در سپتامبر 2024، IT4Innovations افتخار استقبال از جک دانگارا را در مرکز ابررایانه ملی جمهوری چک داشت. در طول بازدید او از کنفرانس PPAM که IT4Innovations به‌عنوان همکار برگزارکننده آن بود، لوبومیر ریزا فرصت مصاحبه با او را داشت. می‌توانید مصاحبه را در اسپاتیفای گوش دهید.
جک دانگارا بیش از پنج دهه است که نیروی محرکه در محاسبات با کارایی بالا (HPC) بوده و نحوه‌ی برخورد ما با محاسبات علمی و تحلیل داده‌ها را متحول کرده است. او در خلال یک دوره کارآموزی در آزمایشگاه ملی آرگون به محاسبات علاقه‌مند شد. کار او در لوس آلاموس بر روی Cray-1، یکی از نخستین ابررایانه‌های برداری، در شکل‌گیری حرفه‌اش نقش کلیدی داشت. او به‌همراه دیگران، بنچمارک LINPACK و فهرست TOP500 را ایجاد کرد که از سال 1993 به رتبه‌بندی سریع‌ترین ابررایانه‌های جهان پرداخته است. نوآوری‌های او، از جمله نرم‌افزارهای جبر خطی و رابط پیام‌رسانی (MPI)، به نرم‌افزارها اجازه داده‌اند تا با سخت‌افزارهای در حال تحول سریع هماهنگ شوند.
امروز، دانگارا به‌طور مشترک در دانشگاه تنسی و آزمایشگاه ملی اوک ریج فعالیت می‌کند. مشارکت‌های او قدرت‌بخش تحقیقات علمی مدرن بوده و او در سال 2021 جایزه ACM A.M. Turing را که اغلب "جایزه نوبل محاسبات" نامیده می‌شود، دریافت کرده است.
در کنفرانس PPAM 2024 که توسط دانشگاه فناوری چستوشوا برگزار شد و IT4Innovations به‌عنوان همکار برگزارکننده این نسخه ویژه جشنواره حضور داشت، لوبومیر ریزا، رئیس آزمایشگاه تحقیقاتی زیرساخت در IT4Innovations، این افتخار را داشت که با جک دانگارا مصاحبه کند.
در طول حرفه‌تان، در پروژه‌های زیادی شرکت کرده‌اید که به‌عنوان پایه‌گذار برای کاربردها و کتابخانه‌های محاسبات با کارایی بالا (HPC) به‌شمار می‌آیند. با نگاهی به کارتان، کدام پروژه را مهم‌ترین یا از نظر شخصی جالب‌ترین می‌دانید؟
دانگارا: من خوش‌شانس بوده‌ام که در پروژه‌های زیادی مشارکت داشته‌ام. برخی از این پروژه‌ها بسیار موفق بوده‌اند، اما نه همه‌ی آن‌ها. و برخی از آن‌ها بخشی از نحوه‌ی انجام محاسبات یا تفکر درباره‌ی محاسبات شده‌اند. پروژه‌ای که بیشترین تأثیر را داشته است، احتمالاً MPI است. رابط پیام‌رسانی (Message Passing Interface) توسط تمام برنامه‌ها، از جمله برنامه‌های علمی که از پردازش موازی استفاده می‌کنند، به کار می‌رود. امروز تقریباً همه‌چیز به‌طور موازی انجام می‌شود. همه از این رابط استفاده می‌کنند که توسط جامعه طراحی شده است. این رابط به‌طور غیررسمی تعریف شده و امروز به‌عنوان استانداردی غیررسمی شناخته می‌شود. این استاندارد به‌طور سریع و در مدت زمان بسیار کوتاه ایجاد شد و بلافاصله توسط جامعه، جامعه محاسباتی و جامعه علمی پذیرفته شد.
پروژه در مدت زمان کوتاهی انجام شد. تعداد زیادی از افراد باهوش در ساخت آن مشارکت داشتند. پذیرش فوری و تأثیر عظیمی بر جامعه داشت. من می‌گویم که انجام این پروژه برایم جالب و لذت‌بخش بود به‌دلیل تأثیر آن بر جامعه. اما من در پروژه‌های زیادی شرکت کرده‌ام و این تنها یکی از آن‌هاست.
و وقتی می‌گویید "کوتاه"، دقیقاً به چه مدت اشاره دارید؟
دانگارا: یک سال و نیم. در مدت زمان بسیار کوتاهی، به‌طور پایه‌ای در عرض 18 ماه، از نداشتن هیچ‌چیز به داشتن استانداردی که پیاده‌سازی و پذیرفته شد، رسیدیم. در آن مدت زمان حدود 40 نفر به‌طور جدی بر روی آن کار کردند. بودجه‌ای برای این کار وجود نداشت. آن‌ها به‌خاطر علاقه‌شان به این کار مشغول بودند و توانستند از وقت‌های دفتر تحقیقاتی خود برای این کار استفاده کنند. این پروژه موفقیت بزرگی بود.
ما در کنفرانس PPAM هستیم که شما 11 بار در آن شرکت کرده‌اید. چه چیزی در این رویداد شما را هر ساله جذب می‌کند؟ و شما از چه زمانی با رومن ویرزکوسکی، برگزارکننده اصلی کنفرانس، آشنا هستید؟
دانگارا: بله، من از اولین کنفرانس PPAM که شرکت کردم رومن را می‌شناسم. فکر نمی‌کنم که دقیقاً چگونه آشنا شدیم. مسیرهای مختلفی وجود دارد که ما در جلسات ملاقات می‌کنیم. مطمئنم که با او صحبت کرده‌ام و او احتمالاً من را شنیده و به من دعوت کرده است تا به لهستان بیایم. چرا من دوباره برمی‌گردم؟ چون به من دعوت می‌شود. این یکی از دلایل است. من از دیدن مکان‌های مختلف در لهستان لذت می‌برم. به بسیاری از شهرهای لهستان که هرگز به آن‌ها نرفته بودم، رفته‌ام. این کنفرانس به‌خاطر سازمان‌دهی‌اش و گروه خوبی از افراد حاضر، برای من لذت‌بخش است. من فقط از دیدن دوستان قدیمی مثل این لذت می‌برم.
چه چیزی انگیزه شما برای محاسبات با کارایی بالا و الگوریتمهای عددی است؟ و به‌نظر شما در چند سال آینده این زمینه چگونه تکامل خواهد یافت؟
دانگارا: من در جبر خطی عددی آموزش دیده‌ام. این جایی است که آموزش رسمی پایه‌ای من است و فکر می‌کنم می‌توانم به‌خاطر دانشم از ابررایانه‌ها کمک کنم. دانش از ابررایانه‌ها به این معناست که ما می‌خواهیم کارها سریع اجرا شوند. ما می‌خواهیم از ویژگی‌های معماری برای کمک به توسعه نرم‌افزار استفاده کنیم. ما می‌خواهیم الگوریتم‌هایی طراحی کنیم که بتوانند به‌طور مؤثر بر روی کامپیوترهای امروز و همچنین کامپیوترهای آینده اجرا شوند. ما به دنبال چیزی هستیم که راه‌حلی دقیق ارائه دهد و حلی که بتوان با استفاده از سخت‌افزار به بهترین شکل ممکن به‌دست آورد. ما می‌خواهیم چیزی داشته باشیم که سریع، دقیق و قابل حمل باشد. ما می‌خواهیم چیزی داشته باشیم که بتوانیم از یک محیط به محیط دیگر بدون تغییرات عمده منتقل کنیم. این‌ها همه چیزهایی هستند که در محاسبات با کارایی بالا و الگوریتمهای عددی دخیل‌اند. این موضوع چالش‌هایی را ارائه می‌دهد و به فرد اجازه می‌دهد تا از دانش خود در محاسبات استفاده کند.
و تغییرات در آینده چگونه خواهد بود؟ پیش‌بینی آنچه در آینده اتفاق می‌افتد همیشه دشوار است. ما تغییرات عمده‌ای را در طول 50 سال گذشته شاهد بوده‌ایم. ما از کامپیوترهای ترتیبی به کامپیوترهایی که دستورات برداری دارند، به کامپیوترهایی که از حافظه مشترک استفاده می‌کنند، کامپیوترهای موازی به ماشین‌هایی که دارای تقسیم موازی توزیع‌شده بودند و به معماری‌هایی که واحدهای پردازش گرافیکی را برای افزایش عملکرد اضافه کردند، تغییر کرده‌ایم. سوال این است که مرحله بعدی چیست. من واقعاً نمی‌توانم پیش‌بینی کنم که مرحله بعدی چه خواهد بود. اگر به یک کامپیوتر امروز نگاه کنیم، ما یک CPU سنتی و سپس چیزی برای تقویت عملکرد پردازش می‌بینیم. ما این را به‌عنوان یک شتاب‌دهنده برای تقویت عملکرد می‌دانیم. و امروز، این یک GPU است. اما فردا، ممکن است چیزی متفاوت باشد. این ممکن است به‌طور جداگانه، به‌طور نزدیک‌تر از CPU و GPU انجام شود، و سپس ممکن است ما فکر کنیم که به آن موارد دیگری اضافه کنیم، شاید چیزی که تخصصی در زمینه AI باشد یا چیزی که بر اساس محاسبات نورو مورفیک باشد، یا چیزی که بر اساس محاسبات آنالوگ باشد، چیزی که سال‌ها پیش انجام شد و شاید امروز بتواند کاربرد داشته باشد. شاید ترکیب بیشتر از تنها شتاب‌دهنده‌ها به سمت عملکرد. شاید این راهی برای آینده باشد.
بزرگ‌ترین چالش‌های کنونی در محاسبات با کارایی بالا از نظر فنی و در زمینه پذیرش گسترده چیستند؟ و همچنین، چگونه فناوری‌های نوظهور مانند محاسبات کوانتومی و AI با راه‌حل‌های آینده HPC ادغام خواهند شد؟
دانگارا: چالش‌های فناوری قابل توجه برای محاسبات با کارایی بالا مربوط به چگونگی استفاده مؤثر از سخت‌افزار موجود است. این یک مسئله است. اما چیز بسیار گسترده‌تری در حال وقوع است. من آن را به‌صورت نحوه خرید کامپیوترها می‌بینم و چگونه از این کامپیوترها استفاده می‌کنیم. تا زمانی که برای استفاده از یک سیستم جدید به یک ابررایانه با استفاده از زمان پردازش، خرید یک سخت‌افزار جدید و نصب آن نیاز باشد، این به چالش‌ها و روش‌هایی که برای استفاده از سخت‌افزار نیاز داریم مربوط می‌شود. استفاده از سخت‌افزار به این معناست که باید بتوانیم با مجموعه نرم‌افزاری که به‌خوبی کار می‌کند، بر روی سخت‌افزارهای جدید، به بهترین شکل کار کنیم. این مسئله باعث می‌شود که بتوانیم این مسئله را با تکنیک‌های جدید حل کنیم. ممکن است نیاز به برخی تغییرات در نرم‌افزار و ارتقای نرم‌افزار برای سازگاری با سخت‌افزار داشته باشیم. بسیاری از افرادی که نرم‌افزار را برای آن‌ها می‌نویسند ممکن است به‌طور موثر، نوآوری‌هایی را برای پشتیبانی از این سخت‌افزار ارائه دهند.
AI تغییرات عمده‌ای را به‌وجود آورده است. هر زمان که AI مدنظر باشد، این تغییرات عمده‌ای را در روش‌های کارایی با محاسبات HPC و الگوریتم‌ها به‌وجود خواهد آورد. AI دنیای جدیدی را باز کرده است. امروز، به لطف AI، ما با پیشرفت‌های بزرگ و هوش ماشینی روبه‌رو هستیم و این ممکن است ما را به نتایج بهتری از نظر محاسبات علمی و مهندسی هدایت کند. محاسبات کوانتومی نیز نقشی در آینده خواهد داشت. محاسبات کوانتومی ابزار جدیدی برای محاسبات است و به نظر می‌رسد که می‌تواند در بسیاری از زمینه‌ها، از جمله مسائل علمی پیچیده، محاسبات بهینه‌سازی و الگوریتمهای جدید، مفید باشد. ممکن است ترکیب این فناوری‌های جدید با HPC به‌صورت محاسبات هیبریدی به ایجاد راه‌حل‌های جدید کمک کند.
برای آینده، باید آماده تغییرات عمده باشیم. ممکن است نحوه پردازش‌ها و روش‌های محاسباتی به‌طور کلی تغییر کند. احتمالاً ما باید روی تکنیک‌های جدید برای یادگیری ماشین، پردازش سریع‌تر داده‌ها و استفاده بهینه از منابع متمرکز شویم. باید برای یادگیری و انطباق با پیشرفت‌های جدید آماده باشیم و یاد بگیریم که چگونه با این فناوری‌های نوظهور کار کنیم تا نتایج بهتری از تحقیقات علمی و توسعه تکنولوژی به‌دست آوریم.
