Policy-aware GPU resource allocation for national supercomputing

Varför superdatorer behöver mer än bara snabbhet

Bakom dagens framsteg inom AI, klimatmodellering och nya material finns en dold arbetsälg: nationella superdatorer fyllda med kraftfulla grafiska processorenheter (GPU:er). Dessa maskiner är så eftertraktade att inte alla får den beräkningstid de önskar. Den här artikeln ställer en till synes enkel fråga med stora konsekvenser för vetenskapspolitiken: i stället för att låta dessa värdefulla GPU:er till största delen gå till dem som ropar högst, kan vi fördela dem på ett sätt som också speglar ett lands strategiska prioriteringar utan att slösa kapacitet eller bromsa forskningen?

Problemet med först-till-kvarn-kraft

De flesta stora beräkningscentra i dag använder schemaläggningsregler som fokuserar på att hålla maskinerna upptagna och rensa jobbköer effektivt. System i USA, Europa, Japan och andra platser gynnar ofta långkörande, volyminriktade arbetsbelastningar eftersom de håller utnyttjandet högt och schemaläggningen förutsägbar. Men detta efterfrågestyrda förhållningssätt skapar en tyst snedvridning: fält som redan genererar stora mängder GPU-jobb—som vissa delar av datavetenskapen—tenderar att få en växande andel, medan strategiskt viktiga men mindre GPU-intensiva områden, som vissa materialvetenskaper eller geovetenskaper, kan trängas ut. När konkurrensen om GPU-timmar intensifieras och länder knyter superdatoranvändning närmare sina ekonomiska och säkerhetsmässiga mål, blir denna obalans inte bara en teknisk fråga utan en fråga om allmännytta och rättvisa.

Att föra in politiska mål i matematiken

Studien föreslår ett ramverk som bakar in policyprioriteringar direkt i de formler som styr GPU-fördelning. I stället för att behandla politik som en eftertanke—till exempel genom att manuellt sätta tak eller kvoter—definierar författaren en "policy target vector", i praktiken en önskad procentuell andel av GPU-resurserna för varje vetenskapligt område. Denna målvektor byggs upp av tre ingredienser: nationella forskningsutgiftsmönster, officiellt framhävda prioriterade fält och historisk GPU-användning, alla blandade jämnt så att ingen enskild faktor dominerar. Sedan analyserar ramverket för varje område hur jobb faktiskt beter sig på systemet—hur länge de kör och hur ofta mycket långa jobb förekommer—och sammanfattar detta i enkla numeriska profiler.

Att hitta balanspunkten mellan efterfrågan och rättvisa

Med hjälp av dessa profiler konstruerar ramverket två signaler för varje fält: en som mäter hur likt dess användningsmönster är systemets övergripande beteende, och en annan som speglar hur intensivt det använder GPU:er. Dessa signaler kombineras med två justerbara vikter som kan fininställas för att betona antingen strukturell passform eller rå efterfrågan. Genom att söka över många möjliga kombinationer på tidigare data hittar modellen ett par vikter som bäst matchar policymålet. I tester med loggar från Koreas Neuron-system och ett amerikanskt superdatorcenter lutade den optimerade blandningen mer mot efterfrågan men gav ändå ett betydande drag mot policymålen. Denna statiska estimator minskade ensam avsevärt mismatchen mellan önskade och förutsagda fördelningar, även om vissa fält—såsom materialvetenskap—fortfarande blev påtagligt underbetjänade.

En smart återkopplingsslinga för delning i realtid

För att överbrygga denna lucka lägger studien till ett andra lager: en dynamisk regulator som arbetar medan systemet körs. Tiden delas in i korta fönster, och i varje fönster kontrollerar regulatorn om ett områdes efterfrågan överstiger både dess policyandel och vad dess senaste historik rimligen motiverar. När ett domän försöker använda mer än denna effektiva övre gräns behandlas överskottet som återvinningsbart överskott. Dessa återkrävda GPU‑"bitar" omfördelas sedan till områden som ligger under sina mål, proportionellt mot hur underbetjänade de är. Denna kapacitets‑och‑omfördelningsprocess upprepas över tid och skapar en återkopplingsslinga som stadigt skjuter de faktiska fördelningarna mot policyvektorn samtidigt som maskinen hålls nästan fullt utnyttjad.

Vad testerna säger om prestanda och stabilitet

Simuleringar över en vecka med realistiska efterfrågemönster visar att denna kombinerade metod dramatiskt förbättrar överensstämmelsen med policymålen: genomsnittligt fördelningsfel sjunker från omkring åtta procent till knappt över en procent, och en liknande förbättring syns i en strängare felmått. Viktigt är att dessa vinster inte sker på bekostnad av bortkastad kapacitet eller längre köer. GPU‑utnyttjandet håller sig över 92 procent, genomströmningen förblir jämförbar med standard‑schemaläggare och väntetiderna växer inte. Belastningstester där ett domän konstlat ökar sin efterfrågan—antingen med en plötslig topp eller en långvarig platå—visar att regulatorn motstår sådan strategisk beteende och minskar felen med ungefär 40–45 procent jämfört med en okontrollerad baseline. Känslighetskontroller över nyckelparametrar indikerar att beteendet förblir stabilt över ett rimligt intervall av inställningar.

Vad det betyder för framtidens delade beräkning

Översatt till vardagliga termer visar artikeln att vi inte behöver välja mellan snabba, effektiva superdatorer och genomtänkt nationell strategi. Genom att koda in policymål som tydliga numeriska måltal och bygga in dem både i planering och i realtidsstyrning erbjuder det föreslagna ramverket ett sätt att styra GPU‑tid mot en balanserad portfölj av vetenskapliga fält utan att sakta ner maskinerna eller överbelasta forskare med byråkrati. Medan arbetet demonstreras i simulering på ett enda system och förutsätter fasta policymål pekar det mot en framtid där nationella beräkningscenter inte bara är kraftfulla räknemaskiner utan också fint inställda instrument för vetenskaplig och teknisk strategi.

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

Nyckelord: GPU scheduling, supercomputing policy, resource allocation, science infrastructure, AI computing