Simulations scientifiques, recherche assistée par l’IA et calcul haute performance sont au programme du nouveau GPU de NVIDIA. Prévu pour 2028, il devra notamment rivaliser avec l’Instinct MI430X d’AMD, attendu dès l’année prochaine.

Ne le comparez pas avec le GPU d'une carte graphique classique ! Rubin HPC dépassera les 50 000 cœurs CUDA par GPU. ©NVIDIA
Ne le comparez pas avec le GPU d'une carte graphique classique ! Rubin HPC dépassera les 50 000 cœurs CUDA par GPU. ©NVIDIA

Les agents IA vont devoir passer leurs idées au banc d’essai. NVIDIA a présenté le 16 novembre dernier, lors de la conférence Supercomputing 2026 à Chicago, Rubin HPC, une déclinaison de sa plateforme Vera Rubin consacrée au calcul haute performance. Sa mission est d’accélérer les simulations et l’analyse de données qui permettent aux chercheurs d’évaluer des molécules, des matériaux ou des conceptions industrielles suggérés par l’IA.

Un Rubin rééquilibré pour le calcul scientifique

Premier changement, Rubin HPC dépassera les 50 000 cœurs CUDA par GPU, contre 28 672 pour la version classique de Rubin. À titre de comparaison, une carte graphique GeForce RTX 5090 en compte 21 760 et une RTX 5080, 10 752. NVIDIA prévoit aussi une accélération du traitement des données éparses pour que les unités de calcul passent moins de temps à attendre les informations dont elles ont besoin. La liaison entre GPU passera au NVLink de septième génération, contre la sixième sur Rubin classique.

L’enjeu tient notamment à la double précision, ou FP64, employée dans de nombreuses simulations scientifiques. Rubin classique privilégie les formats de faible précision utilisés par l’IA avec un débit FP64 vectoriel de 33 téraflops, contre 40 pour Blackwell. NVIDIA revendique jusqu’à 200 téraflops pour certaines opérations matricielles FP64 obtenus par émulation sur ses Tensor Cores. Cette technique exploite des unités conçues pour des calculs moins précis, mais ne remplace pas les capacités FP64 natives dans tous les usages scientifiques.

Interrogé par The Register, Dan Ernst, responsable du supercalcul chez NVIDIA, a également évoqué des capacités matricielles FP64 natives pour le matériel HPC du groupe. Les performances exactes de Rubin HPC, sa capacité mémoire et sa bande passante n’ont cependant pas été communiquées.

AMD a déjà un rival et des clients

NVIDIA trouvera sur sa route l’Instinct MI430X d’AMD, attendu dès 2027. Détaillée le 12 novembre à l’approche de SC26, cette puce basée sur l’architecture CDNA 5 doit embarquer 432 Go de mémoire HBM4, avec une bande passante pouvant atteindre 23,3 To/s et jusqu’à 288 téraflops en FP64 natif. AMD affiche ainsi ses ambitions dans le calcul scientifique, avec un calendrier plus serré que celui de son rival. Pour confronter les promesses des deux fabricants, il faudra toutefois que NVIDIA dévoile les performances de Rubin HPC.

Les centres de calcul, eux, passent déjà commande. Aux États-Unis, le laboratoire d’Oak Ridge a choisi le MI430X pour Discovery, le supercalculateur qui succédera à Frontier. En France, la puce d’AMD équipera Alice Recoque, le premier supercalculateur exascale du pays. Il faudra attendre 2028 pour mesurer ce que vaut Rubin HPC face à son rival. Pour ces deux machines, le choix est déjà fait.

Foire aux questionsContenu généré par l’IA
À quoi sert la double précision (FP64) dans le calcul haute performance, et pourquoi est-ce un critère clé pour un GPU scientifique ?

La FP64 (64 bits) augmente la précision numérique des calculs, ce qui limite les erreurs d’arrondi quand une simulation enchaîne des milliards d’opérations. Elle est essentielle en modélisation physique, chimie, mécanique des fluides ou climat, où une petite dérive peut fausser un résultat final. Beaucoup de charges HPC sont donc jugées sur leur débit FP64, généralement exprimé en téraflops (TFLOPS). À l’inverse, l’IA privilégie souvent des formats moins précis (FP16, BF16, FP8) plus rapides et moins coûteux en énergie. Un GPU orienté science doit donc proposer une FP64 solide, pas seulement des accélérations ponctuelles.

Quelle différence entre des performances FP64 natives et de la FP64 émulée via des Tensor Cores ?

La FP64 native signifie que le GPU dispose d’unités matérielles capables d’exécuter directement des opérations en double précision, avec un comportement et des performances prévisibles pour les codes scientifiques. La FP64 émulée via des Tensor Cores consiste à s’appuyer sur des unités optimisées pour des calculs matriciels moins précis, en recomposant des opérations FP64 pour certains types de multiplications de matrices. Cette approche peut donner de très bons débits dans des cas bien cadrés (algèbre linéaire dense, kernels adaptés), mais elle ne couvre pas tous les besoins HPC. En pratique, de nombreux logiciels utilisent un mix d’opérations (vectorielles, irrégulières, non matricielles) où l’émulation ne remplace pas toujours la FP64 native. C’est pour cela que les annonces distinguent souvent « pic théorique » sur matrices et performance FP64 réellement exploitable sur des codes variés.

Pourquoi la mémoire HBM (HBM4) et la bande passante en téraoctets par seconde sont-elles déterminantes pour les GPU de supercalculateurs ?

La HBM (High Bandwidth Memory) est une mémoire empilée très proche du GPU, conçue pour fournir une bande passante massive, bien plus élevée que la GDDR des cartes grand public. En HPC, beaucoup de workloads sont limités non par la puissance de calcul brute, mais par la vitesse à laquelle le GPU peut lire et écrire des données (gros tenseurs, grilles de simulation, matrices, champs 3D). La bande passante (exprimée en To/s) aide à alimenter les unités de calcul et à réduire le temps passé à attendre les données, surtout quand les accès mémoire sont nombreux. La capacité (en Go) compte aussi : elle conditionne la taille des modèles ou des simulations qui tiennent en mémoire sans découpage coûteux. HBM4 est une nouvelle génération qui vise à augmenter à la fois capacité et débit, ce qui est central pour les systèmes exascale.