HOME / WORKSTATION AI ED HPC / HARDWARE CALCOLI SCIENTIFICI

Il Calcolo Scientifico è un dominio vastissimo! Esistono migliaia di applicazioni “scientifiche” sul mercato e, molto spesso, il software con cui lavori è basato su codice sviluppato internamente dal tuo stesso team. I colli di bottiglia prestazionali possono derivare da un’infinità di variabili legate all’hardware, alla natura del software e alle caratteristiche specifiche del carico di lavoro. Per questo motivo, i “requisiti minimi di sistema” pubblicati dai fornitori di software sono raramente l’ideale: spesso si basano su test obsoleti o su configurazioni hardware estremamente limitate. Tuttavia, grazie all’esperienza del nostro team di laboratorio HPC (High Performance Computing), è possibile tracciare delle linee guida fondamentali.

La CPU è probabilmente il componente più critico in assoluto per una workstation dedicata al calcolo scientifico. La scelta migliore dipenderà dalla scalabilità parallela della tua applicazione, dai modelli di accesso alla memoria e dalla possibilità (o meno) di sfruttare l’accelerazione GPU.

Qual è la migliore CPU per il calcolo scientifico?

Le scelte principali ricadono su due grandi famiglie: Intel Xeon® 600 e AMD Threadripper™ PRO 9000 / EPYC™ 9005. Nella stragrande maggioranza dei casi, la nostra raccomandazione punta su processori a singolo socket come lo Xeon 676X o il Threadripper PRO 9975WX. Le versioni attuali di queste CPU offrono un numero elevatissimo di core e supportano enormi capacità di memoria, eliminando del tutto la complessità, i costi e le complicazioni di gestione (binding dei core e della memoria) tipiche dei vecchi sistemi a doppio socket.

Avere più core rende il calcolo scientifico più veloce?

Questo dipende da due fattori principali:

• La scalabilità parallela della tua applicazione (legge di Amdahl).
• La dipendenza della tua applicazione dalla larghezza di banda della memoria (memory-bound).

Se la tua applicazione è memory-bound, sarà limitata dal numero di canali di memoria e potrebbe paradossalmente offrire prestazioni migliori con meno core. Tuttavia, avere molti core è spesso un vantaggio perché fornisce una maggiore quantità di memoria Cache di alto livello (L3), anche se poi si utilizza regolarmente meno della metà dei core fisici. Per un’applicazione che scala bene, una CPU Intel o AMD intorno ai 32 o 64 core offrirà un utilizzo dell’hardware e prestazioni perfettamente bilanciate.

Quali sono i componenti più importanti per la Simulazione Scientifica e Ingegneristica?

Le simulazioni rappresentano il carico di lavoro più comune (dinamica molecolare, chimica computazionale, FEA, CFD, simulazioni fisiche). I fattori chiave per l’hardware sono:

• Scalabilità parallela: Da verificare in base al software specifico (consultando la documentazione o la community).
• Requisiti di memoria: Una regola empirica molto valida è avere da 4GB a 8GB di RAM per ogni core fisico della CPU. Ad esempio, una CPU da 64 core richiederà dai 256GB ai 512GB di memoria.
• Dipendenza dalla memoria (Memory boundedness): I “solutori” numerici basati su mesh sono spesso memory-bound. Ignorare questo aspetto ti farà acquistare un sistema con troppi core che rimarranno perennemente in attesa della RAM. Le serie Xeon 600 e Threadripper PRO 9000 offrono ben 8 canali di memoria. Ma se hai bisogno del massimo assoluto, i nuovi AMD EPYC 9005 offrono 12 canali per singola CPU (una configurazione Dual EPYC raggiunge l’incredibile cifra di 24 canali!).

Il calcolo scientifico funziona meglio con le CPU Intel o AMD?

Entrambe le piattaforme sono eccellenti e supportano le fondamentali istruzioni AVX-512. Tuttavia, i nuovi processori Intel Xeon hanno un asso nella manica per il futuro: le Advanced Matrix Extensions (AMX) e il supporto nativo per nuovi tipi di dati come i BF16. Queste tecnologie hanno un impatto devastante in positivo sui carichi di lavoro a precisione mista, tipici dell’Intelligenza Artificiale. Inoltre, se il tuo software è compilato specificamente con le librerie Intel MKL, lo Xeon è la scelta obbligata.

Perché consigliate Xeon o Threadripper PRO invece delle CPU “consumer” (come i Core i9 o Ryzen 9)?

Il motivo principale si chiama Canali di Memoria. Le CPU consumer hanno solo 2 canali di memoria, il che strozza istantaneamente le simulazioni complesse. Xeon e Threadripper PRO ne hanno 8, gli EPYC ne hanno 12. Inoltre, parliamo di hardware di livello Enterprise: la scheda madre e il processore sono fisicamente progettati per lavorare al 100% del carico per settimane intere senza fondersi o generare errori di calcolo.

Se la tua applicazione supporta l’accelerazione tramite GPU, devi assolutamente sfruttarla! Per i calcoli altamente paralleli, le prestazioni di una GPU possono superare quelle di una CPU di svariati ordini di grandezza.

Quale GPU è migliore per la visualizzazione scientifica?

Per il rendering e la visualizzazione pura, raccomandiamo le schede di fascia alta NVIDIA RTX™ PRO con architettura Blackwell (come la 4000 o la 5000 Blackwell). Se gestisci enormi set di dati volumetrici, i 96GB di VRAM della mostruosa RTX 6000 Blackwell saranno un vantaggio incolmabile. Per display e workload meno estremi, anche l’ottima fascia “consumer” di NVIDIA va benissimo: dalle GeForce RTX™ 5060 Ti fino alla potentissima RTX™ 5090.

Quali schede video sono consigliate per l’accelerazione del calcolo (Compute)?

Qui entra in gioco una discriminante vitale: hai bisogno della doppia precisione (FP64)? Se sì, sei obbligato a puntare sulle GPU NVIDIA della serie Compute per data center, come le L40S o le potentissime H200. Queste schede non hanno ventole (sono raffreddate passivamente dai server rack) e hanno costi importantissimi. Le normali schede RTX (sia consumer che PRO) non hanno un buon supporto hardware per l’FP64.

Fortunatamente, gran parte del Machine Learning e della chimica moderna lavora in singola precisione (FP32). In questo caso, le RTX 6000 Ada o le nuove RTX PRO 6000 Blackwell Max-Q offrono prestazioni stellari in configurazioni multi-GPU. Anche le GeForce RTX 5080 e 5090 sono belve da calcolo, ma le loro dimensioni gigantesche e i loro dissipatori massicci rendono quasi impossibile installarne più di due all’interno dello stesso computer.

Quanta VRAM (memoria video) serve per il calcolo scientifico?

Molte applicazioni si accontentano di 12GB o 16GB. Ma per le grandi reti neurali, i LLM (Large Language Models) o i dataset pesanti, ti serviranno 32GB (come sulla RTX PRO 4500 Blackwell o sulla RTX 5090), 48GB/72GB (RTX PRO 5000 Blackwell) o 96GB (RTX PRO 6000 Blackwell). Per i lavori in assoluto più colossali, la NVIDIA H200 NVL arriva all’incredibile cifra di 141GB di VRAM per singola scheda.

Più GPU miglioreranno le prestazioni?

Solo se il software è scritto per farlo (ad esempio tramite librerie come Horovod o MPI). Inserire quattro schede video nel PC non dividerà in automatico il lavoro per quattro. Ma se il tuo codice scala, una workstation multi-GPU oggi offre la potenza di un supercomputer di pochi anni fa.

Il calcolo scientifico ha bisogno di una scheda video “professionale”?

Non necessariamente: molti calcoli scientifici importanti sono stati eseguiti su GPU NVIDIA consumer. Tuttavia, ci sono sicuramente degli aspetti da considerare, che abbiamo trattato in modo più dettagliato nelle domande precedenti (sopra).

Meglio NVIDIA o AMD per le GPU?

Grazie al linguaggio CUDA, NVIDIA è l’attuale standard incontrastato per il calcolo scientifico. Sebbene AMD offra alternative come ROCm, sono ancora difficili da configurare e supportate da meno software. Se fai calcolo, oggi, la scelta sicura è NVIDIA.

Quando l’accelerazione GPU NON è appropriata per il calcolo scientifico?

Se il tuo software ti offre la possibilità di sfruttare l’accelerazione GPU, la regola generale è molto semplice: dovresti assolutamente farlo. Tuttavia, ci sono scenari in cui delegare il lavoro alla scheda video diventa controproducente o impossibile. Se la tua applicazione ha richieste di memoria che superano di gran lunga i limiti fisici della VRAM delle schede grafiche, o se il costo delle GPU NVIDIA di classe “Compute” (quelle per i data center) risulta del tutto fuori budget, orientare l’investimento verso una CPU dotata di un altissimo numero di core si rivela l’alternativa più corretta e performante. Ovviamente, c’è un limite invalicabile dettato dal software: se il tuo codice non è stato scritto in modo specifico per dialogare con le GPU (ad esempio tramite librerie CUDA), non esiste alcuna bacchetta magica hardware in grado di forzarne l’utilizzo. Infine, la necessità di assoluta accuratezza con calcoli in doppia precisione (FP64) limiterà drasticamente le tue opzioni hardware. In questo caso, sarai costretto ad affidare l’intero carico di lavoro alla sola potenza bruta della CPU, oppure a investire nelle costosissime GPU NVIDIA di classe Compute. Queste ultime, pur offrendo prestazioni potenzialmente stellari, generano costi esorbitanti e, essendo prive di ventole proprie (raffreddamento passivo da server), risultano quasi sempre inadatte a essere installate all’interno di una normale workstation da ufficio.

Le prestazioni e la capacità della memoria RAM sono fattori di importanza vitale in moltissime applicazioni scientifiche. Di fatto, la larghezza di banda della memoria (ovvero la velocità con cui i dati viaggiano dalla RAM al processore) rappresenta il principale collo di bottiglia nei programmi definiti memory-bound. Le applicazioni che si affidano a complessi “solutori” per le simulazioni — impegnate, ad esempio, nella risoluzione di equazioni differenziali — rientrano spessissimo in questa categoria. Questo concetto si ricollega direttamente alla nostra ferma raccomandazione di orientarsi verso CPU di fascia Enterprise dotate di ben 8 canali di memoria.

Quanta RAM serve per il calcolo scientifico?

Poiché esistono innumerevoli scenari applicativi e moli di dati profondamente diverse, la quantità ideale dipende in modo rigoroso dal tuo caso d’uso specifico. Fortunatamente, le moderne piattaforme per workstation Intel e AMD supportano configurazioni di memoria mastodontiche persino nei sistemi a singolo processore (single-socket). Per i flussi di lavoro incentrati quasi esclusivamente sul calcolo puro tramite CPU, dotazioni da 256GB a 512GB sono un vero e proprio standard nel nostro settore, e spingersi fino alla soglia del Terabyte (1TB) non è un’eventualità poi così rara nei laboratori più avanzati.

Quanta memoria di sistema serve se uso l’accelerazione GPU?

Esiste una linea guida generale e rigorosa su questo aspetto: raccomandiamo caldamente che il sistema venga configurato con una quantità di memoria di sistema (RAM) pari ad almeno il doppio della memoria video totale (VRAM) sommata su tutte le schede grafiche installate. Per fare un esempio pratico: un sistema equipaggiato con due potentissime NVIDIA GeForce RTX™ 5090 (32GB + 32GB = 64GB di VRAM totale) dovrebbe avere un minimo sindacale di 128GB di memoria RAM di sistema. Rispettare questa rigorosa proporzione è fondamentale per garantire che la memoria possa essere mappata fluidamente dallo spazio GPU allo spazio CPU, fornendo un “polmone” adeguato (staging e buffering) per il trasferimento dei dati e delle istruzioni senza mai causare rallentamenti o stalli bloccanti all’interno dell’architettura.

L’archiviazione (storage) è uno di quegli ambiti tecnologici in cui la regola del “meglio abbondare rispetto a quello che pensi ti serva” si rivela quasi sempre una mossa saggia. La quantità effettiva di spazio necessario dipenderà rigorosamente dal tipo di dati con cui lavori nel tuo laboratorio: potresti oscillare da poche decine di Gigabyte per dataset testuali, fino a svariati Petabyte per la genomica o le simulazioni fluidodinamiche!

Quale configurazione di archiviazione funziona meglio per il calcolo scientifico?

Una raccomandazione generale e testata è quella di utilizzare un’unità NVMe ad altissime prestazioni da almeno 1TB come disco di sistema principale (dedicato esclusivamente al Sistema Operativo e all’installazione delle applicazioni). Puoi certamente configurare ulteriori unità NVMe velocissime per ospitare i dati dei progetti attivi; tuttavia, se necessiti di spazio maggiore senza far esplodere il budget, i classici SSD “standard” (basati su interfaccia SATA) offrono ottime capacità. Per esigenze di archiviazione di massa a lungo termine, i tradizionali dischi rigidi meccanici a piatti magnetici (HDD) rimangono la scelta migliore in termini di rapporto capacità/prezzo. Infine, per moli di dati eccezionali, i server di archiviazione esterni centralizzati rappresentano la soluzione definitiva.

La mia applicazione consiglia di configurare uno “scratch space” (spazio di appoggio), cosa dovrei usare?

Lo spazio di scratch è una configurazione storica, tipica di applicazioni come quelle di chimica quantistica (spesso utilizzato per l’archiviazione temporanea degli integrali durante l’elaborazione). Esistono anche altri software strutturati per aspettarsi uno spazio di appoggio sul disco. In questi casi specifici, aggiungere un disco NVMe veloce e dedicato esclusivamente a questo scopo è un’ottima soluzione. Tuttavia, c’è un dettaglio cruciale: se nel software esiste un’opzione di configurazione per evitare l’uso dello scratch sul disco (il cosiddetto out-of-core), selezionarla è quasi sempre l’opzione migliore. La necessità di usare il disco come “appoggio” era comune in passato, quando la capacità della memoria RAM dei computer era molto limitata. Oggi, è infinitamente meglio aumentare la quantità di RAM per evitare del tutto lo scratch, poiché la memoria di sistema (RAM) è ordini di grandezza più veloce persino del disco NVMe più costoso in commercio!

Dovrei usare un sistema di archiviazione di rete per il calcolo scientifico?

L’archiviazione collegata in rete (NAS – Network-Attached Storage) è una variabile da prendere assolutamente in considerazione per il lavoro in team. Fortunatamente, oggi è diventato lo standard per le schede madri delle nostre workstation integrare porte Ethernet a 10 Gigabit (10GbE), consentendo connessioni di archiviazione di rete con prestazioni eccellenti senza la necessità di acquistare schede aggiuntive. Le workstation in formato rack e i server di calcolo possono disporre di connessioni di rete ancora più veloci (utilizzando cablaggi avanzati in fibra ottica che superano il classico rame RJ45), rendendo opzioni enterprise come il Software-Defined Storage (SDS) estremamente attraenti per i dipartimenti universitari.