Новое обновление библиотек ускоренных вычислений NVIDIA для разработчиков

• NVIDIA ReOpt для логистики в реальном времени представляет передовые алгоритмы с массовым параллелизмом, которые оптимизируют маршруты транспортных средств, выбор складов и состав автопарка. Его возможности динамического изменения маршрута могут сократить время в пути, сократить расходы на топливо и минимизировать периоды простоя, потенциально экономя миллиарды для отраслей логистики и цепочки поставок.
• cuNumeric , для вычислений с массивами, реализует интерфейс прикладного программирования NumPy для автоматического масштабирования до систем с несколькими графическими процессорами и несколькими узлами с нулевым изменением кода - ценность для 20-миллионного сообщества специалистов по обработке данных, исследователей и ученых, использующих Python. Доступный сейчас на GitHub и Conda, он масштабируется до тысяч графических процессоров, обеспечивая ускоренные вычисления для экосистемы PyData и NumPy.
• cuQuantum для квантовых вычислений позволяет значительно быстрее моделировать большие квантовые схемы, позволяя квантовым исследователям изучать более широкий спектр алгоритмов и приложений. Разработчики могут моделировать такие области, как краткосрочные вариационные квантовые алгоритмы для молекул и алгоритмы исправления ошибок для определения отказоустойчивости, а также ускорять популярные квантовые симуляторы от Atos, Google и IBM.
• Контейнер DGL с ускорением CUDA-X для графовых нейронных сетей предлагает разработчикам и специалистам по данным, работающим над GNN с большими графами, быстрый способ настройки рабочей среды. Контейнер упрощает работу в интегрированной среде GNN с ускорением на GPU, сочетающей DGL и Pytorch. С помощью GNN с ускорением на GPU даже самые большие графы в мире, приближающиеся к триллиону ребер в одном графе, могут быть добыты для понимания. Например, Pinterest использует графические нейронные сети с миллиардами узлов и ребер, чтобы понять свою экосистему из более чем 300 миллиардов контактов на основе графических процессоров и оптимизированных библиотек для обучения и вывода моделей.