Implementazione e messa in produzione dell’ambiente di calcolo

Descrizione risultati raggiunti LA

Assistenza agli utenti durante le sperimentazioni sulla piattaforma IEMAP.

Aggiornamento e manutenzione dei codici di calcolo.

Allocazione delle risorse, in maniera esclusiva, alle attività IEMAP mentre l’infrastruttura di supercalcolo CRESCO è in funzione e a disposizione di tutti gli utenti.

Aggiornamento dei codici basati su tecniche di deep learning.

Si è fornito supporto agli utenti per garantire un uso efficiente dell’infrastruttura ENEAGRID tenendo anche conto del fatto che le risorse computazionali sono state potenziate con l’introduzione dei nuovi cluster XCRESCO e CRESCO7 che hanno affiancato CRESCO6. Questo ha comportato l’adozione di nuove architetture (x86_64, PoverPC), l’introduzione di GPU, sistemi operativi più recenti (AlmaLinux 9.2) ed è stato arricchito l’ambiente di lavoro di ENEAGRID (Filesystem LUSTRE, gestore risorse SLURM e la suite di compilatori). Conseguentemente, i codici di interesse per IEMAP (Quantum ESPRESSO, CP2K, VASP e LAMMPS) sono stati aggiornati in modo da poter essere utilizzati in modo efficiente anche sui nuovi cluster HPC. Inoltre, è stata definita un’area progettuale dedicata a questi codici che mediante le ACL di AFS è accessibile in modo esclusivo ai soli utenti relativi al progetto iemap. In più, mediante una funzionalità di Environment Modules è stato definito un profile iemap che rende disponibili in automatico i moduli associati ai codici dedicati al progetto IEMAP sul cluster che si vuole utilizzare. Infine, si sono descritte le attività di implementazione e utilizzo delle librerie di machine learning. Queste librerie sono state ulteriormente sviluppate e aggiornate descrivendo anche in modo dettagliato come poterle utilizzare al meglio. Con questa finalità si sono valutate le performance di varie risorse di calcolo disponibili in ENEAGRID. Assistenza agli utenti durante le sperimentazioni sulla piattaforma IEMAP.

Si è fornito supporto agli utenti per garantire un uso efficiente dell’infrastruttura ENEAGRID tenendo anche conto del fatto che le risorse computazionali sono state potenziate con l’introduzione dei nuovi cluster XCRESCO e CRESCO7 che hanno affiancato CRESCO6. Questo ha comportato l’adozione di nuove architetture (x86_64, PoverPC), l’introduzione di GPU, sistemi operativi più recenti (AlmaLinux 9.2) ed è stato arricchito l’ambiente di lavoro di ENEAGRID (Filesystem LUSTRE, gestore risorse SLURM e la suite di compilatori). Conseguentemente, i codici di interesse per IEMAP (Quantum ESPRESSO, CP2K, VASP e LAMMPS) sono stati aggiornati in modo da poter essere utilizzati in modo efficiente anche sui nuovi cluster HPC. Inoltre, è stata definita un’area progettuale dedicata a questi codici che mediante le ACL di AFS è accessibile in modo esclusivo ai soli utenti relativi al progetto iemap. In più, mediante una funzionalità di Environment Modules è stato definito un profile iemap che rende disponibili in automatico i moduli associati ai codici dedicati al progetto IEMAP sul cluster che si vuole utilizzare. Infine, si sono descritte le attività di implementazione e utilizzo delle librerie di machine learning. Queste librerie sono state ulteriormente sviluppate e aggiornate descrivendo anche in modo dettagliato come poterle utilizzare al meglio. Con questa finalità si sono valutate le performance di varie risorse di calcolo disponibili in ENEAGRID.

Risultati attesi nel POA

I risultati della presente attività portano vantaggi significativi in termini di: sostenibilità, in quanto l’uso efficiente delle risorse computazionali, ottenuto mediante la formazione avanzata degli utenti, l’aggiornamento e ottimizzazione dei codici di calcolo, permette il raggiungimento degli obbiettivi delle altre linea di attività in tempi ridotti con anche la riduzione dei consumi elettrici dell’infrastruttura di calcolo.