Công nghệ HPC mở đường cho AI và điện toán lượng tử tại TP.HCM

Kết quả không chỉ phục vụ ứng dụng trí tuệ nhân tạo mà còn đặt nền tảng kết nối HPC với điện toán lượng tử, hướng tới những bài toán tính toán phức tạp trong tương lai.

Công nghệ HPC tối ưu tài nguyên cho AI

Sở Khoa học và Công nghệ TP.HCM vừa tổ chức Hội đồng tư vấn nghiệm thu nhiệm vụ “Nghiên cứu và phát triển giải pháp nâng cao hiệu năng hệ thống tính toán hiệu năng cao phục vụ ứng dụng trí tuệ nhân tạo”. Nhiệm vụ do Trường Đại học Bách khoa, Đại học Quốc gia TP.HCM chủ trì, PGS.TS Thoại Nam làm chủ nhiệm.

Nhóm nghiên cứu tập trung làm cho hạ tầng HPC hiện hữu hoạt động hiệu quả hơn. Nhu cầu này ngày càng rõ khi TP.HCM đẩy mạnh chuyển đổi số, AI, đô thị thông minh và các bài toán dữ liệu quy mô lớn.

HPC là hạ tầng dành cho tác vụ cần năng lực tính toán lớn, thường sử dụng nhiều CPU, GPU và xử lý đồng thời lượng dữ liệu lớn. Hiệu quả hệ thống phụ thuộc nhiều vào cách truy cập, giám sát, phân bổ và sử dụng tài nguyên.

Từ yêu cầu đó, nhóm phát triển hệ thống cổng truy cập gồm HPC Portal, Access Portal và Resource Portal. Kiến trúc này giúp truy cập, khai thác và quản trị tài nguyên tập trung. Hệ thống tích hợp đăng nhập một lần, bảo mật LDAP/LDAPS, mã hóa TLS/HTTPS và dịch vụ ghi nhật ký để theo dõi, truy vết quá trình sử dụng tài nguyên.

Một hướng khác là chuẩn hóa việc đóng gói ứng dụng bằng Singularity/Apptainer, sử dụng định dạng Singularity Image Format. Cách làm giúp ứng dụng được triển khai nhất quán trên các hạ tầng HPC khác nhau mà không làm suy giảm đáng kể hiệu năng.

Kết quả thử nghiệm cho thấy mức hao hụt hiệu năng so với chạy trực tiếp trên phần cứng vật lý thấp hơn 1% với Linpack, STREAM và khoảng 1% đến 3% với một số ứng dụng khoa học quy mô lớn như LS-DYNA, MILC. Đây là thông số đáng chú ý bởi hệ thống HPC luôn cần tối ưu tài nguyên.

Nổi bật hơn là giải pháp giám sát dựa trên cảm biến ảo eBPF, viết đầy đủ là Extended Berkeley Packet Filter. Công nghệ này cho phép thu thập dữ liệu sâu tại các nút tính toán nhưng giảm đáng kể lượng CPU dành cho hoạt động giám sát.

Theo thử nghiệm, công cụ dùng eBPF chỉ tiêu thụ khoảng 0,5% đến 1,5% CPU, trong khi các script truyền thống sử dụng khoảng 10,6% đến 14%. Phần tài nguyên tiết kiệm được có thể dành cho các tác vụ tính toán thực tế thay vì tiêu tốn cho việc theo dõi hệ thống.

Nhóm cũng phát triển giải thuật nén dữ liệu dòng trực tuyến PLA, tức Piecewise Linear Approximation, nhằm xử lý lượng lớn dữ liệu giám sát theo thời gian thực. Trên tập dữ liệu Leibniz HPC-ODA, giải thuật đạt tỷ số nén hơn 195 lần với sai số 1% và hơn 471 lần với sai số 5%. Thông lượng xử lý đạt từ 1 triệu đến gần 4 triệu điểm dữ liệu mỗi giây.

Kết quả về giải thuật nén dữ liệu đã được chấp nhận đơn đăng ký sở hữu trí tuệ. Một công trình liên quan được trao giải Best Paper ACM SIG AI tại Hội nghị IEA/AIE 2026 ở Malaysia. Những kết quả này cho thấy đề tài đã tạo sản phẩm và kết quả khoa học cụ thể.

Công nghệ HPC kết nối điện toán lượng tử

Theo Hội đồng nghiệm thu, nhiệm vụ có đóng góp mới trong tiếp cận các kỹ thuật liên quan đến HPC và điện toán lượng tử, một hướng nghiên cứu còn khá mới tại Việt Nam. Trọng tâm là xây dựng nền tảng để hai mô hình tính toán có thể kết hợp trong những bài toán phù hợp.

HPC hiện là hạ tầng quan trọng cho nhiều ứng dụng AI, phân tích dữ liệu lớn và mô phỏng khoa học. Điện toán lượng tử được nghiên cứu như một hướng phát triển cho một số bài toán phức tạp, giúp mở thêm khả năng tiếp cận công nghệ mới.

Các giải pháp của đề tài đã được thử nghiệm trên hai hệ thống HPC. Một hệ thống đặt tại Phòng Thí nghiệm Tính toán Hiệu năng cao, Trường Đại học Bách khoa. Hệ thống còn lại thuộc Trung tâm Công nghệ thông tin và Địa không gian, Sở Khoa học và Công nghệ TP.HCM.

Kết quả thử nghiệm là cơ sở xem xét mở rộng sang các trường, viện nghiên cứu và doanh nghiệp có hạ tầng tính toán mạnh tương tự. Các sản phẩm phần mềm, công cụ giám sát, giải thuật điều phối tài nguyên và mô hình mô phỏng lượng tử có thể tiếp tục hoàn thiện, chuyển giao và khai thác thực tế.

Tác động rõ nhất của nghiên cứu nằm ở khả năng khai thác tốt hơn hạ tầng hiện hữu. Khi tài nguyên được phân bổ hợp lý, hệ thống giám sát nhẹ hơn và GPU được sử dụng hiệu quả hơn, cùng một nền tảng có thể phục vụ nhiều tác vụ nghiên cứu và phát triển AI.

Các bài toán AI ngày càng đòi hỏi năng lực xử lý lớn. Bên cạnh đầu tư máy móc, tối ưu hạ tầng hiện có cũng giúp giảm lãng phí tài nguyên và nâng hiệu quả phục vụ người dùng.

Nghiên cứu cho thấy phát triển AI không chỉ nằm ở mô hình hay dữ liệu. Phía sau ứng dụng AI là lớp hạ tầng tính toán cần được tổ chức, giám sát và vận hành hiệu quả. Khi hạ tầng được cải thiện, khả năng thử nghiệm và phát triển ứng dụng mới cũng được mở rộng.

Việc đặt nền tảng kết nối HPC với điện toán lượng tử mang ý nghĩa dài hạn. Kết quả chưa đồng nghĩa điện toán lượng tử sẽ sớm thay đổi hoạt động tính toán tại TP.HCM, nhưng mở ra hướng nghiên cứu để Thành phố từng bước tiếp cận công nghệ tính toán thế hệ mới.

Từ cổng truy cập tập trung, công nghệ container, cảm biến ảo eBPF đến giải thuật nén dữ liệu dòng và mô hình kết nối lượng tử, đề tài tạo chuỗi giải pháp hướng tới sử dụng tài nguyên tính toán hiệu quả hơn. Đây là cơ sở để TP.HCM tiếp tục phát triển hạ tầng HPC phục vụ AI, dữ liệu lớn và các bài toán công nghệ phức tạp.