NVIDIA rozszerza biblioteki CUDA-X, aby przyspieszyć badania naukowe w różnych dziedzinach

Image: NVIDIA · Source
NVIDIA wzbogaciła swoje biblioteki CUDA-X o nowe moduły, takie jak cuPhoton, cuPotential i cuSpa, które przyspieszają analizę danych i modelowanie w dziedzinach od astrofizyki po odkrywanie leków, umożliwiając szybsze i bardziej kompleksowe symulacje naukowe oraz odkrycia oparte na sztucznej inteligencji.
NVIDIA ogłosiła znaczące rozszerzenia swoich bibliotek CUDA-X, wprowadzając nowe narzędzia zaprojektowane w celu przyspieszenia badań naukowych w różnych dziedzinach, takich jak astrofizyka, energia fuzyjna, biologia molekularna i nauka o materiałach. Kluczowe rozszerzenia, takie jak cuPhoton, cuPotential i cuSpa, zapewniają naukowcom możliwości przyspieszonej obliczeniowo za pomocą GPU analizy dużych zbiorów danych i symulacji złożonych systemów znacznie szybciej niż dotychczas.
Jednym z przykładów jest cuPhoton.xBeam, będący częścią zestawu narzędzi cuPhoton, który znacząco przyspiesza kojarzenie danych dla Telescope Event Horizon (EHT). Globalna sieć radioteleskopów generuje petabajty danych wymagających intensywnego przetwarzania, aby tworzyć obrazy czarnych dziur. Wykorzystując cuPhoton.xBeam na systemach wielo-GPU, badacze EHT skrócili czas korelacji danych z ponad miesiąca do zaledwie ośmiu minut, umożliwiając prawie natychmiastową rekonstrukcję zjawisk takich jak czarna dziura w galaktyce Messier 87* i poprawioną analizę dynamiki gazu wokół czarnej dziury.
W badaniach nad energią fuzyjną moduł cuPhoton.xLens wspiera wizualizację i wydobywanie wniosków podczas symulacji plazmy. Ponieważ każdy krok symulacji na komputerach petaskalowych tradycyjnie trwa dni, to narzędzie pozwala naukowcom interaktywnie sterować symulacjami z użyciem agentów AI napędzanych przez NVIDIA Nemotron, co potencjalnie przyspiesza postępy w projektowaniu reaktorów fuzyjnych.
W odkrywaniu leków biblioteka cuPotential przyspiesza symulacje dynamiki molekularnej nawet trzykrotnie, poprawiając stabilność i dokładność. Współprace z organizacjami takimi jak Flatiron Institute fundacji Simons oraz firmami farmaceutycznymi integrują cuPotential do identyfikacji miejsc wiązania molekularnego, generowania syntetycznych danych treningowych dla modeli AI i zwiększenia efektywności workflow współpracujących z takimi silnikami jak AMBER, NAMD i GROMACS.
Nauka o materiałach korzysta z przyspieszonych obliczeń mechaniki kwantowej za pomocą Daviator dla Vienna Ab initio Simulation Package, obiecując wzrost prędkości nawet 22-krotny. Ponadto Lawrence Berkeley National Laboratory zastosował bibliotekę sieciową NVIDIA DAQIRI do przetwarzania danych mikroskopii elektronowej w czasie rzeczywistym, umożliwiając identyfikację nowych cech pierwiastków podczas eksperymentów.
Badania biologiczne zyskują dzięki cuSpa, który przyspiesza obliczenia przestrzennych grafów poligonalnych komórek z poprawą szybkości nawet 900-krotnie w porównaniu do metod CPU. Zintegrowany z frameworkiem rapids-singlecell, umożliwia ultra szybkie analizy danych pojedynczych komórek i jest wykorzystywany przez instytucje takie jak Memorial Sloan Kettering Cancer Center oraz firmy Therna Biosciences i 10x Genomics do przyspieszania projektowania terapii oraz pogłębienia wiedzy o biologii przestrzennej. Ponadto otwartoźródłowa biblioteka HMMER przyspieszona za pomocą GPU zwiększa tempo anotacji sekwencji białkowych nawet 84-krotnie, wspierając rozwój modeli podstawowych w zastosowaniach biologicznych.
Ogólnie, rozszerzone biblioteki CUDA-X firmy NVIDIA dostarczają agentom AI i naukowcom potężne narzędzia napędzane GPU do obsługi znacznie większych zbiorów danych i złożonych modeli, przyspieszając odkrycia w szerokim spektrum dziedzin naukowych. Naukowcy korzystający z tych usprawnień mogą spodziewać się znacznie szybszych procesów analizy, sprzężenia zwrotnego z eksperymentów w czasie rzeczywistym oraz lepszej integracji metod AI w workflow naukowym.
Szczegółowe informacje techniczne są dostępne w rozszerzonej dokumentacji i studiach przypadków na blogu NVIDIA, prezentujących przełomy oparte na GPU, takie jak rekonstrukcja obrazu czarnych dziur oraz sterowanie symulacjami fuzyjnymi.
Źródła i oryginalne doniesienia
Read the original source ↗

Komentarze (0)
Nie ma jeszcze komentarzy.
Napisz komentarz
Komentarze publikujemy po moderacji. Nazwa i komentarz będą publiczne. Konto