Wetenschappers onderzoeken realtime tsunami-waarschuwingssysteem op de snelste supercomputer ter wereld

Wetenschappers aan het Lawrence Livermore National Laboratory (LLNL) hebben een geavanceerd, real-time tsunami-voorspellingssysteem ontwikkeld, aangedreven door El Capitan, de snelste supercomputer ter wereld. Dit systeem kan de mogelijkheden voor vroege waarschuwingen voor kustgemeenschappen nabij aardbevingszones aanzienlijk verbeteren.

De exascale El Capitan, met een theoretische piekprestaties van 2,79 quintillion berekeningen per seconde, werd ontwikkeld door de National Nuclear Security Administration (NNSA). In een preprint-publicatie, die als finalist is geselecteerd voor de 2025 ACM Gordon Bell Prize, benutten onderzoekers van LLNL de volledige rekencapaciteit van de machine in een eenmalige, offline voorcalculatiestap, voordat het systeem werd overgezet naar geclassificeerd werk voor nationale veiligheid. Het doel was om een enorme bibliotheek van fysica-gebaseerde simulaties te creëren, die de beweging van de zeebodem door aardbevingen koppelt aan de resulterende tsunami-golven.

Het project maakte gebruik van meer dan 43.500 AMD Instinct MI300A Accelerated Processing Units (APU) om problemen met de propagatie van akoestische zwaartekrachtgolven op extreme schaal op te lossen, wat resulteerde in een rijke dataset die real-time tsunami-voorspellingen op veel kleinere systemen mogelijk maakt.

Door het intensieve rekenwerk vooraf uit te voeren op El Capitan, kon het team een uiterst nauwkeurig Bayesian inverse probleem oplossen, waardoor snelle voorspellingen in enkele seconden mogelijk worden gemaakt, zelfs tijdens een werkelijke tsunami, met behulp van bescheiden GPU-clusters. Onderzoekers gaven aan dat deze mogelijkheid de toekomst van vroege waarschuwing systemen fundamenteel kan transformeren en levens kan redden.

In samenwerking met het Oden Institute van de University of Texas at Austin en het Scripps Institution of Oceanography van de University of California, San Diego, modelleert het resulterende tsunami “digitale tweeling” de effecten van de beweging van de zeebodem door aardbevingen, met behulp van real-time drukgegevens van sensoren en geavanceerde fysica-gebaseerde simulaties. Dit dynamische, datagestuurde systeem kan de impact van de aardbeving op de oceaanbodem afleiden en het gedrag van de tsunami in real-time voorspellen, compleet met onzekerheidskwantificatie.

“Dit is de eerste digitale tweeling met dit niveau van complexiteit die in real-time draait,” zei LLNL computationeel wiskundige Tzanio Kolev. “Het combineert extreme schaal voorwaartse simulatie met geavanceerde statistische methoden om fysica-gebaseerde voorspellingen uit sensorgegevens met ongekende snelheid te extraheren.”

Door LLNL’s Hewlett Packard Enterprise/AMD exascale supercomputer El Capitan te benutten in de offline voorcalculatiestap, kon het team een miljard-parameter Bayesian inverse probleem oplossen in minder dan 0,2 seconden, en nauwkeurig de golflengtes van tsunami-golven voorspellen met een verbazingwekkende 10 miljard keer snellere snelheid dan bestaande methoden.

Onderzoekers gaven aan dat deze capaciteit de noodhulp radicaal kan verbeteren en levens kan redden, en de ruggengraat kan vormen van de volgende generatie vroege waarschuwingssystemen. Voor near-shore evenementen, zoals een toekomstige aardbeving van magnitude 8.0 of groter langs de Cascadia Subduction Zone in het noordwesten van de VS, kunnen de eerste destructieve golven binnen 10 minuten de kust bereiken, wat weinig tijd laat voor evacuatie.

Traditionele tsunami-waarschuwingssystemen vertrouwen vaak op seismische en geodetische gegevens om de magnitude en locatie van aardbevingen af te leiden, maar gebruiken meestal simplistische modellen die de complexiteit van breuken in de aardkorst niet kunnen vastleggen. De aanpak van het team daarentegen maakt gebruik van gegevens van zeebodemdruk-sensoren en lost een volledig fysica-model van akoestische zwaartekrachtgolfpropagatie in de oceaan in recordtijd op.

Naarmate netwerken van zeebodemsensoren, inclusief gedistribueerde akoestische detectie, steeds gebruikelijker worden langs aardbevingsgevoelige kusten en de rekentechnologie blijft verbeteren, ziet het team een duidelijke weg naar de implementatie van deze aanpak in toekomstige tsunami-waarschuwingssystemen, wat resulteert in snellere, slimmere en betrouwbaardere noodmeldingen.

“Dit kader vertegenwoordigt een paradigma-shift in hoe we denken over vroege waarschuwingssystemen,” zei senior auteur van de studie Omar Ghattas, professor in werktuigbouwkunde en hoofd van de faculteit aan het Oden Institute van UT-Austin. “Voor het eerst kunnen we real-time sensorgegevens combineren met volledige fysica-modellering en onzekerheidskwantificatie—sneller dan ooit om beslissingen te nemen voordat een tsunami de kust bereikt. Dit opent de deur naar echt voorspellende, fysica-geïnformeerde noodrespons systemen voor een scala aan natuurlijke gevaren.”

In het hart van het systeem bevindt zich MFEM, LLNL’s open-source eindige-elementenbibliotheek, die schaalbare, GPU-versnelde simulaties van vele fysieke verschijnselen mogelijk maakt, waaronder de propagatie van akoestische zwaartekrachtgolven in de oceaan. Door deze simulaties uit te voeren op 43.520 APU’s van El Capitan, voltooide MFEM de meest computerintensieve fase—het oplossen van de akoestische zwaartekrachtgolfvergelijkingen om mappings tussen beweging van de oceaanbodem en sensorgegevens voor te berekenen—met een verbluffende 55,5 triljoen vrijheidsgraden, waarmee het vorige record voor de grootste niet-gestructureerde mesh eindige-element simulatie werd verbroken.

“MFEM’s hoge-orde methoden en GPU-geschiktheid, ontwikkeld onder het ASC-programma aan LLNL en het Exascale Computing Project van het Department of Energy (DOE), maakten het mogelijk om te schalen naar de volledige machine,” zei Kolev. “Dit was echt een eerste demonstratie van hoe we die kracht kunnen gebruiken, niet alleen voor ruwe prestaties, maar ook voor missie-relevante, tijd-kritische beslissingen in veel MFEM-gebaseerde toepassingen.”

Volgens Kolev, zodra de enorme voorcalculaties zijn voltooid, kunnen de online stappen voor het afleiden van de beweging van de zeebodem en het real-time voorspellen van de tsunami-golflengtes worden uitgevoerd op veel bescheidener GPU-clusters, omdat de onderliggende algoritmen goed zijn ontworpen voor GPU’s. “Dit werk is belangrijk omdat het laat zien dat we een inverse probleem van enorme omvang kunnen oplossen—niet voor 10 of 15 variabelen, maar voor miljoenen, of zelfs miljarden variabelen, zeer snel,” zei Kolev. “In het verleden had je ofwel een snel model dat niet nauwkeurig was, of een volledig fysica-model dat uren of dagen kostte. Nu tonen we aan dat we beide kunnen doen—nauwkeurig en snel—met behulp van principiële wiskunde en moderne computertechnologie.”

Kolev merkte op dat het Bayesian inversion framework geen “eenmalige capaciteit” is die beperkt is tot tsunami’s, maar kan worden toegepast op een breed scala aan complexe systemen—van real-time bosbrandtracking en ondergrondse contaminant-tracking tot ruimteweer-voorspelling en zelfs inlichtingenapplicaties waar snelle, datagestuurde beslissingen nodig zijn.