Die University of Pennsylvania beschleunigt die Forschung in verschiedenen Disziplinen mit NVIDIA DGX SuperPOD

Der Aufstieg der KI in großem Maßstab hat die Bedeutung der computergestützten Wissenschaft grundlegend verändert. Bereiche wie die biomedizinische Wissenschaft, Robotik, Linguistik und Materialwissenschaft, die spezialisierte Rechenressourcen erfordern, generieren jetzt Trainings-Workloads, die an die Grenzen dessen stoßen, was jedes einzelne Labor praktisch unterstützen kann. Für Penn, eine Universität mit zwölf Fakultäten, die gleichzeitig vom Bund geförderte Forschung betreiben, war die Frage nicht, ob man in KI-Infrastruktur investieren sollte, sondern wie man etwas Gemeinsames entwickelt, das zugänglich ist und leistungsstark genug, um jeden Forscher auf dem Campus zu unterstützen.

Die Public Cloud konnte kurzfristige Rechenlücken schließen, aber die Wirtschaftlichkeit erwies sich im akademischen Maßstab als schwierig. Die wiederholte Ausführung von Experimenten mit Dutzenden von Modellvarianten, zufälligen Seeds und großen Datensätzen ist die Art von rigoroser Arbeit, die Innovationen und die gemeinsame Veröffentlichung der Ergebnisse fördert sowie Möglichkeiten für die weitere Exploration bietet. Aber es erforderte eine Rechenleistung, die entweder nicht lokal verfügbar oder kostspielig genug war, um die Iteration undurchführbar zu machen. Die ehrgeizigsten Experimente waren am schwierigsten zu verfolgen, genau dann, wenn sie am wichtigsten waren: Bevor es Ergebnisse gab, die eine zusätzliche wirtschaftliche Unterstützung für den Fortschritt rechtfertigten.

Was Penn benötigte, war eine Plattform, die jeden Forscher dort abholen konnte, wo er stand – skalierbar genug für das Training von Frontier-Modellen, erschwinglich genug für einen breiten Zugriff und so integriert, dass der Einstieg Stunden und nicht Monate dauerte.

Die Auswirkungen auf den Forschungsumfang und die Geschwindigkeit sind unmittelbar. Im Robotik-Programm von Penns können Forscher, die Experimente zum bestärkenden Lernen für die Navigation in unbekannten Umgebungen ausführen, Trainingstests jetzt auf Betty vollständig parallelisieren. Das gleiche Team trainierte Predicate-informierte Vision-Language-Action-Modelle (VLA) mit mehr als 3B Parametern, die zuvor aufgrund der Rechenanforderungen außerhalb der Reichweite waren. Die Ergebnisse erzielten eine 12-fache Beschleunigung des Modelltrainings im Vergleich zu ihrer vorherigen Einrichtung, wobei die vorläufigen VLA-Ergebnisse den Stand der Technik übertrafen. „Auf einer Desktop-GPU dauert jeder Trainingslauf für bestärkendes Lernen drei bis vier Stunden, wodurch wir auf sechs oder sieben Durchläufe pro Tag beschränkt sind. Mit nur einer Flotte von acht GPUs auf unserem DGX SuperPOD können wir 100 Durchläufe pro Tag mit verschiedenen Konfigurationen durchführen – mehr als eine 14-fache Steigerung des täglichen experimentellen Durchsatzes“, erklärte Vijay Kumar, Professor und Dekan der Nemirovsky Family bei Penn Engineering.

Der Einfluss von Betty geht weit über ein einzelnes Labor hinaus. Eine Kooperation zwischen dem Mack Institute und dem Penn Center for Innovation nutzte Betty, um semantische Korrelationen in mehr als 40.000 Dokumenten zu analysieren und so eine geschätzte Rechenzeit von 1,5 Jahren auf nur drei Tage zu reduzieren. CAMEL-ECG, ein Modell, das zur Reduzierung der Alarmermüdung in der klinischen EKG-Diagnose entwickelt wurde, wurde auf Betty von einem Team trainiert, das aus Penn Engineering und der Perelman School of Medicine besteht: Eine Zusammenarbeit, die direkt durch den gemeinsamen Zugriff auf die Plattform ermöglicht wurde.

Die biomedizinische Wissenschaft ist eine langjährige Stärke an der Penn, wo Forscher Pionierarbeit bei der mit dem Nobelpreis ausgezeichneten mRNA-Impfstofftechnologie geleistet haben. Betty unterstützt jetzt ein generatives Modell für mRNA- und Protein-Konstrukte, das eine über 400-mal höhere Expression demonstriert hat. Die Penn-Fakultät hat außerdem das vollständige PubMed-Repository durchsucht und einen Wissensgraph für das Training prädiktiver Modelle für Biomolekültypen extrahiert, mit einem agentischen Co-Scientist-System, das auf diesen Daten basiert, um die Entwicklung von RNA- und Lipid-Nanopartikel-Therapeutika zu unterstützen.

Heute bedient Betty etwa 950 registrierte Forscher in 200 Forschungsgruppen und liefert 120.000 GPU-Stunden und 30.000 Jobs pro Monat zu subventionierten Kosten von etwa 1 US-Dollar pro GPU-Stunde. Jeder Penn-Forscher kann Zugriff anfordern, und neue Benutzer können innerhalb von Stunden statt Wochen von der Anmeldung zur produktiven Arbeit auf Betty übergehen. „Betty bietet Penn-Forschern eine integrierte KI-Kapazität, die bisher auf dem Campus nicht verfügbar war. Zu mehr als 10-mal geringeren Kosten als kommerzielle Cloud-Alternativen verwandelt der DGX SuperPOD groß angelegte Modelltrainings- und KI-für-Wissenschaft-Projekte von aussichtslosen Vorhaben in solche, die Forschungsteams entwickeln, testen und verfeinern lassen“, fügte Vijay hinzu.

Penn erweitert bereits das Modellportfolio von Betty. Die Plattform bedient jetzt offene Modelle im Frontier-Maßstab, einschließlich GLM-5.2-NVFP4 – einer NVIDIA-optimierten Bereitstellung für NVIDIA Blackwell-GPUs, die Kontextlängen von bis zu 500.000 Token mit Kimi K3-Bereitstellungen mit mehreren Knoten unterstützt. Die Funktionen von Betty unterstützen nicht nur die Forschung, sondern auch die Lehre. Der neue Kurs von Penn zur Softwareentwicklung mit KI-Coding-Agenten startet in diesem Herbst mit 75 Studenten, die einen von Betty gehosteten Modell-Endpunkt für Coding-Aufgaben und Benotungen nutzen, wobei die Einschreibung im Frühjahr auf 250 Studenten anwachsen wird.

In der biomedizinischen Bildgebung entwickeln Penn-Forscher multimodale Datensätze, die vom Organmaßstab bis hin zur Einzelzellauflösung reichen, und schaffen so die Grundlage für Modelle, die letztendlich die Organfunktion vorhersagen oder die regenerative Medizin unterstützen könnten. Die klinischen Auswirkungen von Bettys Arbeit werden immer deutlicher, aber die Plattform treibt bereits die Rechen-Workloads an, die Peptid-, Protein- und mRNA-Kandidaten für experimentelle Tests und die potenzielle Umsetzung in die Behandlung auswählen.

Penns Investition in Betty zeigt, was möglich ist, wenn eine Forschungsuniversität Rechenleistung nicht als Abteilungsressource, sondern als gemeinsame Grundlage für Innovation behandelt – offen für jeden Forscher, im akademischen Maßstab erschwinglich und leistungsstark genug, dass die Wissenschaft, und nicht die Hardware, die Grenze setzt.