تخصيص موارد GPU مراعي للسياسة للحوسبة الفائقة الوطنية

لماذا تحتاج الحواسب الفائقة إلى أكثر من السرعة فقط

وراء إنجازات اليوم في الذكاء الاصطناعي ونمذجة المناخ والمواد الجديدة يعمل حصان عمل خفي: الحواسب الفائقة الوطنية المملوءة بوحدات معالجة رسومية (GPUs) قوية. الطلب على هذه الآلات كبير لدرجة أن ليس الجميع يمكنه الحصول على الوقت الذي يرغب فيه عليها. يطرح هذا المقال سؤالاً بسيطاً ظاهرياً لكن له تبعات كبيرة على سياسات العلم: بدلاً من ترك هذه الموارد الثمينة لمن يصرخ أعلى صوتاً، هل يمكننا تخصيصها بطريقة تعكس أيضاً أولويات الدولة الاستراتيجية، من دون هدر سعة أو إبطاء البحث؟

مشكلة مبدأ الأفْضَلية بأسبقية الحضور

تستخدم معظم مراكز الحوسبة الكبيرة اليوم قواعد جدولة تركز على إبقاء الآلات مشغولة وإفراغ قوائم المهام بكفاءة. الأنظمة في الولايات المتحدة وأوروبا واليابان ومناطق أخرى تميل إلى تفضيل الأحمال الطويلة والكبيرة لأن ذلك يحافظ على ارتفاع نسبة الاستخدام ويجعل الجدولة متوقعة. لكن هذا النهج القائم على الطلب يخلق تحيّزاً خفياً: المجالات التي تولد بالفعل عدداً هائلاً من مهام GPU—مثل بعض زوايا علوم الحاسوب—تميل إلى الحصول على حصة متزايدة من الكعكة، بينما يمكن أن تُهمش مجالات ذات أهمية استراتيجية لكنها أقل كثافة GPU، مثل بعض علوم المواد أو علوم الأرض. ومع اشتداد المنافسة على ساعات GPU وربط الدول للحوسبة الفائقة بأهداف اقتصادية وأمنية، لم يعد هذا الخلل مجرد مسألة تقنية بل قضية قيمة عامة وعدالة.

إدخال الأهداف السياسية في الحسابات

تقترح الدراسة إطاراً يدمج أولويات السياسة مباشرة في الصيغ التي توجه تخصيص GPU. بدلاً من اعتبار السياسة أمراً ثانوياً—مثلاً عن طريق تحديد حدود أو حصص يدوياً—يعرف الكاتب «متجه هدف سياسياً»، وهو في الأساس حصة مئوية مرغوبة من موارد GPU لكل مجال علمي. يُبنى هذا الهدف من ثلاث مكونات: أنماط الإنفاق الوطني على البحث، والمجالات المعلنة رسمياً كأولويات، والاستخدام التاريخي لـ GPU، وكلها تُمزج بالتساوي بحيث لا يهيمن عامل واحد. ثم، لكل مجال، يحلل الإطار كيف تتصرف المهام فعلياً على النظام—كم تستغرق ومتى تظهر مهام طويلة جداً—ملخّصاً ذلك في ملفات تعريف رقمية بسيطة.

إيجاد نقطة التوازن بين الطلب والعدالة

باستخدام هذه الملفات التعريفية، يُنشئ الإطار إشارتين لكل مجال: إشارة تقيس مدى تشابه نمط استخدامه مع سلوك النظام العام، وأخرى تعكس مدى كثافته في استخدام GPUs. تُدمج هاتان الإشارتان باستخدام وزنَين قابلين للتعديل يمكن ضبطهما لتأكيد الملاءمة الهيكلية أو الطلب الخام. من خلال البحث عبر مجموعات كثيرة من التراكيب على بيانات سابقة، يجد النموذج زوج الأوزان الذي يطابق أفضل متجه الهدف السياسي. في الاختبارات باستخدام سجلات من نظام Neuron في كوريا ومركز حوسبة فائق أمريكي، مال المزيج المحسّن نحو الطلب أكثر لكنه أبقى سحباً ذا معنى تجاه الأهداف السياسية. هذا المقدر الثابت وحده خفّض بشكل كبير التفاوت بين التخصيصات المطلوبة والمتوقعة، رغم أن بعض المجالات—مثل علوم المواد—ظلت محرومة بشكل ملحوظ.

حلقة تغذية راجعة ذكية للمشاركة في الوقت الحقيقي

لسد هذه الفجوة، تضيف الدراسة طبقة ثانية: متحكم ديناميكي يعمل أثناء تشغيل النظام. يُقسّم الزمن إلى نوافذ قصيرة، وفي كل نافذة يتحقق المتحكم مما إذا كان طلب مجال ما يتجاوز كل من حصته السياسية وما تبرره تاريخه الحديث بشكل معقول. عندما يحاول مجال استخدام أكثر من هذا الحد الفعّال العلوي، يُعامل الفائض الإضافي على أنه فائض قابل للاسترداد. ثم تُعاد توزيع هذه «شرائح» GPU المستردة إلى المجالات التي تقصر عن أهدافها، متناسبة مع مدى نقصها. تتكرر عملية التحديد وإعادة التوزيع هذه عبر الزمن، مكوّنة حلقة تغذية راجعة تدفع التخصيصات الفعلية تدريجياً نحو المتجه السياسي مع الحفاظ على تشغيل الآلة بكفاءة عالية.

ماذا تقول الاختبارات عن الأداء والاستقرار

تُظهر المحاكاة على طلبات واقعية امتدت أسبوعاً أن هذا النهج المركب يقوّض الانحراف عن الأهداف السياسية بشكل كبير: ينخفض متوسط خطأ التخصيص من نحو ثمانية بالمئة إلى ما يزيد قليلاً عن واحد بالمئة، ويظهر تحسّن مماثل في مقياس خطأ أكثر صرامة. والأهم أن هذه المكاسب لا تأتي على حساب هدر السعة أو زيادة قوائم الانتظار. يبقى استخدام GPU فوق 92 في المئة، ويظل معدل المعالجة مماثلاً للجدولات القياسية، ولا تطول أوقات الانتظار. تكشف اختبارات الإجهاد التي يزيد فيها مجال واحد طلبه بشكل مصطنع—إما بقفزة مفاجئة أو بصعود مستمر—أن المتحكم يقاوم مثل هذا السلوك الاستراتيجي، ويقلّص الأخطاء بحوالي 40 إلى 45 في المئة مقارنةً بخط أساس غير مراقَب. وتشير فحوص الحساسية لبارامترات رئيسية إلى أن السلوك يظل مستقرّاً عبر نطاق معقول من الإعدادات.

ما معنى هذا لمستقبل الحوسبة المشتركة

بعبارات يومية، يوضح المقال أننا لا نضطر للاختيار بين حواسب فائقة سريعة وفعالة واستراتيجية وطنية متأنية. من خلال ترميز الأهداف السياسية كأهداف رقمية واضحة ودمجها في كل من التخطيط والتحكم في الوقت الحقيقي، يقدم الإطار المقترح طريقة لتوجيه وقت GPU نحو محفظة متوازنة من المجالات العلمية من دون إبطاء الآلات أو إغراق الباحثين بالبيروقراطية. وفي حين أن العمل مُظهَر في محاكاة على نظام واحد ويفترض أهدافاً سياسية ثابتة، فإنه يشير إلى مستقبل قد تعمل فيه مراكز الحوسبة الوطنية ليس فقط كحاسبات قوية بل كآلات مضبوطة بعناية لاستراتيجية العلوم والتكنولوجيا.

الاستشهاد: Shim, H. Policy-aware GPU resource allocation for national supercomputing. Sci Rep 16, 12438 (2026). https://doi.org/10.1038/s41598-026-42625-6

الكلمات المفتاحية: جدولة GPU, سياسة الحوسبة الفائقة, تخصيص الموارد, بنية تحتية علمية, الحوسبة للذكاء الاصطناعي