIA Blackwell che supporta lunghezze di contesto fino a 500.000 token con distribuzioni multi-nodo Kimi K3 in corso. Le capacità di Betty supportano non solo la ricerca, ma anche l'insegnamento. Il nuovo corso "Sviluppo software con agenti di codifica IA" di Penn viene lanciato questo autunno con 75 studenti che utilizzano un endpoint di modello ospitato da Betty per i compiti di codifica e la valutazione, all'interno dei confini di governance dei dati di Penn, con un numero di iscrizioni previsto in crescita a 250 studenti in primavera.

Nell'imaging biomedico, i ricercatori della Penn stanno creando set di dati multimodali che vanno dalla scala degli organi alla risoluzione di singola cellula, creando la base per modelli che potrebbero eventualmente prevedere la funzione degli organi o supportare la medicina rigenerativa. L'impatto clinico del lavoro di Betty continua a emergere, ma la piattaforma guida già i carichi di lavoro computazionali che selezionano peptidi, proteine e mRNA candidati per i test sperimentali e la potenziale traduzione in trattamento.

L'investimento di Penn in Betty dimostra cosa diventa possibile quando un'università di ricerca tratta il calcolo non come una risorsa dipartimentale, ma come una base condivisa per l'innovazione, aperta a ogni ricercatore, accessibile su scala accademica e abbastanza potente che sia la scienza, non l'hardware, a stabilire il limite.