Sparxity, Dresden-företaget som fram till idag hette SpiNNcloud, tillkännagav driftsättningen av ett sparse-native computing rack-system vid Jülich Supercomputing Centre (JSC), ett institut inom Forschungszentrum Jülich och hemvist för JUPITER, Europas första exaskala-maskin. Systemet heter JUBIS, installationen beskrivs som mångmiljonbelagd, och JSC kommer att använda det för att köra sparse-maskininlärningsmodeller och storskaliga HPC-simuleringar bredvid sina konventionella CPU- och GPU-system. Tillkännagivandet fungerar även som lanseringen av det nya företagsnamnet.
Händelsebaserad exekvering och de siffror Sparxity lägger på den
Hårdvaran är händelsebaserad: exekveringsenheter körs bara när en ingång ändras, så inaktiva delar av en modell förbrukar inga cykler och flyttar ingen data. Sparxity beskriver detta som gleshet i praktiken. Företaget säger att JUBIS är utformat för att leverera 10 gånger snabbare exekvering av gles lösare, 18 gånger lägre energiförbrukning för händelsebaserade maskininlärningsarbetsbelastningar och 20 gånger kortare tid till en acceptabel lösning i optimeringsproblem. Det är leverantörssiffror utan publicerat baslinjesystem, arbetsbelastning, batchstorlek eller precision, och vi har inte kört eller granskat dem.
Kiseln är SpiNNaker2, det Arm-baserade chippet som härstammar från SpiNNaker-forskningslinjen som startades av Steve Furber, designern av den ursprungliga Arm-arkitekturen. Företaget beskriver sitt serverkort som 48 SpiNNaker2-chip, var och en med 152 Arm-kärnor och dedikerade acceleratorer, och samma kortfamilj användes i det system som Sandia National Laboratories tog fram 2025, vilket de uppskattade till 150 miljoner till 180 miljoner simulerade neuroner. Sparxity har inte sagt hur många kort som finns i Jülich-racket. Över sin installerade bas räknar de tre tape-outs, mer än 70 000 producerade chips, mer än 12 driftsatta rack och mer än 30 kunder.
”Spars maskininlärning representerar en av de största möjligheterna att fundamentalt förbättra effektiviteten hos AI”, säger Dr. Guido Trensch, Simulation and Data Lab Neuroscience, Jülich Supercomputing Centre. ”Genom att använda Sparxity kan vi komplettera vår globalt unika HPC-infrastruktur med en fundamentalt ny metod, vilket öppnar upp nya forskningsmöjligheter så att vi kan vidareutveckla framsteg inom neurovetenskap.”
Där JUBIS passar in i Jülich
JSC beskriver projektet bakom köpet, ESAB (Event-based Supercomputer for AI and Beyond), som ett treårigt infrastrukturprojekt som startade 2026 för att lägga till en energieffektiv, händelsebaserad SpiNNaker2-beräkningsmodul till sin modulära superdatorarkitektur, samma ramverk som parar ihop ett CPU-kluster med en GPU-booster i JUPITER . Målen som JSC listar är AI-arbetsbelastningar, neurovetenskaplig simulering i realtid och andra områden för ett brett vetenskapligt samfund, baserat på deras Simulation and Data Lab Neuroscience, Human Brain Project och deras tidigare pilotprojekt för avancerade datorarkitekturer. Finansiering kommer från Europeiska regionala utvecklingsfonden och delstaten Nordrhein-Westfalen inom ramen för EFRE/JTF-programmet NRW 2021-2027.
JSC driver även JUPITER AI Factory, som Sparxity noterar är en av 19 AI-fabriker i Europa och den enda som är byggd kring ett exaskalasystem, så JUBIS hamnar i en anläggning som redan kör tät GPU-inferens i stor skala, vilket är den jämförelse som företaget bjuder in till. Dess ståndpunkt är att modeller blir glesare snabbare än tät hårdvara kan utnyttja, med expertmixer, minneslager och blockgles uppmärksamhet som exempel, och att en händelsebaserad maskin omvandlar den glesheten till hastighet där en GPU lägger till routingoverhead.
Omdöpningen drar gränsen mellan de två produktgenerationerna. Sparxity säger att deras nuvarande system hanterar både HPC och AI, medan nästa generation helt satsar på sparsity för AI-inferens, riktat mot modellbyggare som vill ha finare, mer dynamisk sparsity och mot datacenter och neomoln som vill ha fler tokens per sekund till lägre kostnad. VD och medgrundare Hector Gonzalez sa att Jülich-samarbetet visar värdet av den metoden på superdatorskala. SpiNNclouds webbplats listar efterföljarchippet, SpiNNext, med 78 gånger energieffektiviteten hos GPU:er jämfört med 18 gånger för SpiNNaker2, med tillgänglighet markerad som snart.
Amazon