Introducing HPC-Enabled Computational Research Training in Africa: A Pilot Study

Stel je de wereld van wetenschappelijke ontdekkingen voor als een enorme, hoogwaardige keuken. Decennialang konden chefs (wetenschappers) alleen koken op kleine, persoonlijke fornuizen. Ze konden een goede soep maken of een degelijke taart, maar als ze duizend broden tegelijk wilden bakken of de weerpatronen van een heel continent wilden simuleren, waren hun fornuizen simpelweg niet groot genoeg. Daar komt High-Performance Computing (HPC) kijken. Zie HPC niet als één enkel superfornuis, maar als een gigantische, industriële keuken met honderden branders die in perfecte synchronisatie werken. Het stelt onderzoekers in staat om "onmogelijke" problemen aan te pakken, van het ontwerpen van nieuwe medicijnen tot het voorspellen van klimaatverandering.

Het hebben van toegang tot deze industriële keuken is echter niet genoeg. Je moet ook weten hoe je de complexe, geautomatiseerde ovens gebruikt, hoe je de enorme inventaris aan ingrediënten (data) beheert en hoe je samenwerkt met een team van andere chefs zonder de boel af te branden. Dit is computational research training. Het is het receptenboek en het meesterschap dat een thuiskok verandert in een meester van de industriële keuken. Een lange tijd was deze training als een geheime club, vooral beschikbaar in rijke landen met hun eigen industriële keukens. Maar wat gebeurt er wanneer briljante, hongerige chefs in andere delen van de wereld willen leren, maar geen keuken hebben om in te oefenen, of een meesterchef om hen te onderwijzen? Dat is de vraag die dit artikel verkent.

---

De Pilot: Een Kookles in een Wereld Zonder Ovens

James Afful en zijn team van medewerkers besloten een nieuwe manier te testen om deze "industriële keuken"-vaardigheden aan te leren aan studenten en onderzoekers in het begin van hun carrière in Afrika. Ze noemden hun experiment het Center for Computational Research and Education (CCRE). Hun doel was niet om te bewijzen dat ze duizenden mensen tegelijkertijd konden trainen; in plaats daarvan wilden ze zien of een specifiek, stapsgewijs model überhaupt zou kunnen werken wanneer de middelen beperkt zijn.

Denk aan hun model als een lekke emmer die ontworpen is om de meest gemotiveerde leerlingen op te vangen. Eerst wierpen ze een breed net via sociale media (LinkedIn, WhatsApp, Instagram) om iedereen te vinden die geïnteresseerd was. Ze vonden 24 aanmeldingen—een goede groep hongerige leerlingen. Maar je kunt niet iedereen diepgaand onderwijzen met beperkte middelen, dus ze filterden de groep. 12 mensen werden uitgenodigd om een verplichte "pre-cooking" cursus online te volgen. Dit was als een test om te zien wie de geduld en de internetverbinding had om een recept te volgen zonder dat er een chef direct naast hen stond.

Slechts 6 van die 12 slaagden erin om alle vereiste modules te voltooien. Deze zes vormden de uiteindelijke "pilot cohort". Het was een diverse groep: voornamelijk bachelorstudenten en onderzoekers in het begin van hun carrière uit velden zoals engineering, natuurkunde en biologie. Cruciaal was dat vijf van de zes nog nooit een supercomputer hadden aangeraakt. Ze waren als mensen die over koken hadden gelezen, maar nog nooit een spatel hadden vastgehouden.

De Reis: Van Theorie naar de Werkelijkheid

Het programma was ontworpen in fasen, bewegend van theorie naar praktijk:

1. De Voorbereiding: De zes overlevers volgden een online cursus van vier modules om de basis te leren, zoals hoe je met een computer communiceert via tekstcommando's (Linux) en hoe je bestanden organiseert.
2. Het Mentorschap: Nadat ze de voorbereiding hadden voltooid, werden ze gekoppeld aan mentoren. Dit was niet zomaar een docent die een college gaf; het was een gids die hen hielp echte problemen op te lossen.
3. Het Project: De echte magie gebeurde hier. De zes studenten splitsten zich op in twee teams en bouwden daadwerkelijke tools met gebruik van echte supercomputing-kracht.
   • Team 1 bouwde een "surrogaatmodel" voor een veiligheidstest van een kernreactor. In plaats van elke keer een trage, dure simulatie uit te voeren, trainden ze een machine learning-model om veiligheidsuitkomsten direct te voorspellen. Ze bouwden zelfs een kleurrijke, interactieve website (met behulp van een tool genaamd Streamlit) zodat anderen het kunnen gebruiken.
   • Team 2 creëerde een AI-tool om hersentumoren in MRI-scans te detecteren. Ze leerden een computer om naar afbeeldingen te kijken en precies aan te geven waar de tumor zat, waarbij ze een techniek genaamd Grad-CAM gebruikten om het "denkproces" te tonen.

De Resultaten: Hoge Verwachtingen, Reële Hindernissen

Toen het programma eindigde, vroegen de onderzoekers de deelnemers hoe het was gegaan. De resultaten waren lovend. De studenten gaven het programma een gemiddelde score van 4,20 uit 5. Iedereen die antwoordde, zei dat ze het programma absoluut zouden aanbevelen aan een vriend. Ze hadden het gevoel praktische vaardigheden te hebben geleerd, verbinding te hebben gemaakt met een gemeenschap en zelfvertrouwen te hebben opgedaan.

De paper is echter zeer voorzichtig om dit geen "wonderoplossing" te noemen. Hoewel de studenten zich geweldig voelden, verdwenen de structurele problemen niet plotseling.

• Het Internet: Drie van de vijf studenten rapporteerden dat hun internetverbinding onbetrouwbaar was, waardoor ze delen van de les misten.
• De Grote Barrières: Zelfs na de training rapporteerden de studenten nog steeds dat ze een gebrek hadden aan toegang tot supercomputers, geen lokale experts hadden om hen te begeleiden, en de kosten van cloud computing niet konden betalen.

De paper suggereert dat hoewel dit trainingsprogramma een fantastische "vonk" was, het het "brandstofprobleem" niet kon oplossen. Je kunt iemand wel leren hoe hij in een simulator een racewagen bestuurt, maar als ze geen auto, geen weg of geen monteur hebben, kunnen ze niet echt racen. De training gaf hen de vaardigheden en het zelfvertrouwen, maar de infrastructuur (de computers, de mentoren, het geld) ontbreekt nog steeds in hun lokale omgevingen.

Wat Dit Betekent voor de Toekomst

De auteurs concluderen dat je niet simpelweg een eenmalige workshop kunt draaien en verwachten het probleem op te lossen. In plaats daarvan stellen ze een vierpijler-framework voor de toekomst voor:

1. Toegang: Geef mensen de kans om echte computers aan te raken, niet alleen over hen te lezen.
2. Voorbereiding: Gebruik gestructureerde online lessen om iedereen op hetzelfde niveau te krijgen.
3. Begeleide Praktijk: Behoud de menselijke connectie; mentoren zijn essentieel om te voorkomen dat leerlingen opgeven.
4. Duurzaamheid: Dit is de belangrijkste factor. Het programma moet een gemeenschap opbouwen waar oud-studenten mentoren worden voor nieuwe studenten, en waar universiteiten en bedrijven samenwerken om langdurige toegang tot rekenkracht te bieden.

Kortom, dit artikel suggereert dat het recept voor succes in de Afrikaanse computationele research niet alleen gaat over het aanleren van vaardigheden; het gaat over het bouwen van een heel ecosysteem waar die vaardigheden daadwerkelijk gebruikt kunnen worden. De pilot bewees dat het recept werkt, maar de keuken moet nog gebouwd worden.