Voit virkistää muistiasi katsomalla videon
Videolla näytetään simulaatio nanokokoisten kultahiukkasten törmäyksestä kultapintaan. Hiukkaskoko on noin 20 nanometriä eli 20 miljoonasosaa millimetristä. Tämän prosessin hahmottaminen on tärkeää esimerkiksi avaruusalusten säteilyvaurioiden ymmärtämiseksi. Makroskooppinen kraatterinmuodostus, jota tapahtuu esimerkiksi meteoriittien osuessa maahan, voidaan käsittää puhtaasti kahden kiinteän aineen välisenä makroskooppiseksi vuorovaikutukseksi, jossa isku aiheuttaa aineiden sisäisiä jännityksiä ja ulkoisia muodonmuutoksia. Sitä vastoin atomien aiheuttama, mikroskooppinen kraatterinmuodostus voidaan käsittää atomitason prosessiksi, joka koostuu sarjasta yksittäisten atomien peräkkäisiä siirtymiä. Tutun makroskooppisen ilmiön täytyy syntyä mikroskooppisista prosesseista jossain näiden kahden ääripään välillä. Ilmiöiden päällekkäisyys useiden suuruusluokkien mittakaavassa edellyttää huomattavaa laskentatehoa niiden simuloimiseksi, ja tämä on mahdollista vain rinnakkaislaskennan ja supertietokoneiden avulla.
Kun ihmiset hengittävät, he päästävät ilmaan aerosoleja. Näiden aerosolien leviämistä voidaan tutkia supertietokoneilla, mikä puolestaan auttaa meitä taistelussa COVID-19-pandemiaa vastaan. Aerosolihiukkaset ovat erittäin pieniä ja kevyitä, joten niitä voidaan pitää ilmateitse liikkuvina pisteinä. Itse ilman liikettä on kuitenkin hyvin monimutkaista simuloida. Jopa näennäisesti lempeissä olosuhteissa, kuten puhallettaessa kahvikupin höyryä tai kynttilän savua, ilman liike muuttuu näkyvästi ja siitä tulee turbulenttia. Turbulenssin simulointi on erittäin haastavaa, koska turbulenssivirtaus on pyörteiden superpositiota kaikissa suuruusluokissa. Matemaatikko Lewis Fry Richardson esitti asian runollisemmin:
Suurissa pyörteissä on pieniä pyörteitä, jotka nopeutuvat isompien mukana, ja pienissä pyörteissä on vieläkin pienempiä pyörteitä aina viskositeettiin saakka.
Aerosolien kulkeutumista huoneeseen käsittelevän simulaation on ulotuttava huoneen geometriasta aina pienimpiin pyörteisiin, jotka hädin tuskin selviävät viskositeetin vaimentavasta vaikutuksesta.
Lisätietoa on saatavilla
Hiilipäästöjen ilmastovaikutusten ymmärtämiseksi tarvitaan pitkän aikavälin simulointeja. Alla olevassa videossa esitetään vuosituhannen mittainen simulointi pintailman lämpötilasta arktisella alueella ja Grönlannin jäätikön paksuudesta. Siinä vastataan esimerkiksi kysymyksiin siitä, milloin arktisella alueella ei enää ole jääpeitettä kesä- ja talviaikaan. Tässä tapauksessa järjestelmä ei sisällä vain hyvin erilaisia mittakaavoja (niin ajassa kuin tilassakin), vaan myös hyvin erilaisten fyysisten mallien ohjaamien järjestelmien kytkemistä, joista jokainen edellyttää huomattavaa laskentatehoa. Jääpeitteen sekä maapallon ilmakehän ja valtamerten tilojen kehitystä simuloidaan aika-askeleittain siten, että kytketyt mallit vaihtavat tietoa toistensa välisillä rajapinnoilla, kuten esimerkiksi lumisateen määrän ilmakehästä jäätikölle ja makean veden virtauksen mereen jäätikön sulamisen vuoksi.
Neuroverkot ja syväoppiminen ovat mahdollistaneet tärkeitä edistysaskeleita kielenkäsittelyssä. Kun havaitaan sanojen tai sanaryhmien välisiä korrelaatioita, neuroverkot voivat oppia kielen taustaelementtejä kuten sanastollisen kontekstin. Tällaisten neuroverkkojen kouluttaminen edellyttää kuitenkin valtavan määrän tekstiä, jota saadaan usein esimerkiksi Wikipediasta, uutisartikkeleista tai keskustelupalstoilta. Näin suuren korpustekstin käsittely on mahdollista supertietokoneilla, erityisesti uusilla grafiikkasuorittimiin perustuvilla koneilla.
Tekoälyjärjestelmä voi tunnistaa syöpää sisältävät kudosnäytteet lähes virheettömästi. Tutkijat skannasivat digitaalisesti yli 8 000 eturauhasnäytettä tekoälyn kouluttamiseksi ja testaamiseksi. Kymmenestä syvästä neuroverkosta koostuva tekoälyjärjestelmä koulutettiin erottamaan hyvänlaatuiset ja syöpään liittyvät eturauhaskudosnäytteet toisistaan.
Tekoälyn kouluttamiseen käytettiin noin kuutta miljoonaa digitaalisesti skannatuista näytteistä otettua kuvaa. Kuvadataa oli noin 30 teratavua, ja lopullinen koulutusdata koostui yli kahdesta biljoonasta kuvapisteestä. Tavallisella yksittäisellä suorittimella mallin kouluttaminen olisi kestänyt ainakin useita kuukausia, ellei vuosia, mutta grafiikkasuorittimilla varustetun supertietokoneen ansiosta kokonaislaskenta-aika lyheni 2–3 päivään.
Tekoälyjärjestelmän ei ole tarkoitus korvata ihmisasiantuntijoita, vaan tarjota patologeille potilasturvallisuutta parantava työkalu, jolla voidaan toisaalta parantaa työn tehokkuutta.
Koska supertietokoneet ovat erittäin monipuolisia, ei ole mahdollista antaa tyhjentävää luetteloa kaikista käyttökohteista. Alla on kuitenkin tietoja joistakin käyttökohteista (valinnainen).