研究を前進させるコンピューティング
- クラウド
- 雲の中に立っていた
- オンデマンド
- 必要に応じてスケールアップ
- マネージド
- 含まれる操作
- 最適化済み
- ソルバー固有のセットアップ
コア機能
設計から運用までを 1 つのパッケージで行うため、研究者はインフラストラクチャではなく作業に集中できます。
マネージド クラウド HPC
クラウド内で設計および構築された専用クラスター。データセンターも社内管理チームも必要ありません。
ソルバーごとの調整
DFT、MD、その他のワークロード向けに調整されたコンパイラー、ライブラリ、MPI 設定により、同じハードウェアでより高速な結果が得られます。
バースト容量
社内 HPC がいっぱいであるかキューが長い場合は、キャンペーンが停止しないように追加のノードをすぐに起動します。
ジョブスケジューラ
チームレベルのリソース共有のための優先順位、クォータ、およびフェアシェアポリシーを備えた標準的な Slurm ベースのスケジューリング。
監視と運用
VirtualLab 運用チームが処理するインシデント対応とともに、使用状況、キューの状態、ジョブ履歴をライブビューで表示します。
実行した分の料金を支払う
クラウド請求とは、アイドル状態のハードウェアを計上せず、実際に使用した時間に対して料金を支払うことを意味します。
Getting results sooner from the same hardware
Cloud HPC performance depends far more on how the solver is built and how it communicates on those nodes than on how many nodes you switch on.
What tuning per solver actually means
The same source, built with a different compiler, linked against a different numerical library, running on a different MPI implementation, produces visibly different wall-clock times for an identical calculation. DFT codes are sensitive to FFT and linear algebra performance; MD codes to neighbour-list construction and inter-node latency. MAXFlops ships images with that combination already matched to the solvers your team actually runs, so nobody has to experiment with build flags.
How many nodes to attach
Parallel calculations do not run twice as fast on twice the nodes. Past some point communication cost overtakes the compute gain, and where that point sits depends on system size and solver. During onboarding we measure scaling on a representative calculation and set a sensible node count per job from it — over-parallelising costs more and returns results later.
Scheduling and sharing
A standard Slurm scheduler means existing HPC experience transfers unchanged. Priorities and quotas per team or project, plus a fair-share policy, stop one person's large campaign from blocking everyone else's queue. Utilisation, queue state and job history are visible in real time.
Data and cost
Results outlive the nodes that produced them, so storage and compute are designed with separate lifetimes. Resources stay up only for the hours they are needed, following cloud billing rather than leaving you holding idle hardware. Sizing starts from the solvers you run, concurrent users, data volume and budget, worked through together.
Why your existing workflow survives
Because the scheduler is standard Slurm, the submission scripts and habits from an in-house cluster mostly carry over unchanged. That was the point: learning a new command set or rewriting a pipeline should not be what stops a team from adding capacity. Where finished results are retrieved to, and how, is settled during onboarding — after which the aim is that a researcher cannot tell whether a job ran locally or in the cloud.
配送方法
私たちはお客様のワークロードに耳を傾け、それに合わせてクラスターを設計し、それを立ち上げます。そこから、それを使用します。これが全体の流れです。
-
01
ワークロードを定義する
主に実行するソルバー、同時ユーザー、データ サイズ、予算など、私たちはこれらを一緒に解決します。
-
02
デザインして立ち上がる
インスタンス、ネットワーク、ストレージ、ソフトウェア スタックはクラウドで設計され、ソルバーに合わせて調整され、オンラインに提供されます。
-
03
実行と操作
研究者は仕事を提出するだけです。モニタリング、インシデント対応、スケールアウトは VirtualLab によって処理されます。
チームが使用する場所
大規模な材料計算
多くの候補構造と数千ジョブのデータ生成パイプラインにわたる DFT/MD スクリーニング。
AI学習データ生成
材料機械学習向けの計算データセットを、必要な期限までに生成します。
日常的なDFT・MD計算
日常的な計算は社内 HPC で待機しており、必要に応じてクラウドにオフロードされていました。
短期的なコラボレーションとプロジェクト
プロジェクト期間中専用のリソースを立ち上げ、その後解体します。調達サイクルは必要ありません。
MAXFlops — frequently asked questions
What is MAXFlops?
A managed service that designs, builds and operates a dedicated HPC cluster for your team on the cloud. You get a large-scale compute environment without procurement, a data centre, or a dedicated administrator.
We already have in-house HPC. Why would we need this?
As headroom. When in-house resources run short or queues grow long, extra nodes come online immediately so a calculation campaign does not stall — expanding for the period you need instead of permanently.
How are jobs submitted and resources shared?
Through a standard Slurm scheduler, with per-team priority, quota and fair-share policies. Utilisation, queue state and job history are visible in real time.
What does "tuned per solver" mean?
Compiler options, numerical libraries and inter-node communication are optimised for the solvers you actually run — DFT, MD and others. The same resources return results sooner, and researchers never have to tune the environment themselves.
How is the cost determined?
Cloud billing for the hours the resources are actually up. We size the cluster after going through the solvers you run, concurrent users, data volume and budget together.