Un supercalculateur ne fait pas la même chose qu’un gros serveur : il met des milliers de processeurs au travail en même temps sur un seul problème. Le High Performance Computing désigne cette manière de calculer, l’infrastructure qui la rend possible et les logiciels qui l’exploitent. Il sert à simuler un moteur d’avion, à prévoir la météo, à analyser des génomes et, depuis quelques années, à entraîner les grands modèles d’intelligence artificielle. Reste à comprendre ce qui distingue vraiment ces machines et ce qu’une entreprise en tire.
Le calcul haute performance en une définition
Le HPC, ou calcul haute performance, mobilise de plusieurs milliers à plusieurs millions de cœurs de calcul organisés en architectures parallèles, pour ramener à quelques heures des traitements hors de portée d’une machine isolée. La bascule tient au découpage : un problème unique éclaté en morceaux traités simultanément, puis recomposé.
Quatre familles d’usage dominent. Résoudre un problème numérique complexe (mécanique des fluides, climat, dynamique moléculaire). Lancer des milliers de simulations pour explorer un espace de paramètres. Traiter des volumes de données massifs. Entraîner ou déployer des modèles d’IA.
Le CEA décrit la simulation numérique comme le troisième pilier de la méthode scientifique, aux côtés de la théorie et de l’expérimentation. Elle remplace ou complète les essais trop dangereux, trop lents, trop coûteux ou interdits. Un crash-test virtuel ne supprime pas le crash-test réel : il en réduit le nombre et affine ce qu’on cherche à observer.
Un cluster HPC, ce n’est pas un empilement de serveurs
La puissance d’un cluster tient autant à ce qui relie les machines qu’aux machines elles-mêmes. Un code parallèle passe son temps à échanger des données entre processus : une interconnexion médiocre annule le bénéfice des processeurs ajoutés. L’ensemble vit dans un Data Center conçu pour la haute densité, où l’alimentation électrique et le refroidissement pèsent autant dans l’équation que les processeurs eux-mêmes.
Les briques d’un cluster :
- les nœuds de calcul, serveurs CPU et GPU qui exécutent les processus, avec des nœuds de connexion séparés pour préparer les travaux
- l’interconnexion InfiniBand, qui offre une latence faible et le RDMA, un accès direct à la mémoire d’une machine distante sans mobiliser son processeur
- le système de fichiers parallèle, qui répartit données et métadonnées sur plusieurs baies pour absorber les écritures simultanées de milliers de processus
- l’ordonnanceur Slurm, qui reçoit les demandes, place les jobs en file, réserve les nœuds et comptabilise les ressources consommées
- les bibliothèques de parallélisme, MPI entre les nœuds, OpenMP à l’intérieur d’un nœud, CUDA ou ROCm sur les accélérateurs
L’utilisateur ne lance rien à la main sur un nœud de production. Il soumet un job décrivant le nombre de nœuds, la mémoire, la durée maximale et les fichiers attendus, puis attend son tour dans la file. Sur les calculs longs, des checkpoints sauvegardent l’état à intervalles réguliers pour survivre à une panne.
FLOPS, pétaflops, exaflops : décoder les chiffres annoncés
Un FLOPS mesure le nombre d’opérations en virgule flottante par seconde. Un pétaflop vaut mille milliards de fois mille opérations par seconde, un exaflop un milliard de milliards d’opérations par seconde.
Ces chiffres se lisent avec précaution. Le Rpeak désigne la puissance crête théorique, le Rmax la performance mesurée sur le benchmark HPL. La performance obtenue sur un code réel reste souvent bien en dessous. Au TOP500 de juin 2026, cinq machines franchissent la barre de l’exascale : LineShine en Chine à 2,198 exaflops, El Capitan à 1,809, Frontier à 1,353, Aurora à 1,012 et JUPITER, première machine exascale européenne, à 1,000 exaflop. La France exploite Jean Zay (125,9 pétaflops crête après extension) et Adastra, avant l’arrivée d’Alice Recoque au TGCC.
L’échelle des FLOPS, en clair
Déplacez le curseur pour voir ce que représente chaque palier de puissance.
JUPITER affiche 1 exaflop en double précision mais jusqu’à 80 exaflops sur des charges d’IA en précision 8 bits. Le même matériel, deux ordres de grandeur d’écart.
Pourquoi l’entraînement des modèles d’IA repose-t-il sur le HPC ?
Un grand modèle ne tient dans aucun accélérateur seul. Ses paramètres, ses données et ses opérations matricielles obligent à répartir le travail : parallélisme de données quand chaque GPU traite un lot d’exemples différent, parallélisme de modèle quand les couches se distribuent, parallélisme tensoriel quand une même matrice se découpe entre accélérateurs. Chaque étape se termine par une synchronisation entre tous les GPU, ce qui replace le réseau au centre du dispositif.
La différence majeure avec le HPC scientifique porte sur la précision numérique. Une simulation de neutronique exige du FP64, sensible aux erreurs d’arrondi. Un réseau de neurones tolère l’approximation et exploite du FP16, du BF16 ou du FP8. L’écart matériel saute aux yeux : un GPU H100 délivre environ 60 TFLOPS en FP64 Tensor Core, contre plusieurs milliers de TFLOPS en FP8. Les centres de calcul européens ont pris acte de cette bascule avec les AI Factories, 19 sites soutenus par EuroHPC, dont l’AI Factory France portée par GENCI. Côté organisation, la question de l’infrastructure arrive rarement en premier : elle se pose une fois le cadrage terminé, au moment de lancer concrètement un projet IA et d’en chiffrer les besoins réels en calcul.
Accéder au calcul intensif sans acheter de supercalculateur
Une entreprise qui veut simuler ou entraîner dispose de plusieurs portes d’entrée, chacune avec sa contrepartie. Des opérateurs d’infrastructure comme TDF hébergent une partie de ces capacités sur le territoire français, un critère qui compte dès que la localisation des données entre en jeu.
| Mode d’accès | Ce qu’il apporte | Ce qu’il impose |
|---|---|---|
| Cluster on-premise | Contrôle des données, disponibilité prévisible | Investissement, refroidissement, électricité, compétences internes |
| Cloud HPC (HPCaaS) | Démarrage rapide, élasticité, paiement à l’usage | Coût de sortie des données, dépendance au fournisseur |
| Centre de calcul commercial | Expertise et environnement externalisés | Contrat, réservation, clauses de confidentialité |
| Heures publiques GENCI ou EuroHPC | Ressources gratuites pour la recherche ouverte | Appel à projets, sélection, publication des résultats |
Le portail eDARI ouvre aux structures détentrices d’un SIRET des allocations dites dynamiques, jusqu’à 500 000 heures-cœur CPU et 50 000 heures GPU, déposables au fil de l’eau. Au-delà, l’allocation régulière passe par une campagne avec examen scientifique et technique. La contrepartie est explicite : recherche ouverte et résultats publiés. Un projet strictement commercial relève du contrat, pas de l’appel à projets.
Côté facture, le raisonnement à l’heure GPU trompe. Le coût réel intègre le stockage, les transferts, les licences, le refroidissement et surtout le taux d’utilisation effectif. Le bon indicateur reste le coût par résultat utile, simulation convergée ou modèle entraîné.
Les idées reçues qui faussent les arbitrages
Première erreur : croire que multiplier les serveurs suffit. La loi d’Amdahl rappelle qu’une portion séquentielle plafonne l’accélération, quel que soit le nombre de cœurs. Un code mal parallélisé sur mille nœuds coûte cher pour un gain marginal.
Deuxième erreur : penser que le GPU gagne toujours. Un algorithme dominé par des branchements ou bridé par les entrées-sorties tourne mieux sur CPU.
Troisième erreur : opposer cloud et HPC. Le cloud fournit du HPC quand les instances embarquent une interconnexion RDMA et un stockage parallèle. Le cloud généraliste, lui, sert des applications web et cale sur les communications synchrones.
Dernière idée reçue, la plus tenace : le HPC réservé aux grands groupes. Le classement Green500 de juin 2026 place en tête KAIROS, une machine française du CALMIP à Toulouse, avec 73,28 GFLOPS par watt pour 46 kW mesurés. L’efficacité ne dépend pas seulement de la taille du budget.
