Efter fyra år betraktar forskarna datorn som närmast pensionsfärdig. En tillfällig lösning är att dela datorkraft. Bearbetningskraften hyrs ofta in från exempelvis superdatorcenter som EPFL i Lausanne, IBMs datorcenter i Zürich eller centret i Jülich.

– Datorkraften blir allt oftare den begränsande resursen. Därför kör vi ofta en kombinerad modell, med standardbearbetningar enligt en hyrmodell och jobb med höga krav på flexibilitet och snabbhet i maskinerna på KTH, säger Martin Ingvar.

– Man kan säga att vi tillämpar en molnmodell, som är bra för standardkörningar. Men molnmodellen är betydligt sämre när det gäller spetsforskning, med krav på högflexibla forskningsapplikationer, fortsätter han.

De ökande behoven leder till att nya investeringar måste göras. Det är till stor del en finansieringsfråga och inget är bestämt ännu. Beslutet kan gå i riktning mot att få loss mer Blue Gene-kraft, eller att köpa in nya resurser.

– Just nu är vi inne i en avgörandets tid, så vi kan inte säga hur det blir. Det kan bli aktuellt med en större investering inom ett halvår eller ett år, säger Martin Ingvar.

– Det är inte bara vi utan många forskningsprocesser inom KI behöver allt större datamängder för att fungera. Inte minst med tanke på att ambitionen i EU inom Human Brain Project, ett av EUs flaggskeppsprogram, är att bygga en simulerad hjärnmodell.

Enligt IBMs Tommy Auoja, som även är styrelseledamot i Stockolm Brain Institute, SBI, krävs mer datorkraft om man vill köra mer avancerade modeller.

– Det som slukar de mesta resurserna är de ökande datamängderna för bildhanteringen och allt mer avancerade matematiska beräkningar som behövs för att kunna skapa förståelse för de komplexa system som finns i hjärnan.

Till viss del är det möjligt att att göra framsteg med effektivare körningar, men generellt gäller att ju mer vi lär oss om nervsystemet, desto mer datorkraft behövs för att räkna fram vad som sker, säger han.

Tommy Auoja anser att det behövs en gemensam kraftsamling för att utveckla kompetensen kring att använda den här typen av matematiska metoder. Ett exempel samarbeten som det mellan SBI och KTH och samarbetet med andra datorcenter ute i Europa, för att få tillgång till molnmodeller via andra forskningscenter. Men det behövs inte bara mer datorkraft.

– Framför allt krävs ny kompetens inom optimering av beräkningar och inom uppskalning av de system som genomför beräkningarna, men även för nya typer av molnmodeller för att dela datorresurser.

– Först trodde man att det stora problemet skulle vara att få till stånd den datorkraft som behövdes för att hantera hjärnavbildning. Att genomföra en bearbetning av bildsekvenser kunde ta 12–15 timmar med kraftfulla Linuxkluster.

Bättre algogritmer har minskat den tid som krävs för bildbearbetning till en till två timmar i dagsläget.

– Lösningen på alla problem är inte bara mer datorkraft, utan även smartare algoritmer för att skapa bättre upplösning och kvalitet.