Il nuovo supercalcolatore CRESCO7 ospitato presso il Centro di Ricerca ENEA di Portici è stato ufficialmente aperto e reso disponibile all’intera comunità di utenti di ENEAGRID a partire da lunedì 1° Luglio 2024.

La presentazione online delle principali novità, si è tenuta
sulla piattaforma Teams, lunedì 1° Luglio 2024 alle ore 10:00.

Questo sistema di calcolo, che dal punto di vista hardware è composto da 144 nodi, ognuno dei quali ha:
– 2 socket da 24 core con processore Intel(R) Xeon(R) Platinum 8160 con frequenza di clock pari 2.10GHz
– 192 GB di RAM
– 1 interfaccia Mellanox-EDR
– 2 interfacce GbE
presenta diverse novità software che lo distinguono dai predecessori, in particolare:
– un nuovo sistema operativo (AlmaLinux9.2);
– un nuovo gestore delle code di sottomissione di job (SLURM);
– una nuova tipologia di file system parallelo (LUSTRE).

Tutte queste caratteristiche, che oltretutto rendono per la prima volta lo stack software di base completamente open source su uno dei supercalcolatori della famiglia CRESCO, saranno il punto di partenza per le future installazioni di grossa taglia, come il prossimo sistema di calcolo CRESCO8.

Maggiori dettagli sull’architettura del Sistema CRESCO7 sono consultabili alla seguente pagina.

Martedì 25 giugno con inizio alle ore 10,30, l’ENEA coordina il webinar “Introduzione al Digital Twin: Obiettivi e soluzioni”, nell’ambito del progetto Spoke 2 “Trasferimento tecnologico, nuova imprenditorialità, incubazione e accelerazione di impresa”.

L’obiettivo del corso è fornire ai partecipanti un’introduzione all’impiego delle tecnologie Digital Twin e alla loro efficacia nei tre settori scientifici: Energetico, Digitalizzazione e Salute & Bio-Pharma. Il webinar presenta lo stato dell’arte dei Digital Twin, con un focus sulla fase di progettazione virtuale (Design) e sulla fase produttiva per l’analisi predittiva (Servizi).

L’evento è on line sul sito tematico ENEA Eventi dove si trova anche il programma della giornata. Nella pagina dedicata all’evento è già inserito il link al form d’iscrizione.

Ottimizzare le prestazioni di fonti energetiche come il fotovoltaico, l’idroelettrico, l’eolico e in futuro anche il nucleare da fusione, utilizzando supercomputer di nuova generazione in grado di risolvere un trilione di operazioni al secondo (‘esascala’). È l’obiettivo del progetto triennale EoCoE-III, finanziato dall’Impresa comune europea per il calcolo ad alte prestazioni (EuroHPC JU) che si propone di rendere l’Unione europea leader mondiale nel supercalcolo. Al progetto partecipano esperti informatici e di fonti rinnovabili provenienti da 18 organizzazioni europee pubbliche e private, tra cui per l’Italia ENEA, Cnr e le università di Trento e di Roma Tor Vergata.

La potenza di calcolo dei supercomputer esascala consente di sviluppare applicazioni in grado di riprodurre virtualmente e fedelmente, su scala reale, fenomeni naturali di interesse energetico. “Attraverso il supercalcolo è possibile effettuare simulazioni in settori quali l’energia da fusione, i materiali, l’idroelettrico e l’eolico”, spiega il responsabile del progetto per ENEA, Massimo Celino, ricercatore della Divisione per lo Sviluppo di sistemi per l’informatica e l’ICT. Nell’ambito della fusione, le simulazioni si propongono di supportare gli esperimenti sul tokamak ITER in costruzione a Cadarache, in Francia. Per ottimizzare le prestazioni e minimizzare i rischi, ogni scenario dovrà essere convalidato numericamente. “Nel settore dei materiali sarà realizzata un’applicazione per effettuare simulazioni che potranno avere sviluppi significativi sul fotovoltaico e sulla sensoristica” aggiunge Celino.

Per quanto riguarda la produzione di energia idroelettrica, i modelli ricavati con il supercalcolo consentono di ottenere informazioni spazio-temporali continue e di fare previsioni e proiezioni sull’andamento, ad esempio, dei bacini idrici. Rispetto all’eolico, le simulazioni potranno chiarire in modo ottimale la dinamica dei flussi di aria all’interno di un parco eolico. Questa tipologia di analisi consentirà di rendere l’eolico più economico e diffuso anche attraverso una riduzione delle perdite di energia che, a livello di impianto, sono stimate fra il 20% e il 30% complessivo.

Per maggiori informazioni:
Massimo Celino, ENEA – Divisione per lo Sviluppo di sistemi per l’informatica e l’ICT, massimo.celino@enea.it

EoCoE

EoCoE-YouTube

Al termine del progetto T-WINNING, finanziato nell’ambito degli Accordi dell’Innovazione, ENEA ha realizzato un sistema per la valorizzazione dei dati provenienti dai social media attraverso tecniche di Machine Learning e Deep Learning, per fornire informazioni sulla moda e sui gusti dei consumatori, per migliorare l’analisi dei dati social, in particolare il tasso di coinvolgimento degli utenti per determinate immagini, l’engagement rate.

Il sistema di crawling di dati social si è basato sull’architettura HPC CRESCO6, e sono stati configurati e rilasciati per le finalità del progetto 8 nodi specifici per il crawling per un totale di 96 core, ai quali si aggiungono per le elaborazioni i 434 nodi del cluster CRESCO6 di Portici ed i 6 nodi GPU A100 della sede di Frascati, finalizzati agli algoritmi di Deep Learning.

La raccolta dei dati dai social avviene mediante l’utilizzo di uno software sviluppato in linguaggio Python e basato sul pacchetto open source Instaloader. Tale software utilizza le Graph API di Instagram per il download di post basato su hashtag di interesse. Vengono scaricate le foto, la caption e i metadati di ogni post. Utilizzando uno schedulatore si imposta l’esecuzione giornaliera dell’estrazione dei dati.
I post estratti vengono memorizzati nella collezione del database non relazionale MongoDB, mentre le immagini in essi contenuti sono memorizzate all’interno di Ceph, una piattaforma software open source di storage progettata per soddisfare le esigenze di storage di oggetti, blocchi e file all’interno di architetture multinodo.
L’algoritmo di Deep Learning utilizza un bucket di immagini fashion della categoria “borsa”, etichettata in undici diverse classi, a cui vengono associati dei metadati (numero di like, commenti, condivisioni, orario di pubblicazione, hashtag, latitudine e longitudine).

Il sistema è composto, in una prima fase, da un segmentatore MaskRCNN in serie alla rete Dinov2 basata sull’architettura dei Transformer, per identificare i pattern caratterizzanti dalle immagini, definendo le coordinate delle bounding boxes contenenti borse nelle immagini e classificando la borsa presente per tipologia.
Tale classificazione ha un’accuratezza del 98,6%, infatti il sistema ha mostrato di essere in grado di rilevare le caratteristiche distintive delle borse, e di associarle alle classi di borse corrispondenti.

Successivamente si utilizzano una rete neurale Gated Recurrent Unit (GRU) bidirectionale per esaminare le informazioni sequenziali degli hashtag, e una Feed-Forward network per distillare le informazioni aggregate dei metadati. Le caratteristiche estratte vengono concatenate e passate ai layers di output in grado di predire l’engagement rate.

Il punteggio di engagement rate viene definito con una formula pesata che include il numero di like e il numero di commenti relativi all’immagine selezionata.
Nel sistema sono state identificate cinque classi di engagement rate in base alla percentuale prevista di interazione. Poiché il dataset non comprende dati con punteggi massimi di engagement rate, le cinque classi non sono distribuite in maniera uniforme. Infatti, le prime quattro sono composte ognuna da un progressivo 15% di engagement, mentre l’ultima comprende punteggi dal 60 al 100%.
Il dataset viene diviso in training set (80%) e validation set (20%) per addestrare e validare l’algoritmo. Gli iperparametri utilizzati sono categotical cross-entropy come loss function, Adam come ottimizzatore, 0.001 come learning rate e 32 come batch size. Il sistema utilizza la tecnica di dropout (20%) per prevenire l’overfitting, e quella di early stopping per fermare l’addestramento quando viene raggiunta la convergenza. Il training avviene utilizzando una stratified K-fold Cross Validation per conferire robustezza al modello.

Questo sistema basato su algoritmi di deep learning permette di predire l’engagement rate di una determinata immagine in base all’orario di pubblicazione e agli hashtag utilizzati.
Le prestazioni del sistema sono buone ed hanno una precisione media del 98,1%, una recall media del 98% e un F1-score medio del 98,8%.

Il sistema potrebbe garantire performance maggiori e predizioni più precise con un training set più bilanciato, ad esempio composto da immagini di account social con lo stesso numero di follower (superiore a 1 milione).

L’8 marzo scorso a Roma si è svolto il Kick of Meeting della terza edizione del progetto europeo EoCoE: Centro di Eccellenza per l’Energia.
Iniziato a gennaio 2024 con durata triennale, per il settimo anno conferma l’impegno di ENEA nello sviluppo di soluzioni innovative nel settore del super-calcolo scientifico a vantaggio dell’energia a basse emissioni di carbonio, con ricadute positive non solo nella Ricerca ma anche nell’Industria.
Obiettivo principale di EoCoE-III è sostenere una serie di azioni di ricerca e innovazione con cui si potranno sviluppare e adattare applicazioni di super-calcolo matematico nell’era dei computer exascale e post-exascale.

I risultati ottenuti nei primi due progetti (EoCoE ed EoCoE-II) hanno infatti già dimostrato il notevole potenziale dell’exascale Computing all’interno del dominio dell’energia.
A supportare il progetto vi è un approccio di co-design collaborativo che vede un team di sviluppatori di librerie software lavorare a fianco di esperti in High Performance Computing, provenienti da 18 organizzazioni europee pubblico-private.
Inoltre, EoCoE dimostrerà il valore scientifico e sociale delle soluzioni sviluppate attraverso l’esecuzione di cinque specifiche simulazioni, che sfrutteranno al massimo l’architettura exascale, ciascuna improntata sul raggiungimento di innovativi traguardi scientifici.
Nello specifico, ENEA, oltre ad essere coordinatore del Work Package 7 sulle attività di Communication, Dissemination e Training, è coinvolta anche nel Work Package 2 che mira a creare uno strumento dinamico di simulazione quantistica capace di gestire etero-strutture optoelettroniche basate su materiali 2D. Questo avanzamento implica poi diversi fattori come le interazioni luce-vettore, la dispersione elettrone-fonone e l’influenza degli effetti eccitonici. L’approccio collaborativo è fondamentale al fine di trasformare il codice di calcolo in uno strumento in grado di operare sui sistemi exascale.

Va infine sottolineato che EoCoE è parte integrante del progetto CASTIEL 2 la cui missione è promuovere la collaborazione tra i vari Centri di Competenza Nazionali (NCC) e i vari Centri di Eccellenza (CoE) su scala europea, per massimizzare la loro influenza sul panorama europeo in ambito HPC.

EoCoE, https://www.eocoe.eu/
Contact: massimo.celino@enea.it