Новое обновление библиотек ускоренных вычислений NVIDIA для разработчиков

На этой неделе NVIDIA объявила об обновлениях своих библиотек ускоренных вычислений, предоставив разработчикам 65 комплектов для разработки программного обеспечения для ускорения квантовых вычислений, доставки последней мили, суперкомпьютеров для экосистемы PyData и других расширенных предложений, включающих более 150 предложений. Обновления для NVIDIA ReOpt, cuQuantum, cuNumeric, cuGraph, Modulus, Morpheus, NeMo Megatron, Riva, RAPIDS, DOCA и других.

Новые SDK, выпущенные NVIDIA, включают:

• 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.