EuroHPC:n, kvanttitietokoneiden käyttöönoton ja suurteholaskennan hyödyntämiseen kuuden miljoonan euron rahoitus

Suomen Akatemia on valinnut kuusi tutkimuskonsortiota (21 osahanketta) ja yhden yksittäisen hankkeen rahoitettaviksi EuroHPC:n (European High-Performance Computing), kvanttitietokoneiden käyttöönoton ja suurteholaskennan hyödyntämisen erityisrahoitushaussa. Rahoitusta myönnettiin kaudelle 2022–2024 yhteensä kuusi miljoonaa euroa. Nyt rahoitetut hankkeet käynnistyvät tammikuussa 2022.

Rahoituksella tuetaan suurteholaskentaan, EuroHPC:n ja kvanttitietokoneiden käyttöönottoon liittyvää korkeatasoista tutkimusta sekä suurteholaskennan hyödyntämistä eri aloilla. Rahoitettavat hankkeet edistävät tieteen uudistumista ja monimuotoisuutta, tutkimuksen laatua sekä tieteellisen vaikuttavuuden lisäksi myös laajempaa vaikuttavuutta.

Arviointipaneeli korosti lausunnossaan, että hakemusten taso oli kansainvälisesti korkea. Rahoituksesta päättäneen Akatemian yleisjaoston puheenjohtajan professori Johanna Myllyharjun mukaan on tärkeää, että osaamisen kehittäminen oli rahoitushaun keskiössä.

”Yleisjaosto halusi haun tavoitteiden mukaisesti tukea tulevaisuuden laskentaekosysteemin kehittymistä sekä siihen liittyvän osaamisen ja hyödyntämisen laajentamista myös uusille aloille mahdollisimman monipuolisesti”, sanoo Myllyharju.

Rahoitetut hankkeet:

Tuula Aallon (Ilmatieteen laitos) johtamassa projektissa kehitetään laskentamenetelmiä ja hyödynnetään uutta suurteholaskennan infrastruktuuria hiilidioksidi- ja metaanipäästöjen sekä nielujen ja niiden epävarmuuksien arviointiin. Tutkimusprojekti toteutetaan ilmakehän mallinnuksen avulla kansallisesti merkittävässä mittakaavassa.

Miguel Caron (Aalto-yliopisto) johdolla kehitetään GAP-menetelmän käyttöä uusilla grafiikkaprosessoreihin pohjautuvilla supertietokoneilla, erityisesti LUMI:lla. Siirtyminen tavallisista prosessoreista (CPU) grafiikkaprosessoreihin (GPU) on haaste laskennallisen tieteen tutkijoille, sillä siirtyminen vaatii ohjelmistojen muokkaamista GPU-laskennan vaatimusten mukaisiksi. Aalto-yliopiston ja Tieteen tietotekniikan keskus CSC:n konsortiossa yhdistyy laskennallisen fysiikan sekä HPC-ohjelmoinnin osaaminen.

Populaatiogenomiikan edistysaskeleet linkittyvät lajin sisäisen variaation ymmärrykseen ja keskeisiin sovelluksiin, kuten kasvainten mallintamiseen ja hoitokeinojen kehittämiseen. Keijo Heljangon (Helsingin yliopisto) luotsaaman projektin tavoitteena on helpottaa pangenomiikan skaalautuvuusongelmia ja tuottaa käytännöllisiä menetelmiä suurten genomidatojen analyysiin, tiivistämiseen ja indeksointiin.

Antti Kemppisen (Teknologian tutkimuskeskus VTT Oy) johtamassa hankkeessa VTT ja Aalto-yliopisto yhdistävät voimansa kehittääkseen optisella dataväylällä yhdistettyä laskentaekosysteemiä kvanttikoneoppimista (QML) varten. Hankkeessa kehitetään myös QML-algoritmeja, joilla on potentiaalia olla nopeampia kuin vastaavat klassiset koneoppimisalgoritmit, mutta jotka kärsivät tällä hetkellä hitaasta dataväylästä HPC:n ja kvanttitietokoneen välillä.

Tommi Kärkkäisen (Jyväskylän yliopisto) johtamassa hankkeessa kehitetään uutta katalyyttien suunnittelukonseptia. Katalyyttejä voidaan käyttää esimerkiksi puhtaan vedyn valmistuksessa. Vedyn laajempi hyödyntäminen on osa siirtymää kohti vähähiilistä yhteiskuntaa. Tutkimuskonsortiossa on täydentävää osaamista laskennallisesta katalyysista sekä materiaali- ja laskennallisista tieteistä.

Minna Palmroth (Helsingin yliopisto) johtaa Helsingin yliopiston, Oulun yliopiston ja Tieteen tietotekniikan keskus CSC:n konsortiota, joka kehittää laskennallisia menetelmiä supertietokone LUMI:lle, ja laajentaa suomalaista suurteholaskennan osaamista. Yhteiskunta on riippuvainen sähköverkoista sekä satelliitti-, tutka- ja radiosignaaleista. Ionosfääri, joka on alue ilmakehän ja avaruuden rajamailla, voi häiritä näiden toimintaa. Siksi on tärkeää muodostaa havainnoista ja mallinnuksista realistinen ionosfäärin tilannekuva.

Mikko Tolosen (Helsingin yliopisto) luotsaama Helsingin yliopiston, Turun yliopiston ja Aalto-yliopiston tutkimushanke perustuu suurteholaskennan hyödyntämiseen historiallisten keskustelujen tunnistamisessa ja tutkimisessa. Hanke täydentää perinteistä historiantutkimusta, joka usein toimii rajallisten lähdeaineistojen varassa ja pyrkii tekemään yleistyksiä yksittäistapausten kautta samalla haastaen ”big data” -tutkimusta, jossa analyysit tehdään usein pintapuoleisesti.